我养的龙虾，竟然成为别人隐私数据的“饲料”！

养虾热潮中的隐忧与新选择 最近一个月，养虾可谓是AI圈里的热潮，大家都在热衷于这项活动。 像KimiClaw、ArkClaw、MaxClaw和WorkBuddy等品牌层出不穷，各种龙虾产品让人眼花缭乱。<div class="por-maybe-interested"><div class="por-maybe-interested__text">你可能感兴趣：<a href="https://www.2090ai.com/kimiclaw/24944.html">多Agent时代来临！当AI变成你的数字伙伴，普通人该如何把握这些新机遇？</a></div></div> 不过，我在使用这些产品时，确实感受到了一些潜在的风险。 我每天给龙虾提供的数据，包括客户合同、各种资料和计划书等， 这些信息都要经过其他公司的服务器处理。 KimiClaw依赖的是月之暗面的云，ArkClaw则是在字节的云上运行，而WorkBuddy则走的是腾讯的云。 在这个过程中，你的原始数据究竟去了哪里？是否被存储，甚至可能被用来训练模型，这些你都无法得知。 你可能以为自己在养一只专属的虾，但实际上，它的数据并不完全属于你。 因此，今天我想聊聊一个新出现的产品，面壁智能的EdgeClaw Box。 这个产品或许是目前唯一一个认真对待这个问题的选择。 你的数据，究竟应该归你所有吗？ 关于养虾的三个必须面对的问题 首先要关注的是数据的安全性。 工信部现在已经开始关注龙虾类产品的安全问题了。 <img decoding="async" src="https://www.2090ai.com/wp-content/uploads/2026/04/image-tXXkEI.webp" loading="lazy" alt="我养的龙虾，竟然成为别人隐私数据的“饲料”！"> 想象一下，如果让龙虾给你分析一份投资报告，这感觉怎么样？ 报告上面有公司名、客户信息、财务数据，这些信息可都是经过其他服务器处理的。 你敢保证整个过程是百分之百安全的吗？ 我在工作中用OpenClaw，深知大家对此事有多么紧张。 接下来我们聊聊模型绑定的问题。 KimiClaw只能使用Kimi的模型，而ArkClaw绑定的是字节的模型。 时间久了你会发现，其实你是在被迫使用这个厂商的AI，想换模型的成本高得吓人。 还有一个问题就是费用。 试想一下，用任何一个云端Claw产品完成一个简单的任务。 一次对话可能会消耗1.6万个token，差不多需要两三块钱。 听上去好像不算多吧？ 可如果你是个自由职业者，每天让龙虾处理多个任务，那情况可就不一样了。 一个月下来，仅仅token费用就会让你心疼不已。 用得越多，花费也越多，这种模型对个人用户来说其实并不友好。 所以现在的情况就是，数据没安全保障，模型切换麻烦，token费用还高。 你越依赖这些云端龙虾，你的数据就越不在你自己手上。 EdgeClaw Box是如何保护你的数据的呢？ <h2>EdgeClaw Box：你的数据保护小助手</h2> 说到EdgeClaw Box，它的核心特点就是“两栖龙虾”这四个字。 那么这是什么意思呢？其实市面上的Claw产品大致可以分为两种类型。 一种是完全依赖云端的，比如KimiClaw和ArkClaw，这种情况下，你的数据都得通过别人的服务器，万一断网就完全瘫痪了。 另一种则是纯本地的，虽然数据保密得很好，但本地的小模型处理能力有限，复杂任务根本无法完成。 而EdgeClaw Box里面的EdgeClaw，正是唯一一个可以同时在两种环境中运行的。 它本地搭载了面壁自家的MiniCPM小钢炮系列模型，简单的任务可以直接在你的设备上完成，数据一字不出门，当然也不需要额外花钱。 而如果遇到需要更强大模型的复杂任务，你可以联网使用<a href="https://www.2090ai.com/claude/" title="Claude">Claude</a>、GPT、Kimi或Qwen，随心所欲选择，不用担心被锁住。 其实，“两栖”并不是它最厉害的地方，最牛的是它在处理需要上云的任务时的方式。 EdgeClaw具备一套隐私路由机制，会根据信息的敏感程度将其自动分为三个等级。 S1是默认模式，信息会直接通过云端处理，这样没问题。 S2是脱敏模式，信息会先在本地进行脱敏处理，再发送给云端模型，云端看到的只是经过处理的版本。 S3是安全模式，所有信息完全保留在本地，由预先安装的MiniCPM模型处理，数据不会物理上离开你的设备。 举个例子吧，如果你让龙虾帮你分析一份商业计划书，里面可能包含公司名和创始人的信息。 EdgeClaw会自动识别这些敏感内容，把公司名和人名换成代号，然后再交给云端模型进行分析。 <img decoding="async" src="https://www.2090ai.com/wp-content/uploads/2026/04/image-BZkPBu.webp" loading="lazy" alt="我养的龙虾，竟然成为别人隐私数据的“饲料”！"> <img decoding="async" src="https://www.2090ai.com/wp-content/uploads/2026/04/image-s6XtXS.webp" loading="lazy" alt="我养的龙虾，竟然成为别人隐私数据的“饲料”！"> 你依然能利用分析能力，但云端模型看到的都是脱敏后的数据，而你的原始信息始终安全地保留在自己的设备上。 而且，它还有一个双轨记忆机制。 <h2>关于EdgeClaw的一些重要信息，你得知道</h2> 其实呢，云端模型只能看到经过处理的对话记录，而完整的记忆数据是保存在本地模型里的。 这样一来，隐私数据就不容易通过上下文泄露了，安全性大大提高。 你知道吗？这可不是空谈，而是已经开源的代码，想看都能去GitHub上找到。 还有一点，EdgeClaw并不是某个模型的推广渠道。 它其实就是一个调度平台，让你随时选择最适合的模型。 今天如果Claude最强，那你就用Claude；明天Qwen更好，切换到Qwen，始终用市场上最优秀的工具。 这才是我们应该追求的工具使用方式。 那么，为什么只有面壁能做到这一点呢？ 要搞定这种两栖龙虾的操作，有个硬性要求，就是你得拥有自己的本地模型。 想象一下，如果用户在断网之后只能对着一个空壳发呆，那可真是太糟糕了，所以本地必须有能干活的模型。 这就是为什么大多数做Claw的公司只专注于云端，因为他们缺少本地模型的支持。 面壁是中国除了阿里之外，唯一一个开源了10B小模型全家桶的AI公司。 他们的文本模型是MiniCPM，视觉和多模态模型则是MiniCPM-V系列，还有语音模型VoxCPM，以及全模态模型MiniCPM-o。 <img decoding="async" src="https://www.2090ai.com/wp-content/uploads/2026/04/image-OzTqCN.webp" loading="lazy" alt="我养的龙虾，竟然成为别人隐私数据的“饲料”！"> <img decoding="async" src="https://www.2090ai.com/wp-content/uploads/2026/04/image-BEWDiR.webp" loading="lazy" alt="我养的龙虾，竟然成为别人隐私数据的“饲料”！"> 这意味着EdgeClaw的本地能力在行业中是顶尖的。 还有一个重要的点，EdgeClaw和OpenClaw之间的关系。 很多人可能觉得它们是竞争关系，其实并不是这样。 <h2>EdgeClaw：让数据留在你身边的智能助手</h2> 其实呢，EdgeClaw继承了OpenClaw的所有基础架构，包括接入层、调度层、执行层，还有Skills生态，但它可不是简单的复制粘贴哦，自己加了不少新东西。 比如，EdgeClaw引入了自动安全系统和一整套的面壁模型，真心提升了安全性和智能化。 换句话说，OpenClaw帮你解决了“龙虾怎么干活”的问题，而EdgeClaw则是“龙虾如何安全地干活”。 面壁还把EdgeClaw整合成了一个软硬件一体的设备——EdgeClaw Box，已经预装在一些硬件上，比如松果派、英伟达DGX Spark和Mac Mini，简直方便极了。 只要插上电，就能立马使用，完全不需要你自己去操心安装。 你的数据，凭什么出你的门 到2026年，Claw生态表面上似乎在比拼谁的模型强大，谁的Skills丰富，但其实更深层次的问题是：你的数据掌握在谁的手中。 云端Claw的思路是，你把数据交给我，我会帮你处理得更好。 而EdgeClaw则是把模型带到你家，让它在你的地盘上工作。 你想想，这就好比你去别人公司开会和别人来你公司开会的区别，虽然会议内容一样，但主场完全不同。 养虾这个事情，其实并不复杂，到了2026年，谁都能养得了。 但真正难的是，如何养一只数据不出门的虾。你的文件、记录都在你自己手里，云端只能看到你愿意分享的部分。 现在，EdgeClaw已经开源了，有兴趣的朋友可以去GitHub上找OpenBMB看看哦。 https://github.com/OpenBMB/EdgeClaw 如果你不想自己去折腾安装，那等EdgeClaw Box也不错，插电就能直接开始使用。

来源：百家号

原文标题：凭什么我养的龙虾，隐私数据全喂给别人了

原文链接：https://baijiahao.baidu.com/s?id=1860095658733217831

声明：

文章来自网络收集后经过ai改写发布，如不小心侵犯了您的权益，请联系本站删除，给您带来困扰，深表歉意！