Eclaire：本地优先的隐私 AI 个人助手

2025年9月，一个由独立开发者 korale77 主导的项目悄然上线 GitHub——Eclaire，定位是"Privacy-focused AI assistant for your data"。不到一年时间，它在开源社区迅速积累了近 900 颗星，成为本地 AI 助手领域的一匹黑马。

这不是又一个 AI 聊天机器人。它瞄准的是那些既想用 AI 能力、又不信任云端服务的用户——把笔记、文档、书签、照片、任务全部交给 AI 管理，但所有数据都在自己的服务器上。

核心功能：AI 能做的事，远不止聊天

Eclaire 最大的差异化在于统一数据入口。它把任务管理、笔记、文档、照片、书签全部聚拢到一个平台，让 AI 可以跨数据类型进行检索、理解和自动化。

AI 对话是该产品的核心交互形式。与普通聊天机器人不同，Eclaire 的 AI 助手具备工具调用（Tool Calling）能力：可以搜索用户数据、打开特定内容、完成任务处理、添加评论、创建笔记。这意味着你不是在和 AI 闲聊，而是在向 AI 下达任务指令，让它操作你的私人数据。

书签管理是另一个亮点功能。Eclaire 不仅保存书签，还会自动拉取网页内容，生成干净的"可读版本"、PDF 版本和 LLM 友好的 Markdown 版本。针对 GitHub 和 Reddit 等平台，还做了专门的 API 适配，优化元数据提取。对喜欢收藏资料但懒得整理的用户来说，这是个省力的自动化工具。

文档处理能力覆盖主流格式：PDF、DOC/DOCX、PPT/PPTX、XLS/XLSX、ODT/ODP/ODS、MD、TXT、RTF、Pages、Numbers、Keynote、HTML、CSV 等。配合内置 OCR（光学字符识别），可以直接从照片中提取文字。HEIC 格式的苹果照片也能批量转换为 JPG。

任务管理支持给 AI 助手分配任务，助手可以自主添加评论或写入独立文档，形成人机协作的工作流。支持标签、固定、标记、截止日期等组织方式，跨数据类型统一管理。

部署体验：从"一键安装"到完全自控

Eclaire 在 v0.6.0 之后大幅简化了部署流程。官方推荐使用 Docker Compose，一条命令即可启动：

setup.sh 脚本会自动下载配置文件、生成密钥、初始化数据库（PostgreSQL）。启动后访问 http://localhost:3000，会引导你完成管理员账户创建、AI 提供商配置和模型选择。

但有一点值得注意：LLM 推理不在 Docker 容器内运行，而是在宿主机上。官方推荐搭配 llama.cpp，需要你另外启动推理服务，通过 host.docker.internal 通信。这对有 GPU 资源的用户来说合理，但对纯新手来说，增加了一步门槛。

v0.6.0 引入的统一容器模式是一个重要改进：前端、后端和 Worker 可以打包进同一个 Docker 镜像，不需要再分别启动多个服务。对于只想快速体验的用户，这种方式大大降低了复杂度。

存储层支持 PostgreSQL（推荐）和 SQLite 两种方案，任务队列可以用数据库模式或 Redis，没有外部依赖也能跑起来。

技术架构：TypeScript 全家桶，模块化清晰

Eclaire 的技术栈选择非常务实：TypeScript + Node.js 全家桶，没有引入 Python 服务，部署和维护都更简单。

架构分四层：

• 前端：Vite + React 19 + TanStack Router + Radix UI。v0.6.0 刚从 Next.js 迁移到 Vite，理由是减少服务端复杂度，更适合本地优先场景。UI 组件大量使用 Radix UI 的无头组件，保证可访问性和定制灵活性。
• 后端 API：Node.js + Hono 框架。Hono 是高性能的 Web 框架，类似 Express 但更轻量，支持中间件和 OpenAPI 验证。配合 @hono/node-server 和 @hono/node-ws 提供 REST 和 WebSocket 支持。
• 后台 Worker：任务处理和定时调度，默认与后端统一运行。文档处理由 Docling 驱动（一个专业的文档解析库）。
• 数据层：PostgreSQL（推荐，通过 better-auth/drizzle-adapter + Drizzle ORM）或 SQLite（electric-sql/pglite）。认证模块基于 Better Auth，支持 Session Token 和 API Key 两种方式。

AI 层完全解耦，通过 OpenAI 兼容的 REST API 与各种推理后端通信。支持 llama.cpp、vLLM、Apple MLX、LM Studio、Ollama 等主流推理框架。内置 llama.cpp 路由器和 MLX 优化支持，对 Apple Silicon Mac 用户特别友好。

代码质量方面，仓库结构规范：每个 app（backend/frontend/desktop）独立为 npm workspace，依赖管理清晰。backend 有完整的单元测试和集成测试套件（Vitest）。文档质量高，有独立的文档站（eclaire.co/docs）和 API 参考（eclaire.co/docs/api）。

数据隐私：本地运行的底气

Eclaire 在安全和隐私上的设计值得关注。官方文档明确说明：默认情况下，所有 AI 模型都在本地运行，所有数据都存储在本地。README 中有详细的安全警告，建议不要直接将服务暴露到公网，推荐通过 Tailscale、Cloudflare Tunnels 或带认证的反向代理访问。

文档还特别提到，"代码中不应存在任何遥测（telemetry）"，虽然第三方依赖可能存在。同时，代码仓库定期更新依赖以修复 CVE——v0.6.1 到 v0.6.3 连续三个版本都在修复安全漏洞，包括 JWT Algorithm Confusion、Hono 的多个 XSS/cache bypass/IP spoofing 问题，以及 axios 的 DoS 漏洞。活跃的安全维护是隐私类项目的重要指标。

上手门槛与局限

Eclaire 的目标用户画像是：有一定技术背景、重视数据隐私、愿意花时间自建 AI 基础设施的用户。它不是"零门槛"的傻瓜产品，需要理解 Docker、LLM 部署和基本的终端操作。

目前的主要局限：LLM 需要自行配置，不像某些开箱即用的项目内置模型；仍处于 pre-release 阶段，API 和配置可能发生破坏性变更；移动端体验有限，目前仅 Telegram 集成。

行业意义：对抗云端垄断的务实选择

随着 AI 能力越来越强大，越来越多的用户意识到，把个人数据交给大公司存在隐私风险。Eclaire 代表了一种务实路径——不是从头造轮子，而是把 llama.cpp、Hono、Drizzle、Docker 等成熟工具组装成一个可用产品。

它的增长轨迹值得关注：从 2025 年 9 月上线，到 2026 年 5 月最新提交，保持着持续迭代。868 颗星对于一个发布不到一年的项目来说，说明市场对"隐私优先 AI 助手"的需求真实存在。

图1：Eclaire 仪表盘界面（Dark Mode）

图2：Eclaire Labs 团队头像