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。