Grago

核心用法

Grago 是一个连接 OpenClaw 代理与本地 LLM（如 Ollama、llama.cpp）的工具桥接层，专为无法原生使用工具调用的本地模型设计。它通过执行 shell 脚本获取实时网络数据、API 响应和本地文件内容，然后将结果管道传输至本地模型进行聚焦分析，最后将结构化结果返回给主代理。

三种主要模式

• fetch：获取单个 URL 并本地分析
• research：基于 YAML 配置进行多源研究
• pipe：将任意 shell 命令管道传输至本地模型，灵活性最高

显著优点

1. 成本优化：将研究密集型任务从云端模型转移至免费本地 LLM，显著降低 token 消耗
2. 隐私保护：敏感数据保留在本地机器，无需上传至第三方 API
3. 架构解耦：云端模型保持专注核心推理，本地机器承担数据获取和初步分析
4. 配置灵活：支持 YAML 配置、模型覆盖、输入截断和多种输出格式

潜在缺点与局限性

• 执行风险：核心机制依赖 shell 命令执行，存在命令注入漏洞
• 性能瓶颈：本地模型响应较慢（5-30秒），受硬件配置和模型大小制约
• TTY 兼容问题：Ollama 的 spinner 可能导致 fetch --analyze 模式不稳定
• 功能边界：仅适用于研究和数据获取委托，不可替代主模型的深度推理

适合人群

• 拥有个人工作站、Mac Mini 或私有 VPS 的单用户开发者
• 重视数据隐私、希望敏感信息不出本地的用户
• 需要频繁进行网络研究但希望控制 API 成本的技术团队
• 不适合：多租户系统、公共 API 后端、不可信代理环境

常规风险

• 提示注入攻击：若 OpenClaw 代理被攻破，Grago 可能执行任意系统命令
• 输入溢出：需依赖 max_input_chars 配置进行截断，否则可能超出模型上下文限制
• 依赖管理：需预装 Ollama、bash、curl、jq，安装链路较长

安全评估摘要

Grago 采用明确的"可信单用户环境"安全模型，将 shell 执行能力作为功能特性而非漏洞。开发者需在 SECURITY.md 中充分披露风险，用户需在隔离环境中部署。

核心用法

Grago 是一款连接云端 Agent 与本地大语言模型的桥接工具，专为无法原生使用工具链的本地 LLM（如 Ollama、llama.cpp）设计。其核心工作流程分为三步：数据获取（通过 curl、jq 等 shell 命令拉取网页、API、RSS 或本地文件）、本地分析（将结果管道传输至本地模型并附带结构化 prompt）、结果返回（将分析结果反馈给主 Agent）。支持三种主要模式：fetch 单 URL 获取与分析、research 多源 YAML 配置研究、pipe 灵活管道命令组合。

显著优点

Grago 的最大价值在于成本优化与隐私保护。通过将研究型、数据获取型任务下沉至本地免费模型，用户可大幅降低云端 API 的 token 消耗。同时，敏感数据始终保留在本地机器，适合处理机密文档或内部系统日志。工具对硬件要求低，仅需 Ollama 和基础 shell 环境即可运行，配置简单（YAML 单文件管理），且完全无第三方依赖，依赖审计得分高达 85 分。

潜在缺点与局限性

安全性是其核心短板。Grago 通过 eval 执行用户输入的 transform 和 fetch 命令，存在严重的命令注入漏洞；同时支持任意 URL 访问（无白名单）和任意本地文件读取（无路径限制），构成 SSRF 攻击面和信息泄露风险。此外，本地模型推理延迟较高（5-30 秒），不适合实时交互场景；输入长度受 max_input_chars 截断限制，可能丢失长文档关键信息。

适合的目标群体

该工具面向技术能力较强的个人开发者、研究者或隐私敏感用户，适用于：需要频繁进行网络调研但不愿支付高额 API 费用的场景；处理敏感数据（法律文档、医疗记录、内部代码库）且要求数据不出本地的合规需求；拥有闲置算力（Mac Mini、工作站、VPS）希望充分利用的用户。不适合企业多租户环境、生产系统或无技术背景的一般用户。

使用风险

关键风险在于命令执行安全：若主 Agent 遭遇提示词注入攻击，攻击者可通过 Grago 执行任意系统命令（如 rm -rf / 或反向 shell）。网络层面存在 SSRF 风险，可能探测内网服务或窃取云实例元数据。文件读取功能可被滥用于窃取 SSH 密钥、环境变量等敏感信息。开发者已在文档中充分披露这些风险，并明确限定使用场景为"可信单用户环境"。建议仅在隔离虚拟机或专用开发机上运行，禁止用于生产环境。