養蝦不踩坑：斷網也能跑的真·本地龍蝦來了

智東西
作者 程茜
編輯 漠影

智東西3月19日消息，近日，面壁智能推出一個端云協同、安全高效的龍蝦智能硬件EdgeClaw Box，讓用戶在無需將隱私信息上傳云端、完全掌握數據主權的前提下，也能穩定、安全地運行一只屬于自己的強大“龍蝦”。

上周，全民掀起“養龍蝦”熱潮，其背后的開源智能體框架OpenClaw GitHub Star數迅速攀升至32.2萬，然而如今其熱度未退就遭遇了不少口碑崩盤事件，誤刪郵件、盜刷信用卡、D盤被清、黑客遠程入侵等安全問題集中爆發。

這使得多個國家相關機構緊急下場，發出警告和安全部署指南：如3月17日國家安全部發布《“龍蝦”（OpenClaw）安全養殖手冊》、上周國家互聯網應急中心發布關于OpenClaw安全應用的風險提示。

值得一提的是，“養龍蝦”的昵稱得益于OpenClaw的Logo——紅色龍蝦，并且因中國開發者更喜歡用“龍蝦”來稱呼這個智能體，所以部署OpenClaw也被稱作“養龍蝦”。

目前來看，“養龍蝦”熱潮并未熄火，其展現出的精準理解指令并自主執行任務能力讓人們得到了切切實實的幫助，而這也從側面印證AI能力越強，解決安全問題就越迫切，EdgeClaw Box就是在這樣的背景下誕生。

一方面，其搭載的EdgeClaw是可以運行在用戶本地設備上的開源“龍蝦”，且數據與模型都不上云，另一方面，EdgeClaw Box內置面壁智能「小鋼炮」MiniCPM全家桶模型以及第三方頂尖模型，還有大量Skills滿足用戶通用和專業需求。

如此一來，用戶能安全“養龍蝦”便成為現實。

一、“養龍蝦”風起，EdgeClaw要幫你嚴控AI自主權

事實上，想要安全養“龍蝦”，其核心就是讓AI在用戶畫好的“安全圈”里干活，始終把最終控制權握在用戶手里。

目前業界有兩種思路來控制AI的自主權：

其一是完全本地部署，讓模型、數據、執行全程都在自己的設備上。

這種方式的優勢在于智能體的數據、對話、操作都在用戶自己的設備里，可以從物理層面切斷外部風險，實現完全自主可控。但不足之處在于，可以承載OpenClaw的硬件成本高、模型能力受限，且需要用戶有一定的技術能力去部署以及進行后期維護。

其二是在公有云廠商的專屬實例、私有區部署模型，數據與其他租戶物理隔離，也就是在不放棄云端能力的前提下，讓用戶充分控制智能體的權限、隱私、操作邊界。

其好處為數據隔離更加安全靈活，對用戶自己的設備、技術水平要求低，且能支持模型的持續迭代更新。不過這種方案的價格也相對較高，需長期租用，且因為底層依賴云廠商，部分智能體的規則無法自定義，可控性較低。

綜合來看，這兩大思路的不足之處正是OPC（一人公司）、個人用戶“養龍蝦”的核心痛點所在：既要保證安全，又要有一定技術儲備，既想省心又想省錢，既想要高效又擔心數據泄漏。

EdgeClaw Box就是為了解決這些問題，讓開發者找到安全、成本、性能之間的平衡。

首先是最重要的安全，EdgeClaw Box雙管齊下，既支持模型在本地部署，還有額外的安全機制疊加。該系統可以根據用戶的輸入推薦敏感詞模糊化處理等模型工作模式，例如，當你上傳投資報告讓AI分析時，AI在識別到里面的公司名稱、創始人名字等敏感信息時，就會自動進行敏感信息模糊化再進一步分析。

其次是省錢，用戶可以根據任務的難易程度選擇云上還是本地的模型執行，使其經濟效益最大化。此外，專業開發者也可以自己下載開源的EdgeClaw部署在自己的硬件里。

至于最后的性能，就需要EdgeClaw Box的實操案例說明。

二、通用、專業Skills雙加持，讓智能體操作安全與效率并重

對于“養龍蝦”而言，技能越扎實、越貼近真實工作場景，其實用價值就越高。因此，面壁為其打造了通用和專業的雙層Skills體系，即能滿足用戶高頻、重復、耗時的通用需求，還能搞定用戶特定專業場景的難題。

通用Skills包括會議紀要生成、內容協作、錄音轉寫、郵件起草恢復、日程管理等，專業Skills首發投資分析、倉庫管理、數據質檢、業務審計等Skills，未來還會在Skills商店繼續增加。

這些專用Skills的能力也是EdgeClaw Box區別于市面上其他“龍蝦”產品的關鍵。

投資分析Skill中，有頭部VC投資經理提出需求：讀取”/home/clawbox-01/BP/Chicken_BP.md”，結合小雞公司的BP數據，幫我分析公司的核心財務指標。EdgeClaw Box會率先自動解析文檔并進行脫敏處理。

可以看到，在分析過程中，EdgeClaw在不同階段分別選擇了端云協同、完全本地的方式。如分析特定賽道情況、團隊背景調研等任務時，該系統會選擇端云協同，并針對信息是否敏感進行自動分層；對于設計項目核心數據、查閱機構歷史數據等階段，其會在本地進行檢索分析，不上云。

這使得OPC或者個人開發者在執行任務時，EdgeClaw Box能按需調度資源，并對敏感信息進行分級，兼顧安全與效率。

【視頻】

數據質檢Skill中，某大模型語音數據平臺主管需要每天監控多個數據任務并行運行，還要每周給算法團隊、數據團隊輸出質量結論和隔離建議。智能體會實時監測4條任務線，并能通過本地篩選即使提醒異常情況，這里主要針對的是重復樣本、字段缺失等高頻標準化質檢系統，這些檢測在本地就可以完成。

如果遇到更為復雜的問題時，如智能體檢測到TTS客服播報批次出現連續讀音問題，在用戶點擊“深度分析”后，其會對這部分問題進行綜合分析并聯動其他問題判斷是否要暫停任務線。最后，該系統還會自動匯總當天異常、風險任務等生成簡報。

這一過程中，智能體不僅可以在本地完成高頻、標準化的質檢環節，還能在遇到復雜問題時跨任務、跨維度綜合判斷給出專業建議，兼顧成本與效率。

【視頻】

想要做出上面這樣既能端云協同，又能兼顧通用與專業場景的智能體并不容易，除了上文提到的通用、專業Skills加持，還得益于EdgeClaw Box背后的幾大殺手锏。

首先是背后的模型性能足夠強。基于EdgeClaw Box，開發者既能使用頂尖端側模型面壁智能「小鋼炮」MiniCPM系列全家桶，還可以無縫切換Kimi、MiniMax、Claude、GPT、Qwen、GLM等主流第三方模型。

這使得智能體離線狀態下可以完全在本地運行，既省錢又省電，遇到復雜任務就可調用云端大模型完成。值得一提的是，用戶數據全程不經過任何第三方服務器，能實現真正意義上的物理隔離。

其次就是不限定硬件，可以多設備部署。面壁已經在面壁智能自研的松果派以及英偉達DGX Spark、蘋果Mac Mini等主流硬件上都做了軟件預裝適配，可廣泛兼容。這些設備搭載EdgeClaw后可以升級為私有化AI工作站。

基于此，EdgeClaw Box就能將AI的自主權、成本、算力、數據安全邊界都交給用戶自己。

三、端側小模型優勢加持，讓安全養龍蝦人人可玩

OpenClaw的走紅，可以將其定義為智能體從能聊天走向會執行的關鍵里程碑，但隨之而來的權限失控、數據泄露、惡意插件等風險，也為整個行業敲響了安全警鐘。

這一背景下誕生的EdgeClaw Box，更像是站在OpenClaw的技術基石之上，褪去極客玩具屬性，進化為真正面向真實場景、安全可控、高效實用的新“龍蝦”方案。

事實上，EdgeClaw繼承了OpenClaw的核心能力，包括入口層支持微信、飛書、Telegram等即時通信工具接入能力，調度層不綁定特定大模型，執行層支持瀏覽器操作、文件讀寫、API調用等，以及Skills擴展生態。

在這之上，面壁圍繞著安全為其添磚加瓦，核心創新在于面壁自研的隱私路由中間件。

研究人員在OpenClaw執行流程中植入Hook，EdgeClaw能自動將每一條用戶消息、工具調用參數和Agent輸出按敏感程度分為S1-默認模式、S2-脫敏模式、S3-安全模式三個等級，S1和脫敏后的S2可以上傳到云端大模型，S3則完全留在本地、由預裝的MiniCPM模型離線處理。

與此同時，EdgeClaw還搭載“雙軌記憶”機制，云端模型只能看到脫敏后的對話歷史，只有本地模型能訪問包含完整信息的記憶內容，杜絕隱私數據通過上下文窗口泄露給第三方云服務的風險。

而這一切的關鍵，在于端側模型性能足夠強大，可高效完成更多任務，真正為用戶降本增效。

目前，根據官方信息，面壁智能是中國除阿里外唯一開源了10B以下小模型全家桶（文本、視覺/多模態、語音、全模態）的AGI廠商，其開源的端側模型基于架構創新，在高效推理、性能上實現了突破。今年2月，面壁開源的稀疏與線性混合注意力模型MiniCPM-SALA，讓9B端側模型能夠在5090顯卡上處理百萬長文本。

▲研究人員使用NVIDIA RTX 5090 GPU對MiniCPM-SALA（9B）和Qwen3-8B進行了基準測試

此次EdgeClaw Box的發布，不僅是面壁智能將高性能端側模型與可執行、可落地的AI智能體深度融合的一次關鍵實踐，更為安全可控、自主私有化的智能體走向大眾化、實用化打開了重要入口，未來有望催生出更多全新的創新應用場景。

結語：安全養蝦新范式：EdgeClaw讓AI不止安全還更強大

這一波養龍蝦熱潮下各類安全事故集中爆發，讓人們清醒意識到，AI智能體越能干，風險就越直接。

EdgeClaw的推出，在行業層面真正補齊了AI智能體從嘗鮮玩具走向生產力工具的關鍵安全短板，為個人、企業及行業場景提供了安全、可用、可擴展的端側智能體落地路徑。