EvoClaw 是一个开源的本地优先 AI Agent Runtime，用 Rust 写。它跑在你自己的机器上，每次任务后会反思+蒸馏成 YAML Skill 写到磁盘，密钥在 runtime 边界处被脱敏所以永远不进入模型 API；同时支持 ACP 与 MCP 两条开放协议，与上游 coding CLI 和第三方工具互通。

EvoClaw 会把我的代码或密钥发到云端吗？

不会。唯一向外的网络调用是你自己配置的模型 API（也可以指本地 Ollama 或任意 OpenAI 兼容端点）。在那次调用之前，所有文本都会过 redactor：vault 命中替换为 dollar SECRET name 占位符，未注册的密钥形状（sk-*、ghp_*、AKIA*、eyJ JWT、高熵串）替换为 REDACTED kind fp 标记。

支持哪些模型和 provider？

DeepSeek、Kimi、Qwen、OpenAI、OpenRouter、Anthropic、GitHub Copilot（OAuth Device Flow），加上任意 OpenAI 兼容本地端点（Ollama、vLLM、llama.cpp）。通过 ACP，agent 循环还可以委托给 Claude Code、Codex、Cursor 或 GitHub Copilot CLI 来跑。

Token 成本是怎么省下来的？

叠加 5 招：schema 哈希指纹（10 轮重置）、ephemeral cache 标记、头加尾观测截断、summary 工作记忆协议、每 5 轮 tag 级周期压缩。叠加之后长任务实测花费降到约 1/3，缓存命中率稳定 ≥ 60 percent。

数据存在哪里？

全部状态在 ~/.evoclaw/ 下：config.toml、logs/{task_id}.jsonl、skills/*.yaml、memory/{L0..L5}.jsonl、secrets/vault.json（chmod 600）、agents/*.toml、mcp/*.toml、cost.jsonl。除了模型 API 调用，没有任何东西出本机。

现在能用于生产吗？

目前是 v0.1.9 阶段。Agent loop / 学习闭环 / Redactor / ACP / MCP 全部已落地，153+ 单元测试全绿。适合个人开发者与小团队尝试；正式生产部署请谨慎分阶段。

EvoClaw — 自主进化的个人 AI 助手（Rust） | 本地优先 · 密钥永不出本机 · ACP / MCP 互通

差距

没有 EvoClaw vs 有了 EvoClaw

SaaS Agent 把每条 prompt 都打进它们的日志，把你的代码索引在它们的服务器上，等你想问"上周二那次任务到底发生了什么"已经无迹可寻。EvoClaw 把这个循环重新接到你自己的机器上。

✕ 没有 EvoClaw

$ cat ~/.bashrc | grep -i token | curl acme-ai.com/chat
!! prompt 已记录到 acme-ai.com:443，每个字节被索引
$ acme-ai chat "修一下生产数据库迁移"
!! GHP_xxxx 在 tool 参数里裸奔，进了厂商后台
$ acme-ai replay last-tuesday
ERROR: 免费版日志只保留 24 小时
$ acme-ai run --offline
ERROR: 后端不可达，账号已暂停
14 prompt 之前 · 花费 ¥13.40 · cache hit 不知道

✓ 有了 EvoClaw

本地优先。唯一向外的网络包是你自己挑的模型 API。其他全部留在 ~/.evoclaw/。
密钥永远不进入模型。两层 redactor 在 6 个边界点幂等地脱敏 prompt、tool 参数与 assistant 回复。
任意会话可回放。每个任务一份 append-only JSONL。evo replay 把上周二那次任务原样还原。
断网模式。把 model.base_url 指到 Ollama / vLLM / llama.cpp，循环不变，无需联网。
长任务花费 ≈ 1/3。5 招叠加，缓存命中率稳定 ≥ 60%。

核心能力

8 个支撑能力。

让一个长跑 Agent runtime 值得你信任、敢让它在真实机器上无人值守地跑 —— 缺一不可。

🌳

自主进化的 Skill Tree

YAML 技能 + 五态 EWMA 生命周期（Draft → Candidate → Active → Degraded → Deprecated）。Active 技能进入下一轮 planner。

🔒

密钥隔离屏障

Vault 命中变 ${SECRET:NAME}；模式兜底变 [REDACTED:kind:fp]。6 个边界点幂等。

📉

Token 经济

Schema 指纹、ephemeral cache、summary 协议、头尾截断、周期压缩。长任务花费 ≈ 1/3。

🧠

分层记忆 L0–L5

Scratch / 偏好 / 环境事实（90 天淘汰）/ 任务记录 / 反思 / 冷归档。JSONL + grep，召回不耗 prompt。

🧾

Append-only JSONL 回放

一任务一日志，一记录一 JSON。evo replay 还原任意会话；doctor closure 校验日志闭合。

💰

三层预算引擎

任务硬停 / 日软警 + 4× 硬停 / 月度硬停。doctor tokens 看 7 天 / 30 天花费与命中率。

🛡

P0–P8 权限阶梯

在 evo-policy::Permission 里强制有序。默认上限 P1；渠道发送方硬封顶 P4。

⌨

一份 CLI、两个二进制

evoclaw 长名 + evo 三字母别名 —— 同一份 lib。直接打名字进 REPL。

三步上手

从 clone 到第一条任务，三步。

编译、配置、跑。其余的交给向导。

编译

克隆仓库，让 cargo 干活。单一静态二进制，热缓存约 30 秒。

# Rust 1.80+
git clone https://github.com/DevEloLin/evoclaw
cd evoclaw && cargo build --release

配置

首启动跑交互向导：选 provider（17 家厂商）、贴 API key、挑模型。

./target/release/evoclaw
# 向导写入 ~/.evoclaw/config.toml
# 密钥落到 ~/.evoclaw/secrets/vault.json (chmod 600)

跑

输任务。EvoClaw 规划、调工具、观察、再规划、收尾 —— 然后默默蒸馏一份 Skill。

evo run "诊断我的 SSH 为什么断流"
evo replay   # 完整反思追踪
evo skill tree

集成

和你已经在用的一切互通。

17 家模型厂商、7 个 ACP coding agent、7 个 MCP 服务、4 种本地 runtime —— 全部走标准协议，没有私有粘合层。

模型厂商 17 ACP 代理 7 MCP 服务 7 本地 runtime 4

DeepSeekKimiQwen 通义千问豆包智谱 GLM百度千帆 MiniMax阶跃星辰腾讯混元 OpenAIAnthropicGemini MistralGroqOpenRouter TogetherFireworks

Claude CodeCodexCursor GitHub CopilotGemini CLI Aider通义灵码 Qwen Code

在 ~/.evoclaw/config.toml 设 provider = "acp:claude" —— EvoClaw 拉起上游 CLI 子进程，通过 stdio JSON-RPC 转发 prompt。

filesystemGitHubfetch timeBrave Search PostgresSlack + 自带服务

工具在注册表里以 mcp__server__tool 出现。鉴权环境变量在 mcp add 时被截留，永远不进入模型。

OllamavLLM llama.cpp任意 OpenAI 兼容地址

把 model.base_url 指到 http://localhost:11434/v1（Ollama）或任意本地服务。跳过 API key 步骤。Redactor 与 skill tree 照常工作。

快速开始

挑一个安装方式。

不需要注册账号。零遥测。也不会强制你"先创建账号"。

从源码编译 cargo install 第一条任务

# macOS · Linux · Windows — 需要 Rust 1.80+
git clone https://github.com/DevEloLin/evoclaw && cd evoclaw
cargo build --workspace --release
./target/release/evoclaw                 # 首启动自动跑交互向导

向导写完 ~/.evoclaw/config.toml 之后会直接落到 REPL。

# 从 git tag 拉取并装到 ~/.cargo/bin（evoclaw + evo 两个二进制）
cargo install --locked --git https://github.com/DevEloLin/evoclaw evo-cli

evoclaw                                  # 长名
evo                                      # 三字母别名 —— 同一份 lib

在 v0.2.0 发布到 crates.io 之前，从 git 直装是官方支持的方式。

# 注册一个密钥 —— 值永远不出本机
evo secret add github_pat ghp_yourActualValueHere

# 跑一条任务
evo run "诊断我的 SSH 为什么断流"

# 回放任意会话 —— 反思 / 花费 / 工具调用全在
evo replay

想用浏览器聊？evo gateway --bind 127.0.0.1:7878 --token mychat 在本机起一个 Bearer 保护的页面。

实时演示

一次会话长这样。

规划、调工具、观察、再规划 —— 然后默默把 Skill 落盘。

evo · ~/work/myrepo

╔══════════════════════════════════════════════════════════════════╗ ║ ███████╗██╗ ██╗ ██████╗ ██████╗██╗ █████╗ ██╗ ║ ║ ██╔════╝██║ ██║██╔═══██╗██╔════╝██║ ██╔══██╗██║ ║ ║ █████╗ ██║ ██║██║ ██║██║ ██║ ███████║██║ ║ ║ ██╔══╝ ╚██╗ ██╔╝██║ ██║██║ ██║ ██╔══██║██║ ║ ║ ███████╗ ╚████╔╝ ╚██████╔╝╚██████╗███████╗██║ ██║███████╗║ ║ local-first · self-evolving · v0.1.9 ║ ╚══════════════════════════════════════════════════════════════════╝ ┌─ context ─────────────────────────────────────────────────────┐ │ home : ~/.evoclaw │ │ provider: deepseek (https://api.deepseek.com/v1) │ │ model : deepseek-chat │ │ api key : ok · secrets file: ~/.evoclaw/secrets/deepseek.key │ │ skills : 12 loaded · 3 ACTIVE │ └───────────────────────────────────────────────────────────────┘ › 把 ~/work 下的所有 Cargo.toml 总结一下，写到 cargo-toml-summary.txt → 规划中... [cache hit · 8/12 工具已 fingerprinted] → tool: list_dir("~/work") + 12ms → tool: read_file × 7 + 84ms · 头尾截断 → tool: write_file(cargo-toml-summary.txt, ...) + 6ms ✓ 完成，4 轮，¥0.014，cache 73% === final === 已写入 7 条路径到 cargo-toml-summary.txt。根目录：evoclaw、my-other-repo、... ⚡ 反思：蒸馏出新技能 cargo-toml-aggregate → Draft ⚡ 日志：~/.evoclaw/logs/task-20260503T012245.823.jsonl › _

参考

架构与设计图。

两个页面、四种语言。架构页是同一张画布上的全模块巡览；设计页覆盖每一个状态机、序列与闭合规则。

🏛

系统架构 →

一页全景图 · 七层泳道（CSS grid 横向铺开）· runtime 端到端循环 · 脱敏屏障 · token 经济 · ACP / MCP 互通 · 部署拓扑 · 存储映射。

also: English

🧩

设计图 →

Task / Skill / Memory FSM · ER 模型 · 单任务端到端时序 · ACP 委托循环 · MCP 工具调用 · 权限阶梯 · 13 行闭合矩阵。

also: English

对比一下

托管 SaaS vs EvoClaw。

同一组问题，问七遍。

问题	SaaS Agent	EvoClaw
我的代码去了哪？	每次 prompt 都进它们的后端	只到你选的模型 API；其他全留本地
我的密钥去了哪？	你贴进去就在它们日志里	vault.json chmod 600；模型只看到占位符
我的日志去了哪？	它们服务器，可被检索	`~/.evoclaw/logs/`；你说删就删
能回放上周二吗？	看它们留没留	`evo replay /path/to/log.jsonl`
能离线跑吗？	不能	能 —— base_url 指 Ollama / vLLM / llama.cpp
能处理合规内容吗？	大概率不行	可以 —— 每个字节都在你机器上
换厂商？	从头来	Skill / 记忆 / 配置照常工作

FAQ

常见问题。

速答在这里，长版去文档。

EvoClaw 是什么？一句话说。

用 Rust 写的本地优先 Agent runtime，每次任务都在学习，工作过程在 append-only JSONL 里完整可证，你打的密钥永远不会进入模型 API。

能离线跑吗？

能。把 model.base_url 指到 http://localhost:11434/v1（Ollama），或者任何本地的 vLLM / llama.cpp 服务。跳过 API key 步骤。Redactor 与 skill tree 照常工作。

重新 clone 仓库后我的 Skill 还在吗？

在。状态全部在 ~/.evoclaw/，不在仓库里。EvoClaw 怎么删怎么重装都行，你的 Skill / 记忆 / 保险柜原地不动。

会话日志能分享给同事吗？

能。每个文本字段在落盘前都过了 redactor，JSONL 直接发给同事不需要再人工核一遍。

模型把我的密钥原样回吐到日志里怎么办？

Redactor 是双向的 —— 进模型前脱敏，从模型回来再脱敏一次。哪怕模型把已注册的值原样吐回来，assistant 文本也会在落 JSONL 之前被再次清洗。

为什么不上向量数据库？

向量检索在召回的瞬间就在烧 prompt token。在本机工作流上，对分层记忆（L1 偏好、L2 环境事实、L3 任务记录）做子串匹配的召回率相当，但 prompt 成本只是它的零头。要向量？挂个 MCP 服务器接向量后端就行。

为什么用 Rust？

单一静态二进制，没有运行时，没有 GC 暂停；类型系统能拦下一类长跑 Agent runtime 里特别要命的 bug。我们想要这些好处，又不想付 C++ 的税。

怎么换模型 provider？

跑 evoclaw login 选另一家，或者直接编辑 ~/.evoclaw/config.toml。EvoClaw 支持 DeepSeek、Kimi、Qwen、OpenAI、OpenRouter、Anthropic、GitHub Copilot、Ollama，以及任何 OpenAI 兼容端点。

资源

读、fork、贡献。

从你 debug 的同一台机器上，把它发出去。

属于你自己的
自主进化 AI 助手。

没有 EvoClaw vs 有了 EvoClaw

8 个支撑能力。

自主进化的 Skill Tree

密钥隔离屏障

Token 经济

分层记忆 L0–L5

Append-only JSONL 回放

三层预算引擎

P0–P8 权限阶梯

一份 CLI、两个二进制

从 clone 到第一条任务，三步。

编译

配置

跑

和你已经在用的一切互通。

挑一个安装方式。

一次会话长这样。

架构与设计图。

系统架构 →

设计图 →

托管 SaaS vs EvoClaw。

常见问题。

读、fork、贡献。

今天就开始你的 AI 之旅。

没有 EvoClaw vs 有了 EvoClaw

8 个支撑能力。

自主进化的 Skill Tree

密钥隔离屏障

Token 经济

分层记忆 L0–L5

Append-only JSONL 回放

三层预算引擎

P0–P8 权限阶梯

一份 CLI、两个二进制

从 clone 到第一条任务，三步。

编译

配置

跑

和你已经在用的 一切 互通。

挑一个安装方式。

一次会话长这样。

架构与设计图。

系统架构 →

设计图 →

托管 SaaS vs EvoClaw。

常见问题。

读、fork、贡献。

今天就开始你的 AI 之旅。

和你已经在用的一切互通。