核心用法
Grago 是一款连接 OpenClaw 智能体与本地 LLM（如 Ollama、llama.cpp）的桥梁工具，专用于处理无法原生使用工具调用的本地模型。它通过执行 Shell 脚本获取实时数据（网页、API、RSS、日志等），将结果与提示词一并管道输入本地模型，完成分析后再返回给主智能体。
三种工作模式：
fetch：抓取 URL 并本地分析research：基于 YAML 配置多源研究pipe：将任意 Shell 命令输出管道至本地模型（推荐模式，稳定性更高）
显著优点
1. 成本优化：将繁重的研究任务从云端模型转移至本地免费 LLM，显著降低 API 调用开销
2. 隐私保护：敏感数据保留在本地机器，无需上传至第三方服务
3. 灵活集成：支持 curl、jq、grep 等标准工具链，可处理网页、API、本地文件等多种数据源
4. 配置简便：YAML 配置文件管理默认模型、超时、截断限制等参数
潜在局限
- 速度瓶颈：本地模型推理耗时 5–30 秒，受硬件性能和模型大小影响明显
- 能力边界：仅适用于研究、数据获取和轻量分析，无法替代主模型的复杂推理
- TTY 兼容：部分模式存在 Ollama 终端渲染器冲突，需优先使用
pipe模式规避 - 输入截断：受
max_input_chars限制，超长内容会被截断处理
适合人群
- 需频繁获取实时数据但预算有限的研究者
- 对数据隐私敏感、希望本地化处理的用户
- 已部署 Ollama 或 llama.cpp 且希望扩展其使用场景的技术用户
- OpenClaw 智能体用户，希望构建"云端主模型 + 本地执行层"的混合架构
常规风险
- 本地模型输出质量参差不齐，复杂分析任务仍需回退至云端模型验证
- Shell 脚本执行存在命令注入风险，需确保输入来源可信
- 长文本截断可能导致关键信息丢失，影响分析完整性
- 超时机制可能中断大规模数据获取任务