简要结论：Wigolo 是一个面向 AI Agent 的开源本地联网搜索工具，可聚合多个搜索引擎、抓取网页内容，并通过 MCP 接入 Claude Code、Cursor、OpenCode 等客户端。基础搜索不要求第三方搜索 API Key；如果要生成带引用的深度报告，可选配 Gemini API。
Wigolo 是什么？
Wigolo 把“搜索网页—读取正文—把结果交给 Agent”放在本地完成。它适合希望减少托管搜索 API 依赖、需要 MCP 接入，或希望自行控制搜索与抓取流程的开发者。项目公开资料显示，它支持 18 个搜索引擎，并提供搜索、网页抓取和研究报告相关能力。
核心能力一览
- 本地运行：搜索聚合与网页抓取由本地服务完成，便于控制配置和数据流向。
- Agent 接入：通过 MCP 为 Claude Code、Cursor、OpenCode 等支持 MCP 的客户端提供工具。
- 多搜索引擎：聚合不同来源，减少单一搜索入口不可用时的影响。
- 基础功能免搜索 API Key：常规搜索和抓取不依赖商业搜索 API；深度报告功能可按需配置 Gemini API。
Wigolo 与常见托管搜索 API 的差别
| 比较项 | Wigolo | 常见托管搜索 API |
|---|---|---|
| 运行位置 | 本地部署 | 第三方云服务 |
| 基础搜索凭据 | 不要求搜索 API Key | 通常需要账号与 API Key |
| Agent 集成 | 提供 MCP 接入 | 视服务而定，常需自行封装 |
| 维护成本 | 需要自己安装、升级和排错 | 基础设施由服务商维护 |
| 结果稳定性 | 受本地网络和上游搜索引擎影响 | 受供应商额度、价格与服务策略影响 |
安装前先判断是否适合你
如果你已经在使用支持 MCP 的开发工具、愿意维护本地服务，并重视可控性，Wigolo 值得尝试。如果你更看重免运维和稳定 SLA，托管搜索服务可能更省事。按项目现有说明，安装约需 1.5GB 磁盘空间；实际可用性会受到系统环境、网络和上游搜索引擎变化影响。
证据边界：本文根据项目公开资料和原页面信息整理，未完成不同系统、网络和搜索任务下的统一基准测试，因此不对速度、覆盖率或结果质量作绝对承诺。
常见问题
Wigolo 需要 API Key 吗？
基础搜索、网页抓取和 MCP 接入不要求第三方搜索 API Key；生成带引用的深度报告时可选配 Gemini API。
Wigolo 适合哪些场景？
它适合需要给 Claude Code、Cursor、OpenCode 等 Agent 增加本地联网搜索和网页读取能力的开发者。
Wigolo 有哪些限制？
它需要本地运行环境并占用约 1.5GB 磁盘空间；搜索质量与可用性还会受到上游搜索引擎和网络环境影响。
编辑更新：2026 年 8 月 6 日。更新了定义、适用场景、比较表、限制说明与常见问题。
平时在使用 Claude Code、Codex 的时候，经常需要联网搜索查资料。
比如查看某工具最新文档、获取某产品官网信息、查找某开源库的版本等等。
想让 Agent 搜得又快又准，目前解决方案接入 Tavily、Exa、Firecrawl 这些搜索服务。
但是按量计费，如果经常需要用到搜索，一个月下来出账单后，看着都肉疼。
无独有偶，最近我在 GitHub 上发现了一个项目 wigolo，提供了一个开源免费解决方案。
它的解决思路挺粗暴：直接把搜索、抓取、爬虫这一整套联网能力，搬到本地来跑。
不需要注册、也不用 API Key，每次查询零成本，Agent 想查多少次就查多少次。
通过 MCP 可以安装到 Claude Code、Codex、Cursor 等主流 Agent 工具中使用。
那它是怎么做到零成本联网搜索查询的？
答案是它内置了 18 个免费搜索引擎，并将它们搜索结果做了排序和融合，模型跑在本地。
那些按量计费的服务，贵就贵在服务端的模型推理和搜索引擎的调用。
而现在，wigolo 把这些活全搬到自己电脑上干，那自然就没有了账单。
隐私这块顺便说下，缓存、模型、配置都存在本地 ~/.wigolo/目录里，不会上传第三方。
只有配置了外部大模型做总结时，内容才会发给模型，不配的话就纯本地跑。
而且，wigolo 提供的功能也非常全，给 Agent 提供了十个工具，满足各种需求。
search 搜索、fetch 抓单页、crawl 爬整站、extract 做结构化提取、cache 查本地缓存、find_similar 找相似页面、research 深度研究、agent 自主收集信息，还有 diff 和 watch 盯着页面变化。
有个细节处理我觉得做得挺好的，每条搜索结果都会带有一段原文摘录，还附带评分，质量差的结果自动标记为垃圾。
若遇到抓取失败会如实告诉 Agent 原因，而不是一股脑把空壳的内容塞给 Agent，从而浪费 Token。
跟 Firecrawl、Exa、Tavily 这些主流方案有什么优势，项目也给了一张横向对比表。
搜索、抓取、提取这些核心功能大家都差不多，但是 wigolo 有几个独有的优点。
查询结果本地缓存离线也能复查、每条结果有可解释的评分拆解，以及无需任何费用。
可能又有朋友会问，Claude Code 和 Codex 不是自带 WebSearch 和 WebFetch 吗？
何必再装一个？其实两者定位不一样，内置工具走云端，开箱即用，临时查一下很合适。
wigolo 的主要优势在这几个地方。
查过的内容全缓存在本地，同一个问题再问一次能瞬间返回，不产生额外开销。
内容同时在 18 个引擎搜索，每条结果还有评分拆解，为什么这条排前面看得到原因。
遇到 SPA 或者反爬的时候，还会自动换成无头浏览器去抓取，还会按域名积累经验。
另外能实现「计划、搜索、抓取、综合」的这些流程自动化循环，内置工具没这个能力。
当然也可以分场景，一般查询用内置的搜索工具就可以，批量抓取或离线缓存场景则用 wigolo。
上手也非简单，一条命令装好本地引擎，顺便把常用编程工具的 MCP 配置写好：
npx wigolo init --agents=claude-code,codex注意由于需要在本地安装浏览器引擎和模型，所以会占用大概 1.5 GB 的磁盘存储。
想要输出带引用的报告，得配一个 Gemini API Key，不配也行，返回原始素材让主模型处理。
除了 MCP 接入使用方式，还提供 REST API、TypeScript 和 Python 的 SDK。
以及快速部署的 Docker 镜像，LangChain、CrewAI 这些框架也有现成集成。
写在最后
关于 Agent 联网搜索这事情，以前大部分人都是用内置的将就一下就好。
遇到反爬的时候，就自己到网上查找或把内容截图发给 Agent 帮忙整理。
甚至为了方便提升效率，还额外掏钱使用 Tavily 这些付费搜索服务。
现在有了 wigolo 这个新的选择，无论 Agent 用多少次搜索都无需花钱，数据也全在本地。
随着 Agent 联网搜索能力逐渐增强，往后那些按量计费的搜索服务，日子恐怕不太好过。
GitHub 项目地址：https://github.com/KnockOutEZ/wigolo
📖 相关推荐
资深互联网从业者，专注AI工具研究与实战应用。长期跟踪ChatGPT、Claude、Stable Diffusion等前沿AI技术，擅长将复杂的技术概念转化为通俗易懂的教程。运营颜资源小站，致力于为中文用户提供高质量的AI教程、开源项目推荐和数字资源整理。
评论(0)