Skip to main content
Glama

Bagel ermöglicht es dir, Fragen zu Robotik-, Drohnen- und IoT-Daten in einfachem Englisch zu stellen. Jede Berechnung über deine Nachrichtendaten ist DuckDB SQL, keine Modellschätzung, und Bagel zeigt dir die Abfrage, damit du sie prüfen kannst.

Überhitzt mein IMU-Sensor?

Bagel verfügt außerdem über eine intelligente Edge-Datenreduktionspipeline: Beschreibe ein Ereignis und Bagel führt die Erkennung auf dem Roboter aus, behält die relevanten Fenster und verwirft den Rest. Ein MCP-Server stellt alles deinem LLM zur Verfügung: Claude Code, Gemini, Cursor oder ein vollständig lokales Modell.

Bagel war der erste MCP-Server, der ein echtes Analyse-Toolkit für Robotikdaten auslieferte, und es hält das LLM dort, wo es hingehört: vor deinen Logs, niemals in der Regelungsschleife deines Roboters.

🥯 Hauptmerkmale

  • Fragen in einfacher Sprache: Kein tiefes Fachwissen erforderlich.

  • Transparente Berechnungen: Deterministische SQL-Abfragen. Keine Black-Box-LLM-Mathematik.

  • Pipelines in natürlicher Sprache: „10 Sekunden um jede Vollbremsung herum behalten, den Rest verwerfen“: Ein Satz wird zu einer prüfbaren Pipeline: Vorschau bevor ein Byte geschrieben wird, dann einmal ausgeführt, flottenweit oder dauerhaft am Edge.

  • Breite LLM-Unterstützung: Claude Code, Gemini, Cursor, Codex und mehr.

  • Dockerisierte Umgebungen: Keine lokalen Abhängigkeiten erforderlich.

  • Erweiterbare Fähigkeiten: Bagel kann neue Tricks lernen.

  • Breite Formatabdeckung: Fehlt dein Datenformat? Erstelle ein Ticket.

⚡️ Schnellstart

[!TIP] Hast du bereits Claude Code? Füge einfach den Link zu diesem Repository ein und sage Claude, welche Umgebung du möchtest:

Richte https://github.com/Extelligence-ai/bagel für ROS2 Kilted ein.

Claude klont das Repository, startet Docker und richtet die MCP-Verbindung für dich ein.

📋 Voraussetzungen

Installiere Docker Desktop und Claude Code (oder ein anderes MCP-fähiges LLM).

1. Klonen und Bagel starten

git clone https://github.com/Extelligence-ai/bagel.git && cd bagel
docker compose run --service-ports ros2-kilted

[!TIP] Port 8000 bereits belegt? Setze MCP_SERVER_PORT auf einen anderen Wert, zum Beispiel MCP_SERVER_PORT=8100 docker compose run --service-ports ros2-kilted, und verwende diesen Port in Schritt 2.

Wähle den Dienst, der zu deiner Umgebung passt:

Dienst

Anwendungsfall

ros2-kilted

ROS2 Kilted (aktuell)

ros2-jazzy

ROS2 Jazzy

ros2-iron

ROS2 Iron

ros2-humble

ROS2 Humble

ros1-noetic

ROS1 Noetic

ros1-noetic-cv

ROS1 Noetic + CV

px4

PX4-Flugprotokolle

ardupilot

ArduPilot-Flugprotokolle

betaflight

Betaflight-Flugprotokolle

iot

IoT / MQTT (live)

[!TIP] Um Bagel Zugriff auf deine lokalen Dateien zu geben, bearbeite compose.yaml vor dem Start von Docker: Kommentiere den Abschnitt volumes unter dem gewählten Dienst aus und aktualisiere ihn.

Warte auf diese Ausgabe:

INFO:     Uvicorn running on http://0.0.0.0:8000 (Press CTRL+C to quit)

2. Claude Code verbinden

In einem neuen Terminal:

claude mcp add --transport sse bagel http://localhost:8000/sse

[!NOTE] Der MCP-Endpunkt ist aus Sicherheitsgründen nur an localhost gebunden (nicht im LAN verfügbar). Um ihn mit anderen Rechnern zu teilen, entferne das Präfix 127.0.0.1 in compose.yaml und setze einen authentifizierten Proxy davor: siehe SECURITY.md.

3. Prompt

claude

Fasse die Metadaten des ROS2-Bags "./data/sample/ros2/mcap" zusammen.

Das war's: Du unterhältst dich mit deinen Daten.

🔒 Bevorzugst du vollständig offline?

Ersetze Schritt 2 durch ein lokales Modell: Deine Daten und dein LLM bleiben auf dem Rechner:

brew install ollama && ollama serve &                                  # or ollama.com
ollama pull qwen3:8b
uvx ollmcp --mcp-server-url http://localhost:8000/sse --model qwen3:8b

Modellauswahl, Erwartungen und Fehlerbehebung: Lokale LLMs Leitfaden.

Bagel funktioniert mit jedem MCP-fähigen LLM. Einrichtungsanleitungen für getestete Alternativen:

Du findest dein LLM nicht? Erstelle ein Ticket.

Related MCP server: Robotics MCP Server

🔌 Claude Code-Plugin

Bagel enthält ein Claude Code-Plugin: vier Fähigkeiten, die Claude beibringen, wann und wie es den Server steuern soll (Log-Triage, Pipeline-Erstellung, Live-Sinks, Visualisierungs-Export) sowie die MCP-Verbindung, automatisch eingerichtet.

/plugin marketplace add Extelligence-ai/bagel
/plugin install bagel@bagel

Starte dann den Container für dein Datenformat (siehe Schnellstart): Das Plugin verbindet sich standardmäßig mit http://localhost:8000/sse. Jeder andere MCP-Client kann dieselben Workflows serverseitig über das Werkzeug list_agent_capabilities entdecken.

Behalte, was zählt, wirf den Rest weg

Ein Roboter zeichnet mehr Daten auf, als du dir leisten kannst zu übertragen. Bagel verwandelt eine Frage in einen Detektor, führt ihn dort aus, wo die Daten aufgezeichnet werden, und liefert nur die Fenster um tatsächliche Ereignisse.

Hier in einem Gespräch:

Die Sitzung oben: eine 20-minütige (1.200 s) Aufnahme und der Prompt „behalte 10 Sekunden vor und nach jeder Verzögerung härter als −10 m/s²“. Die Vorschau erkennt 7 Ereignisse, fasst sie zu 4 Fenstern zusammen und behält 92 s von 1.200 (7,6 %); der Durchlauf schreibt einen 2,1 GB Bag auf 161 MB herunter. Diese Zahlen sind illustrative Demo-Ausgabe, kein gemessener Benchmark: Das Verhältnis ist Ereignisfensterdauer zu Gesamtdauer, hängt also vollständig von deiner Arbeitslast ab.

✅ Unterstützte Datenformate

Branche

Formate

Robotik

ROS1, ROS2, MCAP (beliebiges Profil), Copper (via MCAP-Export), ROS-Text-Logs (~/.ros/log)

Drohnen

PX4, ArduPilot, Betaflight

Automobil

ASAM MDF4 (.mf4), CAN-Captures (.blf/.asc + DBC) · Beta

IoT

MQTT (live, Sparkplug B), PostgreSQL / TimescaleDB, InfluxDB 3

Hardware-Zustand

WaffleForm-Schnappschüsse (.waffleform.yaml), automatisch erkannt über waffle-iron · Beta

🆚 Bagel vs. die Werkzeuge, die du bereits verwendest

Du hast bereits ros2 *, PlotJuggler und grep. Bagel ersetzt sie nicht: Es beantwortet die Fragen, für die du dich mit ihnen abmühen müsstest, und übergibt dann an sie:

Das tust du heute

Frage stattdessen Bagel

ros2 bag info für Metadaten

„Fasse diesen Bag zusammen“: derselbe Prompt funktioniert bei PX4, ArduPilot, MCAP, MQTT, Postgres

ros2 topic echo /imu und rohe Werte ansehen

„Was ist die Spitzen-z-Verzögerung in /imu? Gleitender Durchschnitt über 5 s?“ · echte SQL darunter: Spitzen, gleitende Durchschnitte, Perzentile, themenübergreifende Korrelationen

PlotJuggler-Zeitachsen nach dem Ereignis durchforsten

„Finde jede Verzögerung unter −10 m/s² und schneide ±30 s Ausschnitte“: öffne dann das Ergebnis in PlotJuggler mit einem voreingestellten Layout

rqt_console oder grep ~/.ros/log

„Lies die ERRORs aus ~/.ros/log und sag mir, was schiefgelaufen ist“: inklusive Tracebacks, kein Bag nötig

Zwei Themen in zwei Terminals ausgeben, in einer Tabelle korrelieren

„Wie ist die Korrelation zwischen Strom und Spannung?“: Themen leben in einer SQL-Relation, daher sind Joins und corr() eine Frage

ros2 bag record -a und die Festplatte im Auge behalten

Eine ständige Edge-Pipeline: kontinuierlich aufzeichnen, nur Ereignisfenster behalten, Rest verwerfen

Eine Bash-Schleife über 200 Bags

„Führe diese Pipeline auf jedem Bag im Ordner aus“: eine Pipeline, ganze Flotte, mit einem kombinierten Bericht

scp/aws s3 sync-Skripte, um Daten vom Roboter zu übertragen

Hochladen zu S3, GCS oder Azure als Pipeline-Schritt, mit Prüfsummen-Überspringen bereits vorhandener Dateien

Ein anderes Betrachtungswerkzeug pro Format: FlightPlot für PX4, MAVExplorer für ArduPilot, Blackbox Explorer für Betaflight

Dieselbe Unterhaltung für alle, plus ROS, MCAP, MQTT, Postgres, InfluxDB

Ein einmaliges pandas-Skript pro Frage schreiben

Stelle die Frage; Bagel schreibt und führt die Abfrage aus

Ein Satz in einfacher Sprache, eine Antwort, statt einer Befehlskette und eines Skripts, das du morgen löschst.

💬 Was kann ich fragen?

Du kannst Bagel fast alles fragen. Zum Beispiel:

Wie ist die Korrelation zwischen Strom und Spannung im Thema /spot/status/battery_states?

Ich glaube, der Roboter ist in ein Schlagloch gefahren. Kannst du nach einer plötzlichen Verzögerung auf der z-Achse suchen, um das zu bestätigen?

Jedes Mal, wenn die Drohne stärker als -10 m/s² abbremst, behalte 10 Sekunden davor und danach. Verwerfe alles andere.

Hat sich seit letzter Woche etwas an diesem Roboter geändert?

Zeit, Bagel auf die Probe zu stellen: Kann es eine Drohne fangen, die einen Überschlag macht? Spoiler: 🎉 Ja, absolut.

💡 Wie Bagel funktioniert

Wenn du eine Frage stellst, analysiert Bagel die Metadaten und Themen deiner Datenquelle, um ein übergeordnetes Verständnis aufzubauen.

Basierend auf deiner Eingabe, falls eine genauere Untersuchung nötig ist, identifiziert Bagel die relevantesten Themen und interpretiert deren Bedeutung und Struktur. Bagel schreibt dann die relevanten Themennachrichten in eine Apache Arrow-Datei und verwendet DuckDB, um Abfragen dagegen zu generieren und auszuführen.

Dieser Vorgang wird bei Bedarf wiederholt, wobei neue Abfragen ausgeführt werden, bis Bagel die beste Antwort auf deine Frage findet.

LLMs sind hervorragend in Sprache, haben aber Schwierigkeiten mit Mathematik. Bagel umgeht dies, indem es deterministische DuckDB-SQL-Abfragen generiert. Diese Abfragen werden zur Überprüfung angezeigt, und du kannst Bagel anleiten, um etwaige Fehler zu korrigieren.

🐶 Bagel einen neuen Trick beibringen

Bagel lernt neue Fähigkeiten durch POML-Dateien: eine strukturierte Reihe von Anweisungen, die einen „Trick“ beschreiben, wie z. B. Berechnung von Latenzstatistiken.

✍️ Erstelle eine .poml-Datei

Definieren wir zum Beispiel ./src/agent/examples/woof.poml.

<poml>
    <task>
        Count the topics in the data source.
        If the count is odd, say "woof", else say "meow".
    </task>

    <output-format>
        Return the sound, the topic count, and a few cute emojis. Nothing else.
    </output-format>
</poml>

🗣️ Verwende die Fähigkeit

Gib Bagel die folgende Eingabe:

Führe die POML-Fähigkeit "./src/agent/examples/woof.poml" auf dem ROS2-Bag "./data/sample/ros2/mcap" aus.

Ergebnis:

meow 🐱 4 topics 🐱💤🎯

📚 Anleitungen

📦 Integrationen

  • Rerun · „Zeig mir dieses Ereignis in Rerun“: jedes Zeitfenster als bereit zur öffnende Aufzeichnung

  • Lichtblick / Foxglove · Ereignisfenster als MCAP + vorgefertigte Layouts für beide Betrachter

  • PlotJuggler · öffne Bagels MCAP-Ausgaben direkt; Ein-Satz-vorgefertigte Sitzungen, abgeflachte CSV/Parquet-Exporte

  • Cloudini · dekodiere Cloudini-komprimierte Punktwolken oder komprimiere die PointCloud2-Themen eines Bags in CompressedPointCloud2

  • Slack · Pipelines posten in deinen Betriebskanal, wenn sie ausgelöst werden: „🚨 starke Bremsung auf {asset}“

  • LeRobot (Beta) · erkannte Ereignisse werden zu Trainingsepisoden: ein LeRobotDataset v3.0

🚧 Einschränkungen

Bekannte raue Kanten, damit du sie nicht auf die harte Tour findest:

  • Zwei Formate sind im Beta-Stadium. Die MDF4/CAN-Reader für die Automobilbranche sind gegen Dateien verifiziert, die wir mit denselben Bibliotheken generieren, die sie auch lesen (asammdf, python-can); echte von CANape/INCA/Vector erstellte Aufnahmen haben unseren Prüfstand noch nicht durchlaufen. LeRobot-Exporte bestehen den Lasttest sauber mit dem echten lerobot-Paket, aber es wurde noch keine Richtlinie aus einem Bagel-Export trainiert.

  • Die Reduktionsverhältnisse sind arbeitslastabhängig und nicht gemessen. Das Verhältnis ist die Dauer des Ereignisfensters zur Gesamtdauer: Ruhige Aufnahmen reduzieren drastisch, ereignisreiche viel weniger. Die Zahlen in dieser README sind illustrative Demo-Ausgaben, kein gemessener Benchmark.

  • SSE ist der dokumentierte Transport. Streamable HTTP ist bereits verdrahtet (MCP_TRANSPORT=streamable-http), aber Compose leitet die Einstellung nicht weiter und kein Client-Runbook deckt es bisher ab, daher ist SSE derzeit der unterstützte Pfad (#168).

  • Keine Authentifizierung am MCP-Endpunkt. Es ist absichtlich so konzipiert, dass es nur an localhost gebunden ist; behandle es wie einen Datenbank-Socket und lies SECURITY.md, bevor du es über deinen Rechner hinaus teilst.

  • Kleine lokale Modelle haben Schwierigkeiten mit mehrstufigen Pipelines. Ein 4-8B-Modell bewältigt die Werkzeugauswahl und einfaches SQL; die ereignisfensterbasierte Reduktion und themenübergreifende Verknüpfungen benötigen ein größeres Modell. Siehe die Anleitung zu lokalen LLMs.

  • Live-Datenbank-End-to-End-Tests laufen außerhalb von CI. Die reinen Tests der InfluxDB- und Postgres- Suiten laufen in CI; ihre Live-End-to-End-Fälle werden nur gegen eine Instanz ausgeführt, auf die du sie richtest. Alles andere, einschließlich der ROS-Bag-Schreibpfade, läuft in CI.

🫶 Mitwirken

Wir freuen uns über deine Hilfe! Der einfachste Weg, das Projekt zu unterstützen, ist, ihm auf GitHub einen ⭐ zu geben.

Weitere großartige Möglichkeiten, einen Beitrag zu leisten:

  • Neue Funktionen anfragen

  • Fehler melden

  • Dokumentation verbessern

  • Neue Fähigkeiten hinzufügen

Bevor du einen Beitrag leistest, lies bitte die Richtlinien.

Nimm an der Diskussion auf unserem Discord-Server teil. Wir sind dort regelmäßig anzutreffen.

📄 Lizenz

Bagel ist Open Source unter der Apache License 2.0.

Available Tools

25 tools
delete_capabilityDelete a user capabilityA
DestructiveIdempotent

Delete a capability previously saved with save_agent_capability, by the exact, full name list_agent_capabilities reports (user/-prefixed) -- a bare slug is rejected, since a user capability's name can shadow a builtin of the same stem. Only user-saved capabilities can be deleted -- builtins shipped with Bagel refuse with a clear message. An unknown name raises rather than silently no-op-ing, listing the user capabilities that do exist.

Inputs: name (required). Returns: object

delete_pipelineDelete a saved pipelineA
DestructiveIdempotent

Delete exactly one pipeline YAML file previously written by save_pipeline, by the same name list_pipelines reports. Confined to the trusted pipelines directory (settings.PIPELINES_DIRECTORY) -- there is no directory argument, so this can never be pointed at an arbitrary path -- and a name that would resolve outside it is refused before anything is touched. Deleting an unknown name raises rather than silently no-op-ing, listing the names that do exist -- so a second delete of the same name also raises.

Inputs: name (required). Returns: object

describe_data_sourceDescribe a data sourceA
Read-onlyIdempotent

Inspect a robotics, drone, or IoT log first: returns source metadata, available topics, and instructions for summarizing them. Use describe_topic next for field schemas before SQL. Does not return message rows or detect anomalies. Paths are resolved on the Bagel server; runtime and schema support depend on the selected service.

Inputs: path (required), args. Returns: result

describe_topicDescribe a topic in a data sourceA
Read-onlyIdempotent

Inspect one known topic before writing SQL or event predicates. Returns its DuckDB schema, original message definition, and query instructions, without message rows. Discover topic names with describe_data_source. Confirm units from the definition or user; do not infer units from field names.

Inputs: path (required), topic (required), args. Returns: result

export_for_lerobotExport event windows as a LeRobot training dataset (beta)A
Idempotent

Write selected event windows as a LeRobotDataset v3.0: one episode per window, scalar signals grouped into feature vectors and resampled to a uniform fps using last observation carried forward. Returns the dataset directory, episode/frame counts, and loading instructions. Choose this for robot-learning dataset preparation, not interactive viewing or model training. Beta: load compatibility tested; actual training-run validation remains outstanding.

Inputs: fps (required), path (required), task (required), topics (required), +5 more. Returns: object

export_for_lichtblickExport an event window for Lichtblick / FoxgloveA
Idempotent

Write a selected time window as JSON-encoded MCAP plus a plot layout for Lichtblick or Foxglove; returns paths, curves, and opening instructions. Choose this for those viewers, not byte-preserving native ROS/CDR export. Inspect topic schemas and use source timestamps in seconds. Automatically selects up to eight numeric plot curves unless signals are specified. Requires a separate viewer; does not launch it.

Inputs: path (required), topics (required), end_seconds (required), start_seconds (required), +3 more. Returns: object

export_for_plotjugglerExport an event window for PlotJugglerA
Idempotent

Write a selected time window as flattened scalar CSV plus a PlotJuggler XML layout; returns paths, plotted curves, and an opening command. Choose this for scalar plotting in PlotJuggler, not native bag preservation. Inspect topic schemas and use inclusive source timestamps in seconds. Automatically selects up to eight numeric curves unless signals are specified. Requires the separate viewer to open; does not launch it.

Inputs: path (required), topics (required), end_seconds (required), start_seconds (required), +3 more. Returns: object

export_for_rerunExport an event window for the Rerun viewerA
Idempotent

Write a selected time window as scalar time series in a Rerun .rrd recording; returns its path, signals, and an opening command. Choose this when the user requests Rerun. Requires rerun-sdk (uv sync --group viz) and a separate viewer. Inspect topic schemas and use source timestamps in seconds. This exporter does not produce camera or 3D scene replay and does not launch the viewer.

Inputs: path (required), topics (required), end_seconds (required), start_seconds (required), +3 more. Returns: object

get_pipelineRead a saved pipelineA
Read-onlyIdempotent

Return the full configuration of one pipeline saved by save_pipeline, by the name list_pipelines reports, so it can be inspected, edited and saved again or passed to run_pipeline. Confined to the trusted pipelines directory (settings.PIPELINES_DIRECTORY); a name resolving outside it is refused.

Inputs: name (required). Returns: object

list_agent_capabilitiesList agent capabilitiesA
Read-onlyIdempotent

List every capability available to run: the predefined .poml capabilities shipped with Bagel, plus any user-saved capabilities (.poml or .md, named with a user/ prefix) discovered under the user-capabilities directory. Each entry has a name, a path to pass to run_poml_capability, and a one-line summary. Use this to discover available capabilities instead of guessing file paths.

Inputs: no named parameters. Returns: result

list_live_topicsList available live topicsA
Read-onlyIdempotent

Discover topic names from a live broker or ROS bridge before subscribing. Supported type_ values: mqtt, ros1.bridge, ros2.bridge. Requires a reachable service; specify host and port when defaults do not fit. Returns topic names without starting a persistent recording. Use describe_data_source for an existing recorded log.

Inputs: type_ (required), args, host, port. Returns: result

list_pipeline_capabilitiesList pipeline capabilitiesA
Read-onlyIdempotent

Discover available task and gate modules before authoring pipeline YAML. Returns module paths, constructor parameters, summaries, and availability. These are executable building blocks, not saved workflows: use list_pipelines for saved configs and list_agent_capabilities for reusable agent instructions.

Inputs: include_unavailable. Returns: result

list_pipelinesList saved pipelinesA
Read-onlyIdempotent

List the pipeline YAML files saved by save_pipeline in the trusted pipelines directory (settings.PIPELINES_DIRECTORY): each entry's name, path, and a one-line summary (task count, site/asset, and cadence). Use this to discover what has already been saved before reusing, editing, or deleting it -- instead of guessing file names.

Inputs: no named parameters. Returns: result

preview_anomaliesPreview what the anomaly gate would flag (beta)A
Read-onlyIdempotent

Dry-run the on-robot anomaly screen over a recorded log without calling any decision model or writing artifacts. Learns a rolling baseline the way the src.pipeline.gates.anomaly gate does, then reports every window the screen would flag (mean shift, extreme sample, topic dropout) with the signal, value and z-score, flag counts per signal, and plain-language advice (signals that drift by design, warm-up longer than the log). Inspect topics first and pass signals as rates and errors (accelerations, angular rates, currents), never positions or orientations. Use it to choose signals and thresholds before saving an anomaly pipeline. It models screen mode with the decision model confirming every flag, every: N seconds cadences, and a gate that sees every fire (list the anomaly gate first).

Inputs: path (required), window_seconds (required), args, topics, +8 more. Returns: object

preview_pipelinePreview an event-driven data reductionA
Read-onlyIdempotent

Preview an event-window reduction without writing artifacts. Inspect source and topic schemas first, then provide a SQL boolean predicate and nonnegative pre/post seconds. Detects false-to-true transitions, debounces nearby events, merges overlapping windows, and returns event timestamps, intervals, total seconds, and kept seconds/fraction. Report these results and obtain user confirmation before executing the reduction with run_pipeline or run_pipeline_batch. Does not predict output byte size.

Inputs: path (required), predicate (required), event_topic (required), pre_seconds (required), +3 more. Returns: object

query_messagesQuery topic messages with SQLA
Read-onlyIdempotent

Answer quantitative questions with read-only DuckDB SQL over one topic: filtering, aggregates, downsampling, and event evidence. Call describe_data_source and describe_topic first; use the returned schema and show the SQL to the user. Returns rows as dictionaries. Use read_loggings for textual diagnostics. Time bounds are inclusive source timestamps in seconds, not offsets from the first message.

Inputs: path (required), topic (required), sql_statement (required), args, +2 more. Returns: result

read_loggingsRead logging messages from a data sourceA
Read-onlyIdempotent

Read textual INFO/WARN/ERROR diagnostics from a recorded source, optionally within inclusive source-time bounds in seconds. Returns logging records, or an empty list when no logging topics exist. Use query_messages for numerical signals, statistics, and threshold detection; empty diagnostics do not prove a healthy log.

Inputs: path (required), args, end_seconds, start_seconds. Returns: result

run_pipelineRun a pipelineA

Execute one pipeline config against its single config.path after configuration and input validation. For event reductions, first call preview_pipeline, report events and kept seconds, and obtain user confirmation. Returns pipeline status, run counts, and artifact paths; inspect status for failures. Tasks may write files or contact external services. Use save_pipeline to store without executing, or run_pipeline_batch for multiple sources.

Inputs: config (required). Returns: object

run_pipeline_batchRun a pipeline across many data sources (batch)A

Execute one pipeline config for multiple explicit source paths or globs, overriding config.path for each source. Each source runs independently; returns per-source statuses/errors and totals. For event reductions, preview each source to be reduced and obtain confirmation of the batch scope before executing. Tasks may write files or contact external services. Use run_pipeline for a single source. A glob matching nothing is treated as a literal path.

Inputs: paths (required), config (required). Returns: object

run_poml_capabilityRun a capability defined in a POML fileA
Read-onlyIdempotent

Load reusable agent instructions from a POML or Markdown file; returns a prompt for the calling agent to follow. Discover paths with list_agent_capabilities. POML accepts template context; Markdown rejects nonempty context. Loading the prompt does not itself analyze data, execute a pipeline, or write reduction artifacts. Use run_pipeline for an approved executable pipeline config.

Inputs: poml_path (required), poml_context. Returns: result

save_agent_capabilitySave a user capabilityA
DestructiveIdempotent

Save a reusable workflow as a named capability so it can be discovered with list_agent_capabilities and run with run_poml_capability in any future session. Content may be POML (validated before saving; supports context parameterization) or plain markdown instructions. Writes only to the user-capabilities directory; builtin capabilities cannot be modified.

Inputs: name (required), content (required), overwrite. Returns: object

save_pipelineSave a pipeline to a YAML fileB
Idempotent

Persist a pipeline configuration to a YAML file so it can be reused, edited, or run later with run.py. Returns the path to the written file.

Inputs: name (required), config (required), directory. Returns: result

snap_hardwareSnapshot robot hardware into a WaffleForm (experimental beta)A

Auto-detect the robot's current hardware, firmware, and software using waffle-iron and return the resulting hardware state. Requires the waffle CLI on PATH (cargo install waffle-iron). The WaffleForm it writes is immediately queryable as a data source.

Inputs: directory. Returns: object

subscribe_live_topicsSubscribe to live topic messagesA
Destructive

Start a background subscription to mqtt, ros1.bridge, or ros2.bridge and persist messages locally; returns the sink directory for subsequent analysis. Use list_live_topics first. An optional pipeline runs continuously on incoming messages and may write or upload artifacts. overwrite=True clears existing topic buffers. Stop it with unsubscribe_live_topics. Not for inspecting an existing file.

Inputs: type_ (required), args, host, port, +3 more. Returns: result

unsubscribe_live_topicsStop live topic subscriptionsA
Idempotent

Stop topics started by subscribe_live_topics on a running mqtt, ros1.bridge, or ros2.bridge subscription (same type_, host and port). Omit topics to stop all of them. A standing pipeline finishes its queued runs and its end-of-stream run first, which may write or upload artifacts. Recorded messages stay in the returned sink directory for analysis. Once nothing is subscribed the connection is closed. Never opens a connection: errors if there is no running subscription there.

Inputs: type_ (required), host, port, topics. Returns: object

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    TDQS

    A4/5.0

    Scored across 25 tools

    Disambiguation5/5

    Each tool targets a distinct resource or action: capabilities, pipelines, data-source inspection, live-topic subscriptions, and exports are all clearly separated. Similar-sounding tools such as run_poml_capability versus run_pipeline, list_pipelines versus list_pipeline_capabilities, and query_messages versus read_loggings are explicitly cross-referenced and disambiguated in their descriptions.

    Naming Consistency4/5

    The set overwhelmingly follows a verb_noun snake_case pattern with consistent list/save/delete/run/preview/export verbs. Minor deviations include run_poml_capability supporting Markdown despite the POML-specific name, delete_capability breaking the save_agent_capability/list_agent_capabilities symmetry, and the somewhat vague snap_hardware verb.

    Tool Count3/5

    With 25 tools the server sits exactly in the heavy 16-25 range, making it borderline even though the domain is fairly broad. The pipeline and capability management clusters plus the four exporter tools add significant surface area, though none of the tools feel entirely redundant.

    Completeness4/5

    Core lifecycles are covered well: capabilities have list/save/run/delete, pipelines have save/get/list/delete/run/batch/preview, and data inspection covers schemas, SQL queries, and textual logs. Minor gaps remain, such as no tool to enumerate recorded data sources or produce byte-preserving native bag exports, but agents can work around these.

    Maintenance

    ActivityActive
    ResponsivenessUsually handled

    Related MCP Connectors

    Related MCP Servers

    • F
      license
      Not graded
      quality
      D
      maintenance
      Enables language models to perform hardware engineering tasks including CAD part design and heat transfer simulations. Provides tool calls for building mechanical components and running thermal analysis through natural language interactions.
      -
    • A
      license
      C
      quality
      B
      maintenance
      Provides unified control for both physical robots (ROS-based like Moorebot Scout, Unitree) and virtual robots in Unity3D/VRChat, enabling multi-robot coordination, environment generation, and automated 3D model creation.
      25
      12
      MIT
    • A
      license
      Not graded
      quality
      C
      maintenance
      Enables AI agents to control hardware devices like Arduino, Raspberry Pi, 3D printers, CNC machines, and custom robots via serial ports and HTTP. Provides tools for device discovery, command sending, sensor reading, servo control, G-code execution, and emergency stops with safety features.
      37 PyPI
      MIT