开篇：那份让我警觉的数据

4月初，我在整理卷卷的调用日志。

翻到一条记录：

2026-04-03 14:23:11
任务：分析这份合同的风险条款
模型：claude-sonnet
Input：合同全文，8,200 tokens
成本：$0.025

我盯着这条记录看了很久。

合同全文。

发到了 Anthropic 的服务器。

我突然意识到：我把客户的合同发给了一个美国公司的 AI。

这不是我想要的。

---

---

第一课：哪些数据不应该上云

做了十年风控，我对数据分级很敏感。

三类：

绝对不上云

• 客户合同、协议
• 财务数据、账单
• 内部系统的配置和密钥
• 个人身份信息

谨慎上云

• 内部技术方案（脱敏后可以）
• 工作邮件（删除敏感信息后可以）
• 代码（删除密钥和配置后可以）

可以上云

• 公开信息的分析
• 通用技术问题
• 创作类任务

以前，我没有区分。所有任务全部发给云端模型。

这是个安全漏洞。

---

第二课：0412 的 LM Studio 接入

4月12日，OpenClaw 0412 上线了一个我等了很久的功能：

Models/providers: add a bundled LM Studio provider with onboarding, runtime model discovery, stream preload support, and memory-search embeddings for local/self-hosted OpenAI-compatible models.

LM Studio 本地模型，正式接入 OpenClaw。

LM Studio 是什么？

一个在你自己的电脑上跑 AI 模型的工具。模型跑在本地，数据不出你的电脑。

就这么简单。

---

第三课：本地模型 vs 云端模型

先说清楚差距在哪。

能力对比

维度	本地模型（LM Studio）	云端模型（GPT-4/Claude）
推理能力	中等	强
速度	取决于硬件	快
成本	电费（约 $0）	按 token 计费
隐私	数据不出本地	数据发到云端
可用性	离线可用	需要网络
上下文长度	受内存限制	通常更长

我的 Mac 实测

硬件：MacBook Pro M3 Max，128GB 内存

测试模型：Qwen2.5-14B-Instruct（约 9GB）

任务：分析一份 3000 字的合同
本地模型：45 秒，质量：够用
云端 Claude Sonnet：8 秒，质量：更好

任务：总结一份会议纪要
本地模型：12 秒，质量：很好
云端 GPT-4o mini：3 秒，质量：很好

任务：代码 Review（200 行）
本地模型：30 秒，质量：够用
云端 Claude Sonnet：10 秒，质量：更好

本地模型慢一些，但对于隐私敏感任务，这个代价值得。

---

第四课：配置步骤

第一步：安装 LM Studio

下载地址是 lmstudio.ai。

装完之后，下载你需要的模型。

我用的：

• Qwen2.5-14B-Instruct（通用任务）
• Qwen2.5-Coder-7B（代码任务）

第二步：启动本地服务器

打开 LM Studio，点 Local Server，点 Start Server。

默认端口：1234。

第三步：在 OpenClaw 配置

0412 版本有了官方 bundled provider，配置比以前简单多了。

在 OpenClaw 配置文件里加：

models:
  providers:
    lmstudio:
      enabled: true
      baseUrl: "http://localhost:1234/v1"
      embeddings:
        enabled: true

配置完运行 openclaw configure，会自动发现本地模型。

第四步：验证

openclaw models list

能看到本地模型出现了：

lmstudio/qwen2.5-14b-instruct  ← 本地
lmstudio/qwen2.5-coder-7b       ← 本地
openai/gpt-4o                   ← 云端
anthropic/claude-sonnet          ← 云端

---

第五课：我的混合模型策略

有了本地模型，我重新设计了路由规则。

def route_model(task_type, data_sensitivity):
    # 数据敏感性优先
    if data_sensitivity == "HIGH":
        return "lmstudio/qwen2.5-14b"  # 本地，数据不出门

    # 再看任务复杂度
    if task_type == "complex_reasoning":
        return "anthropic/claude-sonnet"
    elif task_type == "code_review":
        return "lmstudio/qwen2.5-coder-7b"
    elif task_type == "simple":
        return "openai/gpt-4o-mini"

    return "anthropic/claude-haiku"

## 模型路由规则

### 本地模型（lmstudio）
适用：客户信息、财务数据、内部配置、含业务逻辑的代码 Review

### 云端模型
适用：通用技术问题、创作、需要最新知识、对速度要求高的任务

---

第六课：0412 的另一个重要更新——插件加载优化

0412 除了 LM Studio，还做了一个我觉得很重要的优化：

Plugins/loading: narrow CLI, provider, and channel activation to manifest-declared needs, preserve explicit scope and trust boundaries

翻译成人话：插件现在只加载它声明需要的东西，不再全量加载。

以前，我只用了飞书插件，但 OpenClaw 启动时会把所有插件的运行时都加载进来。内存占用高，启动慢，还有安全隐患。

0412 之后，每个插件在 manifest 里声明自己需要什么，只加载声明的部分。

实测效果：

0411 版本启动时间：23 秒
0412 版本启动时间：11 秒
内存占用：减少约 30%

这个优化比很多新功能更实用。

---

第七课：本地模型的成本账

算一笔账。

硬件（MacBook Pro M3 Max，已有）：$0

电费：

M3 Max 跑本地模型功耗约 40W，每天用 2 小时，每月电费大概 $0.3。

节省的云端成本：

我每月有约 $30 的任务适合本地处理（合同分析、代码 Review 等）。现在用本地模型：$0。

每月净节省：约 $29.7

但更重要的是：

那些合同、那些财务数据，不再发到云端了。

这个价值，没法用钱衡量。

---

第八课：什么时候不该用本地模型

本地模型不是万能的。

不适合的场景：

1. 需要最新知识 本地模型的训练数据有截止日期，不知道最新的事情。
2. 复杂推理任务 14B 的模型，推理能力比 GPT-4 差一个档次。技术方案设计、深度分析，还是用云端。
3. 速度要求高 本地模型慢，快速响应需求用云端。
4. 上下文很长 本地模型受内存限制，超长上下文处理不了。

我的原则：

隐私优先，能力够用就行。

够用的模型 + 数据安全 > 最好的模型 + 数据泄露风险。

---

第九课：风控人的数据安全思维

做风控，我们有一个基本原则：

最小权限原则。

给系统的权限，只给它完成任务所需的最小权限。不多给，不乱给。

这个原则，同样适用于 AI。

给 AI 的数据，只给它完成任务所需的最小数据。不需要上云的，不上云。不需要知道的，不告诉它。

数据安全不是偏执，是专业。

---

写在最后

从第一篇到第十五篇，我写了四个月。

这四个月，我对 AI 的理解变了很多。

最开始，我觉得 AI 就是一个聊天工具。

现在，我把它当成一个需要认真管理的系统：

• 权限要管（第十四篇：记忆边界）
• 成本要管（第十一篇：成本管控）
• 数据要管（本篇：本地模型）
• 工具链要管（第十二篇：工具链）

养虾，不只是喂食。

是水质、温度、光照、密度，每一个细节都要管。

养 AI，也一样。

---

---

本地模型配置检查清单

硬件准备

• 确认内存（建议 16GB 以上）
• 确认存储空间（每个模型 4-20GB）
• 确认 GPU/NPU 支持（Apple Silicon 最佳）

LM Studio 配置

• 安装 LM Studio
• 下载适合硬件的模型
• 启动本地服务器（默认端口 1234）
• 测试本地服务器可访问

OpenClaw 配置

• 在配置文件添加 lmstudio provider
• 启用 memory-search embeddings（0412 新功能）
• 运行 openclaw configure
• 验证模型列表包含本地模型

路由规则配置

• 定义数据敏感性分级
• 配置敏感数据 → 本地模型
• 配置复杂任务 → 云端模型
• 测试路由规则是否生效

安全验证

• 确认敏感任务不调用云端 API
• 查看调用日志，验证路由正确
• 每月 review 一次路由规则

---

下篇预告

《季度总结——从「养虾」到「养生态」》

• 15 篇写下来，我学到了什么
• 卷卷现在的完整配置
• 我的 AI 工作流全貌
• 给想开始的人的建议

不是所有人都需要走我走过的路。但如果你想开始，这篇会告诉你从哪里开始。

---

系列文章

• 第01篇：养了10年风控，今年开始养「虾」了
• 第02篇：SOUL.md 写作指南
• 第03篇：USER.md 深度配置
• 第04篇：MEMORY.md 深度配置
• 第05篇：AGENTS.md 工作协议
• 第06篇：Skills 技能扩展
• 第07篇：Multi-Agent 协作
• 第08篇：Memory 自动化
• 第09篇：渠道配置完全指南
• 第10篇：踩坑实录
• 第11篇：成本管控
• 第12篇：进阶工具链
• 第13篇：Active Memory 深度玩法
• 第14篇：记忆迁移
• 第15篇：本地模型接入（本篇）
• 第16篇：季度总结（下一篇）

---