ClawdBot隐私优先设计：不存储消息的AI助手搭建教程

导读：你是否担心聊天记录被上传、模型调用留下痕迹、AI助手悄悄记住你的每一句话？ClawdBot 不是另一个云端黑盒，而是一个真正属于你自己的、运行在本地设备上的 AI 助手——它默认不存储任何用户消息，所有推理在本地完成，连日志都可设为“阅后即焚”。本文将手把手带你从零部署一个真正隐私可控的 AI 助手，全程无需注册、不传数据、不依赖外部 API，5 分钟完成，10 分钟就能开始安心对话。（基于 ClawdBot 2026.1.24-3 版本实测）

---

1. 为什么需要“不存储消息”的AI助手？

1.1 当前AI助手的隐性风险

市面上大多数 AI 助手（包括网页版、App、甚至部分本地化工具）存在三类隐蔽但关键的数据风险：

• 消息缓存不可控：用户输入的文字、图片、语音，在传输、处理、响应过程中可能被临时写入内存、磁盘日志或调试缓存，重启后仍残留；
• 会话上下文持久化：为实现“连续对话”，系统常将历史消息自动保存至数据库或 JSON 文件，即使你没主动点击“保存”；
• 模型层无感知透传：部分本地封装工具仅代理请求到远程模型服务（如 OpenAI、Claude），用户消息实际已离开设备。

这些行为未必出于恶意，但与“隐私优先”原则相悖——你有权决定自己的数据是否留存、留存多久、以何种形式存在。

1.2 ClawdBot 的隐私设计锚点

ClawdBot 将“不存储”作为默认行为而非可选开关，其核心隐私机制体现在三个层面：

层级	默认行为	可配置性	技术说明
消息生命周期	输入即处理，响应即丢弃；不写入任何持久化存储	可开启 ephemeral: true 强制内存级销毁	所有用户消息仅驻留于 vLLM 请求队列中，响应返回后立即 GC
日志记录	仅记录启动/错误事件，不记录任何用户输入、模型输出、对话内容	可关闭全部日志（logLevel: "none"）	日志路径 /app/logs/ 下无 messages.log 或 chat_history.json 类文件
模型交互	后端完全由本地 vLLM 提供，不调用任何外部模型 API	不支持远程模型代理（避免意外透传）	模型加载路径为 vllm/Qwen3-4B-Instruct-2507，运行于 http://localhost:8000/v1

这不是“承诺不作恶”，而是架构上无法作恶——没有存储位置，就没有泄露可能。

---

2. 一键部署：5分钟跑起你的私人AI助手

2.1 环境准备（极简要求）

ClawdBot 对硬件要求友好，实测可在以下环境稳定运行：

• 最低配置：4 核 CPU + 16GB 内存 + 20GB 空闲磁盘（含模型缓存）
• 推荐配置：8 核 CPU + 32GB 内存 + NVMe SSD（提升多并发响应速度）
• 操作系统：Ubuntu 22.04 / Debian 12 / macOS Monterey+（Apple Silicon 原生支持）
• 不支持：Windows（暂无 WSL 兼容优化）、树莓派（vLLM 未适配 ARM64 推理）

提示：无需 Python 环境、无需手动安装 CUDA、无需配置模型权重——所有依赖已打包进镜像。

2.2 三步启动命令（复制即用）

打开终端，依次执行以下命令（无需 root 权限）：

# 1. 拉取镜像（约 1.2GB，首次需下载）
docker pull clawdbot/clawdbot:latest

# 2. 创建并启动容器（自动映射端口、挂载配置目录）
docker run -d \
  --name clawdbot \
  -p 7860:7860 \
  -p 8000:8000 \
  -v ~/.clawdbot:/app/workspace \
  -v ~/.clawdbot/config:/app/config \
  --restart=unless-stopped \
  clawdbot/clawdbot:latest

执行完成后，ClawdBot 已在后台运行。
注意：~/.clawdbot 是你本地的配置与工作目录，所有数据仅存于此，不会上传、不会同步、不会备份。

2.3 首次访问与设备授权

ClawdBot 采用设备级鉴权机制，确保只有你授权的终端才能访问控制台：

# 查看待批准的设备请求（首次启动后自动生成）
clawdbot devices list

你会看到类似输出：

ID         Status     Created              IP Address
abc123...  pending    2026-01-24 14:22:05  192.168.1.100

执行批准命令（将 abc123... 替换为你的实际 ID）：

clawdbot devices approve abc123...

完成后，打开浏览器访问：http://localhost:7860
若提示 token，运行 clawdbot dashboard 获取带 token 的链接（如 http://localhost:7860/?token=235881...）

关键确认点：页面左下角显示 Privacy Mode: ON 且 Storage: Local Only，即表示隐私模式已激活。

---

3. 隐私验证：亲眼确认“消息真的没被存”

3.1 实时检查消息存储路径

ClawdBot 的设计哲学是“所见即所得”。我们直接查看其工作目录，验证无消息残留：

# 进入配置目录
cd ~/.clawdbot

# 查看 workspace 下是否有聊天记录？
ls -la workspace/
# 输出示例：total 8
# drwxr-xr-x 2 work work 4096 Jan 24 14:25 .
# drwxr-xr-x 3 work work 4096 Jan 24 14:25 ..
# # → 空目录！无 chat_history、no messages、no logs

# 查看 config 目录下的配置文件
cat config/clawdbot.json | grep -A5 "privacy"

你会看到如下关键配置（默认启用）：

"privacy": {
  "ephemeral": true,
  "logMessages": false,
  "disableHistory": true
}

ephemeral: true = 消息仅存活于内存，响应后立即释放
logMessages: false = 绝不记录用户输入与模型输出
disableHistory: true = 界面不保存对话历史（刷新即清空）

3.2 抓包验证：消息不出设备

使用 tcpdump 或 Wireshark 捕获本机网络流量（过滤 port 8000 or port 7860）：

• 发送一条测试消息：“今天天气怎么样？”
• 观察抓包结果：仅有 localhost → localhost 的内部通信（vLLM 服务调用）
• 无任何向外 DNS 查询、无 HTTPS 请求、无 IP 连接目标
• 所有流量均在 127.0.0.1 内闭环完成

验证结论：ClawdBot 是真正的“离线优先”架构——模型推理、前端交互、状态管理全部发生在单设备内，物理上隔绝外部网络。

---

4. 模型替换与轻量优化：让Qwen3-4B真正为你所用

4.1 为什么选 Qwen3-4B-Instruct-2507？

ClawdBot 默认集成 vllm/Qwen3-4B-Instruct-2507，该模型在隐私场景下具备三大优势：

• 体积精悍：4B 参数量，显存占用仅 ~6GB（A10G），远低于 7B/13B 模型，降低本地运行门槛；
• 指令对齐强：专为对话优化，对“不存储”“不记忆”“只回答当前问题”等指令理解准确；
• 中文原生友好：无需翻译提示词，直接输入“帮我写一封辞职信”，即可生成专业、得体、符合中文职场语境的文本。

4.2 安全替换模型（不改代码、不重装）

ClawdBot 支持热更新模型配置，全程无需停机：

方法一：修改 JSON 配置（推荐）

编辑 ~/.clawdbot/config/clawdbot.json，定位 models.providers.vllm.models 数组：

{
  "models": {
    "providers": {
      "vllm": {
        "baseUrl": "http://localhost:8000/v1",
        "apiKey": "sk-local",
        "models": [
          {
            "id": "Qwen3-4B-Instruct-2507",
            "name": "Qwen3-4B-Instruct-2507",
            "quantization": "awq"  //  启用 AWQ 量化，显存再降 30%
          }
        ]
      }
    }
  }
}

保存后执行重载命令：

clawdbot models reload

控制台右上角提示 Models reloaded successfully，新配置即时生效。

方法二：UI 界面操作（零命令行）

• 访问 http://localhost:7860 → 左侧菜单 Config → Models → Providers
• 在 vllm Provider 下点击 Edit
• 将 Model ID 字段改为 Qwen3-4B-Instruct-2507，勾选 Enable quantization (AWQ)
• 点击 Save & Reload

注意：ClawdBot 不支持上传自定义模型文件。所有模型通过 Hugging Face Hub 自动拉取，路径固定为 vllm/{model_id}，确保来源可信、过程可审计。

4.3 验证模型加载成功

执行命令确认模型已就绪：

clawdbot models list

输出应包含：

Model                                      Input      Ctx      Local Auth  Tags
vllm/Qwen3-4B-Instruct-2507                text       195k     yes   yes   default

Local Auth: yes 表示模型完全本地加载，未连接外部服务
Ctx: 195k 表示上下文长度达 195,000 tokens，足够处理长文档摘要、代码审查等任务

---

5. 日常使用指南：如何真正“放心对话”

5.1 界面操作：每一次对话都是干净的起点

ClawdBot Web UI 设计遵循“无痕交互”原则：

• 无历史列表：左侧无“昨日对话”“最近会话”等栏目，每次打开均为全新空白页；
• 无导出按钮：界面不提供“导出聊天记录”“保存为 Markdown”等功能，从源头杜绝误存；
• 发送即销毁：点击发送后，输入框自动清空，且浏览器本地存储（localStorage）中不保存任何消息副本。

使用建议：将 ClawdBot 作为“一次性问答工具”——问完即走，无需清理，因为本就不留痕迹。

5.2 高级隐私设置（按需开启）

如需进一步加固，可在 clawdbot.json 中添加以下配置：

"security": {
  "memoryWipe": true,        // 响应后强制清空内存缓冲区
  "disableTelemetry": true,  // 彻底禁用所有遥测（默认已关闭）
  "sandboxMode": true        // 启用严格沙箱，禁止模型访问文件系统
},
"privacy": {
  "ephemeral": true,
  "logMessages": false,
  "disableHistory": true,
  "autoPurgeInterval": "30s"  // 每30秒自动清理内存残留（推荐值）
}

🛡 效果：即使遭遇极端内存泄漏，30 秒后所有残留数据自动归零。

5.3 与 Telegram 等渠道联动的隐私提醒

ClawdBot 支持扩展频道（如 Telegram），但请注意：

• Telegram 配置需手动填写 botToken，该 Token 仅用于接收消息，ClawdBot 不会将其上传至任何服务器；
• 所有消息经 Telegram Bot API 到达本地后，立即进入 ephemeral 处理流，不落盘、不缓存、不转发；
• 若你在国内使用，建议搭配本地 SOCKS5 代理（如 Clash）配置 proxy 字段，确保流量不出境。

重要提醒：ClawdBot 本身不提供 Telegram 服务，仅作为消息处理器。Telegram 平台侧的数据政策由其官方制定，ClawdBot 仅保证自身处理环节零存储。

---

6. 总结：你掌控的，才是真正的AI助手

ClawdBot 不是一个功能堆砌的“全能机器人”，而是一把精准设计的“隐私钥匙”——它用最克制的架构，兑现了最根本的承诺：你的消息，只属于你。

• 不存储：默认关闭所有消息持久化，无数据库、无日志、无缓存；
• 不外传：vLLM 完全本地运行，无远程 API 调用，无第三方模型依赖；
• 不记忆：每轮对话独立处理，上下文不跨请求保留，刷新即重置；
• 可验证：所有配置开源可见，所有路径本地可查，所有流量本地可捕。

这并非技术炫技，而是对数字时代基本权利的回归：当 AI 成为日常工具，你理应拥有对它的完全主权。

现在，你已经拥有了这样一个助手。接下来，不需要学习复杂参数，不需要研究提示工程——只需打开 http://localhost:7860，输入第一个问题，然后安心等待答案。因为你知道，那个答案，只为你生成，也只为你存在。

---

> **获取更多AI镜像**
>
> 想探索更多AI镜像和应用场景？访问 [CSDN星图镜像广场](https://ai.csdn.net/?utm_source=mirror_blog_end)，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。