Bagel 由 Extelligence 开发，仓库地址为 https://github.com/Extelligence-ai/bagel，定位是让用户以自然语言（英文）向机器人、无人机和 IoT 数据提问。其核心理念是：所有针对消息数据的计算都由 DuckDB SQL 执行，而非模型猜测，并会向用户展示生成的查询语句以便审计。同时，Bagel 提供了一个智能边缘数据缩减流水线，可描述一个事件，让 Bagel 在机器人上运行检测，只保留关键时间窗口，丢弃其余数据。通过 MCP 服务器，Bagel 可接入 Claude Code、Gemini、Cursor 或完全本地的模型。官方称 Bagel 是首个为机器人数据提供真实分析工具包的 MCP 服务器，并将 LLM 放在日志面前，而绝不置于机器人控制回路中。
主要能力包括：
- 自然语言提问：无需深厚领域知识，例如询问 IMU 传感器是否过热。
- 透明计算：生成确定性 SQL 查询，而非黑盒 LLM 数学运算。
- 自然语言流水线：例如“保留每次急刹车前后 10 秒，丢弃其余”，可预览后再执行，支持单次、车队批量或边缘常驻运行。
- 广泛的 LLM 支持：Claude Code、Gemini、Cursor、Codex 等。
- 多种安装方式：pip/uvx 用于录制数据，Docker 镜像用于实时机器人和边缘。
- 可扩展能力：通过 POML 文件或保存对话为能力来学习新技巧。
- 广泛格式覆盖：缺少格式可提交工单。
使用方式： Bagel 在 PyPI 上以 bagel-mcp 发布，录制数据分析无需 Docker 和 ROS 安装。安装方式有两种：
- 使用 uvx（需先安装 uv）：安装 uv 后，可直接通过 uvx 运行 bagel-mcp。任何接受 JSON MCP 配置的客户端（Claude Desktop、Cursor、Codex 等）均可使用。
- 使用 pip：要求 Python 3.10 至 3.12，建议使用虚拟环境。安装后，在 MCP 客户端中配置命令为 bagel-mcp（完整路径），参数为 --transport stdio。 格式支持以 extra 形式提供，按需安装，例如 uvx --from "bagel-mcp[ros,px4,automotive]" bagel-mcp --transport stdio，或 pip install "bagel-mcp[ros,px4,automotive]"。MCAP、CSV/JSON/Parquet、ROS 文本日志、PlotJuggler/Lichtblick/LeRobot 导出和 S3 上传无需额外 extra。升级时需重复已安装的 extra 以确保依赖更新。
对于实时机器人、车队和边缘场景，或特定 ROS 发行版，可使用 Docker。已有 Claude Code 的用户可粘贴仓库链接并说明环境，由 Claude 自动完成克隆、启动 Docker 和 MCP 连接。Docker 服务端口默认为 8000，可通过 MCP_SERVER_PORT 修改。MCP 端点仅绑定 localhost，如需共享需移除 127.0.0.1 前缀并配置认证代理，参考 SECURITY.md。
支持的客户端与插件： Bagel 可与任何支持 MCP 的 LLM 配合。官方提供了 Claude Code、Gemini、Cursor、Codex 等测试过的设置指南。Bagel 还附带 agent 插件，包含四个技能（日志分诊、流水线编写、实时接收器、可视化导出），并自动连接 MCP。Claude Code 和 OpenAI Codex 共用同一插件目录。Codex 和 ChatGPT 用户可从 OpenAI Plugins Directory 一键安装，或克隆仓库作为插件市场添加，然后使用 codex mcp add bagel --url http://localhost:8000/mcp 连接。
支持的数据格式： MCAP、CSV/JSON/Parquet、ROS 文本日志、PlotJuggler/Lichtblick/LeRobot 导出、S3 上传无需 extra；ROS 1 和 ROS 2 bag 需 ros extra，使用纯 Python 的 rosbags 库读写，无需安装 ROS；PX4 飞行日志、CAN/MDF4、实时 MQTT 等为额外 extra。实时 ROS 机器人（rosbridge）和车队/边缘流水线在 Docker 中运行。也有 PostgreSQL/TimescaleDB、InfluxDB 3、Slack、Rerun、Cloudini 等集成。
适用场景：
- 机器人、无人机和 IoT 日志的快速问答与故障排查。
- 边缘数据缩减：在数据产生处运行检测，仅上传关键窗口，节省带宽和存储。
- 异常检测（beta）：通过 Jev 学习正常模式并标记异常，仅上传带 JSON 标签的片段。
- 批量处理车队数据，上传至 S3、GCS、Azure、MinIO 或 R2。
- 与现有工具（ros2、PlotJuggler、grep）协同，快速得出答案后交给它们继续处理。
限制与已知粗糙边缘：
- 汽车 MDF4/CAN 读取器为 beta，仅针对用相同库（asammdf、python-can）生成的文件验证，尚未测试真实 CANape/INCA/Vector 捕获。
- LeRobot 导出（beta）可用真实 lerobot 包加载测试，但尚无策略从 Bagel 导出训练。
- Jev 集成为 beta，覆盖异常和决策门、preview_anomalies、本地后端和 ros2-jazzy-jev 镜像；其 Jev 后端已通过 Vercel AI Gateway 在真实驾驶、合成故障日志和实时 MQTT 流上运行，但直接 TypeSafe 密钥尚未测试，检测质量未在日志上测量。
- 其他说明：部分 Docker 服务仅发布 amd64，arm64 Linux 需 QEMU/binfmt 才能模拟运行。
收费与价格信息、平台限制及效果指标暂未提供。
