在本地模式下，Spark StorageLevel的确不起作用。这是因为本地模式只在单个JVM进程中运行，不涉及分布式存储和网络传输。

如果你想在本地模式下模拟存储级别的效果，可以使用persist()方法和unpersist()方法手动缓存和清除数据。以下是一个示例代码：

import org.apache.spark.{SparkConf, SparkContext}

object StorageLevelExample {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("StorageLevelExample").setMaster("local")
    val sc = new SparkContext(conf)

    // 创建一个RDD
    val data = sc.parallelize(1 to 100)

    // 手动缓存数据
    data.persist()

    // 使用缓存的数据进行计算
    val result = data.reduce(_ + _)
    println(s"Result: $result")

    // 清除缓存的数据
    data.unpersist()

    sc.stop()
  }
}

在上述代码中，我们使用persist()方法手动缓存数据，然后使用reduce()方法对数据进行计算。最后，使用unpersist()方法清除缓存的数据。

请注意，这种方法只适用于本地模式下的测试和调试，并不适用于生产环境中的分布式集群。在分布式环境中，Spark StorageLevel会根据配置和资源情况自动选择适当的存储级别。