DataClaw 

在 AI 大模型狂飙突进的今天，一个讽刺的现实日益凸显：巨头们利用互联网上免费共享的海量信息训练出了强大的模型，随后却筑起高墙，推出严苛的数据政策，阻止任何人利用类似的方式构建自己的模型或数据集。

这就是“过河拆桥”。

DataClaw 不仅是一个工具，更是一场行为艺术项目。它的使命很简单却充满力量：把桥放回去。

DataClaw 允许你将私有的 Claude Code 和 Codex 对话历史，转化为结构化、脱敏后的公共数据集，并发布到 Hugging Face。通过这种方式，它将原本封闭在人机协作黑盒中的宝贵经验，重新变为可供全球开发者分享、学习和训练的未来基石。

核心理念：数据归你，智慧共享

• 所有权回归：生成的数据集完全归你所有，你有权决定如何分享。
• 去伪存真：自动解析会话日志，智能编辑掉 API 密钥、个人身份信息（PII）等敏感内容。
• 分布式未来：每次导出都会打上 dataclaw 标签。假以时日，这些分散的贡献将汇聚成一个庞大的、关于真实世界人机协作编程的分布式数据集，打破巨头对高质量语料的垄断。

如何使用：六步打造你的数据贡献

DataClaw 设计为可与 AI 智能体（如 Claude Code 本身）协同工作。你只需将以下指令粘贴给你的智能体，它便会引导你完成全过程：

“帮我把我的 Claude Code 和 Codex 对话历史导出到 Hugging Face，使用 DataClaw 完成。安装它，设置好技能，然后引导我完成整个过程。”

详细操作手册

步骤 1：安装工具

pip install dataclaw
# 若失败，尝试源码安装：
# git clone https://github.com/banodoco/dataclaw.git /tmp/dataclaw && pip install /tmp/dataclaw

步骤 2：激活技能
让智能体具备操作 DataClaw 的能力：

dataclaw update-skill claude

步骤 3：准备与配置
运行准备命令，系统会提示后续步骤：

dataclaw prep

• 3A. 选择来源：明确指定要导出的数据来源（Claude Code, Codex, 或两者）。

  dataclaw config --source "claude|codex|both"
  

• 3B. 筛选项目：查看所有会话文件夹列表，并排除不想公开的项目。

  dataclaw list --source "..."  # 查看列表
  dataclaw config --exclude "project1,project2" # 排除特定项目
  dataclaw config --confirm-projects # 确认最终选择
  

步骤 4：审查与脱敏（关键步骤）
在正式发布前，必须进行本地审查，确保无隐私泄露：

dataclaw export --no-push --output /tmp/dataclaw_export.jsonl

• 系统会自动扫描 PII（个人身份信息）。
• 你可能需要提供全名以进行精确匹配扫描（若拒绝，可使用 --skip-full-name-scan）。
• 仔细检查输出，必要时手动编辑或添加排除项。

步骤 5：宣誓与确认
确认数据已安全，并签署发布声明：

dataclaw confirm --full-name "Your Name" --attest-full-name "..." --attest-sensitive "..." --attest-manual-scan "..."

步骤 6：发布到 Hugging Face
只有在用户明确批准后，才执行发布操作：

dataclaw export --publish-attestation "用户明确批准发布到 Hugging Face。"

注意：全程严禁直接运行 huggingface-cli login，务必使用 --token 参数以确保安全。

愿景：重建开源之桥

DataClaw 的每一步设计都充满了谨慎与责任感：从自动脱敏到多重确认，它确保用户在贡献数据的同时，绝不会牺牲隐私与安全。

这不仅仅是一次数据导出，这是一次宣言。它宣告了数据不应成为少数公司的私产，而应是全人类共同进化的燃料。当无数个 dataclaw 标记的数据集在 Hugging Face 上汇聚，我们将看到一幅前所未有的图景：真实的人类如何与 AI 协作、思考、纠错与创造。

把桥放回去，让后来者有路可走。

立即尝试 DataClaw，成为这场开源复兴运动的一部分。