EdgeClaw

EdgeClaw 是一个开源的 AI 智能体运行框架，由面壁智能联合清华大学自然语言处理实验室（THUNLP）、中国人民大学、AI9Stars 与 OpenBMB 社区共同研发，代码托管在 GitHub 的 OpenBMB 组织下。它想回答的问题很具体：智能体到底跑在哪里，才能既不把敏感数据交出去，又不会让云端调用费用失控。下面从分级安全、端云调度和使用门槛几个角度，说说这个框架适合谁、有哪些地方需要留心。

核心特点：先给数据分级，再决定谁来算

EdgeClaw 最值得看的设计，是把数据按敏感程度拆成三级，再决定处理位置，而不是一刀切地上云或全部留在本地。官方给出的分级逻辑大致是这样：

• S1（公开数据）：可以直接交给云端模型处理。
• S2（敏感数据）：先做脱敏，再发送到云端。
• S3（核心机密）：不出本地，由离线模型处理，不产生云端调用消耗。

配合 GuardAgent 隐私中间件和双检测引擎，这套机制覆盖传输、处理、存储几个环节。整体看，思路比“全上云”或“全本地”更务实——真正的痛点往往不是算力不够，而是不知道该把哪部分数据放出去。不足也比较明显：分级标准需要使用者自己界定，配置不到位时，安全效果会打折扣。

在此基础上，它用性价比感知调度在本地模型（如 MiniCPM 系列）和云端大模型之间分流：延迟敏感、涉密的活交给本地，重计算、重生成的任务走云端。多设备部署也做了支持，DGX Spark、Mac Mini、松果派等硬件都在介绍范围内。

使用体验与适用人群

获取方式很直接，从 GitHub 仓库拉代码、看文档，再按自己的硬件环境部署。这意味着它更接近“自己搭一套”的工具，而非装完就能用的消费级软件。实际体验通常受三件事影响：本地机器的配置、所选模型的体积与推理速度、以及云端接口的可用性。面壁智能另外推出了软硬一体的 EdgeClaw Box，预装框架和 MiniCPM 模型，把配置门槛压了下来，对不想折腾环境的人更友好，具体型号与售价以实际页面为准。

适合的人大致是这几类：

• 对数据外流比较敏感、又希望用上智能体的团队。
• 有一定运维能力，愿意自己部署和调参的开发者。
• 想控制云端调用成本、希望把部分任务留在本地的小团队或“一人公司”。
• 需要审计、质检、财务顾问这类垂直能力，想看 Skills 生态能否覆盖的人。

上手前建议先确认几点：

• 从官方仓库获取安装包与依赖，装好后先做一次安全扫描。
• 核对版本号和最近更新时间，开源项目迭代快，文档与代码可能不同步。
• 数据合规要求因地区与行业而异，涉及个人信息时需自行判断。
• 开源不等于零成本，云端模型调用、硬件采购通常另计，免费额度的可用性以实际页面为准。

常见问题 FAQ

• EdgeClaw 是免费的吗？框架本身开源，代码和文档公开；云端模型调用与硬件通常另行计费，具体以实际页面为准。
• 它和 OpenClaw 是什么关系？沿用入口层、调度层、执行层的结构，并在其上增加了数据分级与隐私中间件，重点补的是安全与成本控制。
• 不买 EdgeClaw Box 能用吗？可以。框架支持多种设备自行部署，Box 只是把环境和模型预先配好的软硬一体方案。
• 必须用 MiniCPM 吗？官方示例以 MiniCPM 等轻量模型为主，也支持与云端模型协同，实际可选范围以文档说明为准。

EdgeClaw 的价值在于把“数据放在哪、由谁计算”变成一个可以配置的问题，而不是默认全交给云端。它更适合愿意动手部署、对隐私和成本同时敏感的使用者；如果只想要开箱即用的体验，硬件方案或成熟商业产品会更省事。把它当作 {{内链:AI 工具导航}} 里的一个补充选项，结合自身合规要求评估后再决定是否落地，会更稳妥。