So gibst du deinem KI-Agenten Internetzugang, ohne ein Vermögen für API-Keys auszugeben

Kommt dir das bekannt vor? Du richtest einen weiteren KI-Agenten ein oder schreibst ein Claude Code-basiertes Skript, und plötzlich brauchst du Websuchen. Das klingt einfach — schnapp dir einfach fertige APIs wie Tavily oder Exa. Aber sobald dein Agent in eine Schleife von „Suchen — Lesen — Verfeinern" gerät, wachsen die Kosten schneller als dein Vertrauen in die Ergebnisse. Und dann sind da noch die endlosen API-Keys, die du speichern und erneuern musst.

Kürzlich bin ich auf wigolo gestoßen. Es ist ein Tool, das deinen Computer in einen vollständigen Web-Intelligence-Knoten für KI verwandelt. Das Haupt-Highlight ist der Local-First-Ansatz. Alle Such-, Parsing-, Cache- und sogar lokalen Ranking-Vorgänge finden direkt auf deinem Rechner statt. Keine kostenpflichtigen Abonnements und kein Senden deiner Daten (außer die eigentlichen Anfragen an Suchmaschinen) an Dritte.

Was steckt in diesem Kraftpaket

wigolo ist nicht nur ein Search-Wrapper. Es ist ein vollständiger Server, der das MCP (Model Context Protocol) ausführt. Wenn du Cursor, Claude Code oder Windsurf nutzt, weißt du, wie praktisch es ist, neue „Fähigkeiten" einzubinden. wigolo gibt deinem Agenten zehn leistungsstarke Tools.

Das Interessanteste beginnt mit der search Funktion. Sie greift nicht nur auf eine einzelne Suchmaschine zu — sie nutzt 18 Adapter für verschiedene Engines, mischt die Ergebnisse und führt ML-Ranking direkt auf deiner CPU durch. Die Ausgabe liefert deinem Agenten nicht nur Links, sondern „Beweise" — Textausschnitte mit präzisen Byte-Koordinaten in der Quelle.

Dann gibt es noch fetch. Wenn du jemals versucht hast, eine moderne React-SPA zu parsen oder auf Cloudflare gestoßen bist, verstehst du den Entwicklerschmerz. wigolo kann den Zugriff „smart" eskalieren: Zuerst versucht es eine normale HTTP-Anfrage, und wenn es einen Placeholder oder ein leeres JS-Skelett sieht — startet es einen Headless-Browser und holt sauberes Markdown.

Fünf Funktionen, die mich überzeugt haben

Statt jeden Knopf zu beschreiben, habe ich das herausgearbeitet, was den Workflow wirklich verändert.

1. Autonomer Datensammlungs-Agent. Das agent Tool startet eine „Planen — Suchen — Extrahieren — Synthetisieren"-Schleife. Du legst ein Zeitbudget und ein Datenschema fest, und wigolo entscheidet, wie viele Seiten gecrawlt werden, um strukturiertes JSON zu liefern.
2. Parallele Suche durch Arrays. Du kannst ein Array von Anfragen statt eines einzelnen Strings übergeben. wigolo verarbeitet sie parallel, filtert Duplikate heraus und liefert dir das Gesamtbild. Für tiefgehende Recherche ist das um ein Vielfaches schneller, als einen Agenten hin und her zu schicken.
3. Lokaler Speicher. Alles, was du jemals gesucht oder geparst hast, wird in ~/.wigolo/ gespeichert. Das nächste Mal, wenn du nach etwas Ähnlichem fragst, prüft das Tool zuerst den Cache. Das geht sofort und kostet nichts.
4. Strukturierte Extraktion. Das extract Tool versteht JSON-LD, Tabellen und Metadaten. Du kannst dein eigenes JSON-Schema übergeben, und es zieht Daten aus dem HTML-Markup-Chaos genau in dem Format, das deine Anwendung braucht.
5. Änderungsüberwachung. Die diff und watch Funktionen ermöglichen es, bestimmte Seiten zu tracken. Sobald sich auf einer Dokumentationsseite oder einem Projekt-Blog etwas ändert, erstellt wigolo einen Bericht und kann ihn an deinen Webhook senden.

Unter der Haube

Das Projekt basiert auf Node.js. Die Architektur ist ziemlich straightforward: Ein Prozess fungiert als MCP-Server oder REST-API. Ressourcenintensive Komponenten wie die Browser-Engine oder Embedding-Modelle werden lazy geladen. Das bedeutet, wenn du nur Text suchst, musst du nicht warten, bis ein massives neuronales Netz im Speicher hochfährt.

Der Lernmechanismus ist clever umgesetzt: wigolo merkt sich, welche Seiten „schwere" Browser-basierte Parsing brauchen und welche Daten über eine normale GET-Anfrage liefern. Mit der Zeit arbeitet das System effizienter und verschwendet keine Ressourcen dort, wo sie nicht gebraucht werden.

Erste Schritte

Die Installation ist für ein so komplexes Tool überraschend einfach. Du brauchst nur Node.js Version 20 oder höher. Ein Befehl verbindet es mit deinem Lieblingseditor:

npx wigolo init --agents=cursor,claude-code

Das Skript lädt die notwendigen Modelle herunter und schreibt die Konfigs automatisch. Wenn du der Automatisierung nicht vertraust, gibt es einen --wizard Modus mit einer interaktiven Terminal-Oberfläche. Für diejenigen, die wigolo als Service in ihrem Backend nutzen wollen, gibt es ein Docker-Image und SDKs für Python und TypeScript.

Übrigens, obwohl sich das Projekt als komplett kostenlos und key-frei positioniert, empfiehlt der Entwickler, einen kostenlosen Gemini-Key hinzuzufügen. Das wird nur für die research Funktion benötigt, damit das LLM den finalen Bericht basierend auf den gefundenen Fakten schreiben kann. Ohne den Key bekommst du einen Haufen strukturierter Daten, die dein Haupt-Agent verarbeiten muss.

Wem es am meisten nützt

Ich sehe drei Szenarien, in denen wigolo wirklich gegen Cloud-Konkurrenten gewinnt.

Erstens, lokale Entwicklung. Wenn du in Cursor Code schreibst und ständig Dokumentation oder StackOverflow-Fehler googelst, wird wigolo dir eine Menge Geld bei API-Aufrufen sparen und die Suche kontextbezogen machen.

Zweitens, Routine-Automatisierung. Wenn du Preise, Stellenanzeigen oder Bibliothek-Updates überwachen musst, wird die Kombination von wigolo watch mit einem einfachen Python-Server das Problem an einem Abend lösen.

Drittens, Datenschutz. Wenn du an einem Projekt mit strenger NDV arbeitest, ist das Senden von internen Seiteninhalten an Drittanbieter-Parsing-Dienste keine gute Idee. Bei wigolo bleiben alle Daten auf deiner Festplatte.

Das Projekt befindet sich derzeit in der öffentten Beta. Die Dokumentation ist ausgezeichnet und das Repository hat viele Beispiele — von einfachen curl-Skripten bis hin zu LangChain- und n8n-Integrationen. Wenn du häufig mit KI-Agenten experimentierst, ist dieses Tool definitiv die 1,5 GB Festplattenspeicher und eine halbe Stunde Testzeit wert.