（870期）Grago – 本地 LLM 研究任务委托专家

本地 LLM 研究任务委托专家 将数据获取和研究任务委托给本地免费LLM，节省API token费用，适合单用户可信环境使用 使用说明 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 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 隐私保护：敏感数据保留在本地机器，无需上传至第三方 API 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 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 maxinputchars 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。 原始说明 Delegate web and API data fetching to local LLMs for research tasks, saving tokens and keeping data private while using your local machine for analysis.