Comment donner accès à Internet à votre agent IA sans exploser votre budget d'API

Ça vous dit quelque chose ? Vous configurez un autre agent IA ou écrivez un script basé sur Claude Code, et soudain vous avez besoin de rechercher des informations sur le web. Cela semble assez simple — il suffit de prendre des API prêtes à l'emploi comme Tavily ou Exa. Mais dès que votre agent entre dans une boucle de « recherche — lecture — affinage », la facture commence à grimper plus vite que votre confiance dans les résultats. Et il y a ces clés API sans fin que vous devez stocker et renouveler.

Récemment, je suis tombé sur wigolo. C'est un outil qui transforme votre ordinateur en un nœud d'intelligence web complet pour l'IA. Le point fort est son approche locale. Toute la recherche, l'analyse, la mise en cache et même le classement local se font directement sur votre machine. Pas d'abonnements payants et pas d'envoi de vos données (sauf les requêtes réelles aux moteurs de recherche) à des tiers.

Ce qu'il y a dans cette centrale

wigolo n'est pas qu'un simple wrapper de recherche. C'est un serveur complet fonctionnant avec le MCP (Model Context Protocol). Si vous utilisez Cursor, Claude Code ou Windsurf, vous savez à quel point il est pratique de brancher de nouvelles « compétences ». wigolo donne à votre agent dix outils puissants.

La partie la plus intéressante commence avec la fonction search. Il ne se contente pas de frapper un seul moteur de recherche — il utilise 18 adaptateurs pour différents moteurs, mélange les résultats et fait du classement ML directement sur votre CPU. La sortie donne à votre agent non seulement des liens, mais des « preuves » — des extraits de texte avec des coordonnées d'octets précises dans la source.

Ensuite, il y a fetch. Si vous avez déjà essayé d'analyser un React SPA moderne ou rencontré Cloudflare, vous comprendrez la douleur des développeurs. wigolo peut « intelligemment » escalader l'accès : il essaie d'abord une requête HTTP régulière, et s'il voit un placeholder ou un squelette JS vide — il lance un navigateur headless et récupère du Markdown propre.

Cinq fonctionnalités qui m'ont conquis

Au lieu de décrire chaque bouton, j'ai mis en évidence ce qui change vraiment le flux de travail.

1. Agent autonome de collecte de données. L'outil agent lance une boucle « planifier — rechercher — extraire — synthétiser ». Vous définissez un budget de temps et un schéma de données, et wigolo décide combien de pages explorer pour livrer du JSON structuré.
2. Recherche parallèle via des tableaux. Vous pouvez passer un tableau de requêtes au lieu d'une seule chaîne. wigolo les traite en parallèle, filtre les doublons et vous donne une vue d'ensemble. Pour la recherche approfondie, c'est plusieurs fois plus rapide que d'envoyer un agent aller-retour.
3. Mémoire locale. Tout ce que vous avez déjà recherché ou analysé est stocké dans ~/.wigolo/. La prochaine fois que vous demandez quelque chose de similaire, l'outil vérifie d'abord le cache. C'est instantané et complètement gratuit.
4. Extraction structurée. L'outil extract comprend JSON-LD, les tableaux et les métadonnées. Vous pouvez lui fournir votre propre JSON Schema, et il extrait les données du chaos du balisage HTML exactement dans le format dont votre application a besoin.
5. Surveillance des changements. Les fonctions diff et watch vous permettent de suivre des pages spécifiques. Dès que quelque chose change sur un site de documentation ou un blog de projet, wigolo génère un rapport et peut l'envoyer à votre webhook.

Sous le capot

Le projet est construit sur Node.js. L'architecture est assez simple : un processus agit comme serveur MCP ou API REST. Les composants lourds comme le moteur de navigateur ou les modèles d'embedding se chargent de manière paresseuse. Cela signifie que si vous recherchez simplement du texte, vous n'avez pas besoin d'attendre qu'un immense réseau neuronal se lance en mémoire.

Le mécanisme d'apprentissage est intelligemment implémenté : wigolo se souvient quels sites ont besoin d'un解析 « lourd » basé sur le navigateur et lesquels servent les données via une requête GET régulière. Au fil du temps, le système commence à fonctionner plus efficacement, sans gaspiller de ressources là où elles ne sont pas nécessaires.

Pour commencer

L'installation est surprenamment simple pour un outil aussi complexe. Vous avez juste besoin de Node.js version 20 ou supérieure. Une seule commande fait le pont vers votre éditeur préféré :

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

Le script télécharge automatiquement les modèles nécessaires et écrit les configs. Si vous ne faites pas confiance à l'automatisation, il existe un mode --wizard avec une interface terminal interactive. Pour ceux qui souhaitent utiliser wigolo comme service dans leur backend, il y a une image Docker et des SDK pour Python et TypeScript.

D'ailleurs, même si le projet se positionne comme complètement gratuit et sans clé, le développeur recommande d'ajouter une clé Gemini gratuite. Ceci n'est nécessaire que pour la fonction research afin que le LLM puisse rédiger le rapport final basé sur les faits trouvés. Sans la clé, vous aurez un tas de données structurées que votre agent principal devra traiter.

Qui en profite le plus

Je vois trois scénarios où wigolo gagne vraiment contre les concurrents cloud.

Premièrement, le développement local. Si vous écrivez du code dans Cursor et cherchez constamment de la documentation ou des erreurs StackOverflow, wigolo vous fera économiser beaucoup d'argent sur les appels API et rendra la recherche contextuelle.

Deuxièmement, l'automatisation de routine. Si vous avez besoin de surveiller les prix, les offres d'emploi ou les mises à jour de bibliothèques, combiner wigolo watch avec un simple serveur Python résoudra le problème en une soirée.

Troisièmement, la confidentialité. Si vous travaillez sur un projet avec un NDA strict, envoyer le contenu de pages internes à des services d'analyse tiers est une mauvaise idée. Dans wigolo, toutes les données restent sur votre disque.

Le projet est actuellement en bêta publique. La documentation est excellente et le dépôt contient de nombreux exemples — des scripts curl simples aux intégrations LangChain et n8n. Si vous expérimentez fréquemment avec des agents IA, cet outil vaut définitivement les 1,5 Go d'espace disque et la demi-heure de temps de test.