## CorpClaw-Lite：OpenClaw 的企业级安全替代品
像 OpenClaw 这样流行的 LLM 代理突显了安全风险和单用户架构问题。CorpClaw-Lite 为企业场景提供解决方案，重点强调隐私和数据保护。该项目开源，并突出三个关键特性：安全性、多用户模式以及对本地模型的支持。
流行 LLM 代理的隐患
OpenClaw 及其衍生项目在 2026 年初流行起来，它们证明了使用 LLM 实现任务自动化是可行的，但也暴露了严重缺陷。主要问题包括：
- 缺乏用户隔离：代理在本地运行，没有工作区分离，导致数据泄露。
- 安全漏洞：已知案例包括文件被删除以及数据发送给错误接收者。
- 对本地模型支持有限：云端 LLM 占据主导，但本地模型（4-8B 参数）在复杂场景中往往因上下文限制而表现不佳。
OpenClaw 的架构从一开始就不是为多用户设计的。每次运行都是单用户独立实例。对于企业使用，这无法满足隐私和访问管理要求。
安全架构：隔离与访问控制
CorpClaw-Lite 在架构层面解决这些问题。主要组件：
严格的容器隔离。 每个用户在独立的 Docker 容器中工作，容器使用 network_mode: none —— 完全禁止网络访问。用户文件存储在隔离工作区，仅挂载到其容器。这防止了用户间数据交叉。所有网络操作（如网页请求）均卸载到主机或远程 MCP 服务器。通信使用 HMAC-SHA256 签名和重放攻击防护进行加密。
基于角色的访问控制 (RBAC)。 项目支持 10 个部门，每个部门有专属工具集和限制（迭代次数、工具调用、执行时间）。例如，会计无法看到他人工作区的 search_files 工具，人事秘书也无法运行 exec_script。
ToolGuard —— 多级工具验证。 在每次工具调用前，系统根据规则检查。实现了 20+ 个 YAML 规则，使用 regex 模式，按威胁级别分类：
CRITICAL：自动阻断（如rm -rf）HIGH/MEDIUM：用户确认提示INFO：记录日志
此外，使用 Smart Approvals：LLM 评估命令风险。如果安全，则自动执行。对于模糊操作，用户通过 Telegram 的内联按钮收到确认提示。
本地模型协作：稳定性和灵活性
CorpClaw-Lite 针对本地 LLM 进行了优化。主要方案：
XML 工具调用。 对于不支持原生函数调用的模型，通过 XML 解析工具调用：
<invoke><name>read_file</name><arguments>{"path": "report.xlsx"}</arguments></invoke>采用双层解析：原生 SDK → XML 备选 → JSON 修复循环。即使在 Qwen3.5 9B Q4_K_M 量化等较弱模型上，也能确保稳定运行。
LLM 路由器。 通过 YAML 配置将任务路由到不同模型：
- 视觉任务 —— 路由到视觉模型
- 数据整合 —— 路由到小型本地模型
- 复杂代理链 —— 路由到强大模型
校准系统。 云端模型分析本地模型处理典型场景的表现，并自动调整系统提示、工具描述和少样本示例。校准后，无需云端模型 —— 所有负载转向本地。校准仅修改 YAML/Markdown 配置，不触及 Python 代码。
上下文与内存管理
为维持长时间会话的性能，实现了以下机制：
- 上下文整合。 每 50 条消息，LLM 生成摘要以压缩累积上下文。该过程有冷却期，且在活跃工作流中不触发。
- 上下文压缩。 达到最大上下文 80% 时，应用三级压缩：
1. 修剪旧工具结果
2. 数据清理
3. LLM 对中间部分摘要，同时保留开头和结尾
- 事实库。 长期数据存储在 SQLite 中。代理可读写用户专属事实，扩展个性化指令。
子代理：提升本地 LLM 稳定性
本地模型的主要问题是上下文和工具数量增加时性能退化。CorpClaw-Lite 使用子代理分担职责：
主代理将任务委托给子代理，子代理具有：
- 隔离上下文
- 有限工具集
- 特定指令和关联技能
完成后，子代理将结果返回主代理。这可节省 60-80% 上下文窗口，并提升稳定性。
已实现 5 个子代理：
| Subagent | Tools | Purpose |
|----------------------|--------------------------------------------------------------------------|--------------------------------|
| filesystem-agent | read_file, list_files, search_files, write_file, edit_file | 文件操作与搜索 |
| document-agent | read/write/edit_file, normalize_excel, list_files | 文档处理 |
| execution-agent | exec_script, write_file, read_file | 脚本执行 |
| research-agent | web_fetch, read_file, search_files, memory | 网页研究 |
| data-agent | table_query, chart_generate, convert_format, pdf_reader, diff_text | 数据分析、SQL、图表 |
优势：本地模型性能更快，上下文更少。缺点：可能输入指令不足，通过技能和隔离机制弥补。
通过 Telegram 实际使用
CorpClaw-Lite 通过 Telegram 机器人进行交互：
- 管理员按 Telegram ID 注册用户并分配角色。
- 首次启动时，用户完成入职引导（6 个偏好问题），生成个性化指令文件。
- 通过机器人命令与代理交互：
/start — 注册与问候
/delete — 交互式文件管理器（仅确认后删除）
/setup — 重复入职引导
/new — 重置对话历史关键用户体验决策：文件删除仅通过交互式 UI 并确认。代理物理上无法响应 LLM 命令删除文件 —— 防范幻觉。在任务期间，机器人显示进度（如 📂 正在读取文件...），让用户看到活动状态。
关键要点
- 容器级隔离 确保用户不共享数据或网络访问。
- ToolGuard 与 Smart Approvals 在执行前阻断危险命令，最小化风险。
- 本地 LLM 优化 通过 XML 工具调用和子代理，实现无需云端 API 的可用性。
- 灵活 RBAC 支持 10 个部门，轻松扩展到业务流程。
- 上下文控制 防止长时间会话性能退化。
— Editorial Team
暂无评论。