面壁智能开源EdgeClaw框架，通过三级安全协同与性价比感知机制，解决OpenClaw数据泄漏和高成本问题
OpenClaw 火了，但用户很快发现两个硬伤：个人数据会被上传到云端大模型，以及超长上下文导致 token 消耗惊人。
3月19日，面壁智能联合清华、人大等机构开源了 EdgeClaw——一个基于 OpenClaw 的安全高效端云协同智能体框架。核心卖点就两个字：安全 和 省钱。
EdgeClaw 最大的创新是三级安全分类，自动判断数据敏感程度：
技术实现上，EdgeClaw 使用了双检测引擎：
两个引擎可以叠加使用，灵活配置。更关键的是，EdgeClaw 维护了双轨记忆——云端模型只能看到脱敏后的对话历史，本地模型才能访问完整信息。
大部分 AI 编程助手的请求其实很简单——查文件、看代码、简单问答。用最贵的模型处理这些任务纯属浪费。
EdgeClaw 的做法是：用本地小模型做 LLM-as-Judge，把请求按复杂度分级路由到不同价位的云端模型。
实测数据显示，在典型编程助手工作流中，60-80% 的请求可以路由到更便宜的模型，成本直接砍半。
两个机制不是独立运行的，而是在同一管线中协同工作：
这种设计遵循安全优先原则——不会为了省钱牺牲数据安全。
EdgeClaw 以 OpenClaw 插件形式加载，开发者无需修改业务逻辑。配合端云协同的智能转发能力，实现"公开数据上云、敏感数据脱敏、私密数据落地"的无感切换。
目前已支持部署在 DGXSpark、MacMini 等桌面端设备上。
适合谁？
核心优势：
局限性：
团队透露后续会推出：
EdgeClaw 的出现，让"既要安全又要省钱"不再是二选一的难题。对于那些因为数据安全顾虑而不敢用 OpenClaw 的企业，这可能就是他们等待的解决方案。
浙大开源EasySteer，基于vLLM的高性能LLM Steering框架，无需微调即可精准控制模型行为
北邮、北大团队提出 STAGE 框架，通过预测「起始-结束帧对」解决多镜头视频连贯性问题，已录用至 CVPR 2026。
深度解析 Claude Code 的 10 个隐藏命令，从代码审查到自动化测试，帮助开发者充分发挥 AI 编程助手的潜力
