Wigolo

解决的问题

AI 编码代理在处理需要联网检索的任务时，常常面临几个工程痛点。首先，通用检索工具返回的往往是未经过滤的原始网页片段，缺乏结构化的证据支撑，导致宿主模型在生成最终答案时难以准确引用来源。其次，每次网络请求都重新抓取和解析相同的网页，浪费计算资源且容易产生不一致的结果。最后，当 MCP 采样（MCP sampling）功能不可用时——这在多数环境中是常态——代理缺乏一个可靠的中间层来整理检索到的信息，难以构建出有条理的报告。

工作原理

Wigolo 是一个面向 AI 编码代理的本地优先（local-first）网页智能 MCP 服务器，通过 stdio 传输协议暴露了十个工具。它的核心设计理念是不内置 LLM，而是返回结构化证据，让调用方（即宿主模型）负责撰写最终答案。

所有网络请求的结果都会被持久化到本地知识缓存中，从而实现结果的复用和一致性。关键工具和工作流包括：

• search：通过设置 format: "highlights"，返回经过 ML 评分的段落和引用。宿主模型可以直接引用这些高亮部分并附上 [N] 格式的引用。
• research：当 MCP 采样不可用时，该工具会返回一个包含 topics、highlights 和 key_findings 的 brief。宿主模型可以将其作为撰写报告的脚手架。
• extract：使用 mode: "structured" 可以一次性提取表格、定义、JSON-LD、图表提示和键值对，直接用于结构化数据消费。
• fetch：抓取单个 URL 并返回干净的 Markdown。同时提供 fetch metadata 功能，可以暴露 og_type、canonical_url 和 og_image，帮助通过 canonical_url 去重。
• find_similar：如果返回了 cold_start 字符串，需要将其透传给用户，解释为什么结果来自网络以及如何预热缓存。

适用边界与注意点

由于 Wigolo 不包含内部 LLM，它对宿主模型的指令遵循和合成能力有较高要求。如果宿主模型只是简单地将返回的结构化证据拼凑在一起而没有进行整合，输出质量会大打折扣。此外，缓存预热（Warmup）是一个一次性推荐步骤，如果不执行，find_similar 可能会触发 cold_start 状态，导致首次查询直接回退到网络搜索。对于需要深度 JavaScript 渲染或依赖用户浏览器会话（通过 use_auth: true）的场景，需要确保运行环境支持相应的浏览器引擎（如 --webkit 或 --firefox 标志）和认证凭据。