Extelligence-ai/bagel

📦 Bagel – 面向機器人、無人機與 IoT 日誌的自然語言分析工具

這是什麼 – Bagel（由 Extelligence 所開發）是一項基於 Docker 的服務，讓您能以自然語言與您的機器人、無人機或 IoT 資料對話。您提出問題（例如 「我的 IMU 是否過熱？」 或 「在每次急煞前後各保留 10 秒」），Bagel 會將請求轉換為可確定性的 DuckDB SQL，並在日誌資料上執行。產生的 SQL 會顯示給您，因此答案可審核，而非黑箱式的 LLM 推測。

為什麼重要 – 在許多機器人工作流程中，資料量龐大且儲存在如 ROS 2 bag、PX4 日誌、MCAP、CAN 捕獲、MQTT 流等格式中。提取洞見通常需要撰寫腳本、使用 grep，或手動將資料載入 PlotJuggler 等工具。Bagel 將語言理解部分交由 LLM（Claude Code、Gemini、Codex、Ollama 等）處理，但所有繁重運算——過濾、聚合、聯結——皆保留在本地執行的 SQL 中，於機器人或邊緣伺服器上運行。這為您帶來：

• 自然語言介面 – 無需記住精確的主題名稱或 SQL 語法。
• 透明且可重現的查詢 – 您可看見產生答案的完整 SQL，並可進行編輯。
• 邊緣資料壓縮 – 一句話即可定義一個在裝置上執行的偵測器，只保留相關時間窗，並傳送極小的資料包，而非數 GB 的原始資料。
• 廣泛的格式支援 – 支援 ROS 1/2、PX4、ArduPilot、Betaflight、汽車 MDF4/CAN、MQTT、PostgreSQL/TimescaleDB、InfluxDB 3 等。

---

🚀 主要功能（依 README 列出）

• 自然語言查詢 – 無需學習 DSL，即可就日誌內容提出任何問題。
• 可確定性 SQL 後端 – 每個計算都是您可審核的 DuckDB 查詢。
• 自然語言流程 – 用一句話描述事件驅動的資料壓縮，預覽流程，再於整個機隊或邊緣設備上執行。
• 支援 MCP 的 LLM – 可搭配 Claude Code、Gemini CLI、Codex、Cursor、Ollama 等使用。
• Docker 容器化 – 提供 ROS 2（Kilted、Jazzy、Iron、Humble）、ROS 1、PX4、ArduPilot、Betaflight 及通用 IoT 的即時運行映像。
• 透過 POML 可擴充 – 僅需放置 .poml 檔案即可新增「技巧」（自訂功能），無需重新建置。
• 整合功能 – 可將結果匯出至 PlotJuggler、Rerun、Foxglove/Lichtblick、Cloudini 點雲壓縮、Slack 警報，以及 LeRobot 訓練資料集。

---

🛠️ 運作方式（高階流程，來自 README）

1. 元資料探勘 – Bagel 讀取日誌的結構（主題、欄位、時間戳）。
2. 提示解析 – LLM 解析您的自然語言請求，判斷哪些主題相關。
3. Arrow 轉換 – 相關訊息寫入 Apache Arrow 檔案。
4. SQL 生成 – LLM 產出實作所需計算的 DuckDB SQL 查詢。
5. 執行與迭代 – DuckDB 執行查詢；若答案仍不夠詳細，循環重複直到獲得滿意回應。
6. 結果傳遞 – 答案（及 SQL）送回 LLM 客戶端；可選的流程步驟可匯出 MCAP 片段、CSV/Parquet，或推送至雲端儲存。

---

🎯 典型應用情境

情境	您如何向 Bagel 提問
快速健康檢查	「總結這個 ROS2 bag 的元資料。」 → 回傳簡明報告卡。
故障偵測	「IMU 感測器是否過熱？」 → 對溫度主題執行統計檢驗。
事件驅動的剪裁	「在每次減速度超過 –10 m/s² 前後各保留 10 秒，其餘刪除。」 → 建立邊緣壓縮流程，將 2 GB 日誌縮小至約 160 MB。
跨主題分析	「/spot/status/battery_states 中電流與電壓的相關性為何？」 – 一句 SQL 聯結即可計算 corr()。
批次處理	「在資料夾 X 中的所有 bag 上執行此流程。」 – Bagel 在整個機隊上執行相同可確定的流程，並產生合併報告。
離線作業	使用 Ollama（例如 qwen3:8b）搭配 ollmcp 在本地執行，確保資料與模型均留在機器上。

---

🏁 快速入門（來自 README 的快速步驟）

1. 安裝 Docker Desktop，並安裝支援 MCP 的 LLM（Claude Code 為預設範例）。
2. 克隆程式碼庫，並啟動相應的 Docker Compose 服務，例如：

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

3. 連接 LLM（以 Claude Code 為例）：

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

4. 提示模型 – 開啟 Claude（或任何 MCP 客戶端），向您的日誌提出問題。
5. 可選離線模式 – 安裝 Ollama，下載本地模型，並執行 ollmcp 指向相同的 MCP 伺服器。

也提供一鍵示範：

docker run -it --rm ghcr.io/extelligence-ai/bagel/px4:latest demo

此指令會列印內建 PX4 飛行日誌的健康報告。

---

⚠️ 已知限制（依列出）

• 汽車 MDF4/CAN 支援仍處於 測試版（僅針對產生的檔案測試過）。
• 資料壓縮比率取決於工作負載，且 未經過基準測試；README 中的數字僅供示意。
• MCP 末端 無認證機制，且僅綁定至 localhost – 若要公開，必須自行加入代理伺服器。
• 小型本地 LLM（4–8 B）可能在多步流程中表現困難；較大型模型能提供更可靠的工具選擇。
• InfluxDB/Postgres 的即時資料庫端到端測試僅針對使用者提供的實例執行，不在 CI 中執行。

---

📄 授權條款

Apache License 2.0（開源）。

---

總結 – Bagel 是自然語言 LLM 介面與嚴謹、基於 SQL 的機器人、無人機與 IoT 遙測分析之間的實用橋樑。它讓工程師能提出高階問題，審核底層運算，並自動在邊緣壓縮巨量日誌，所有操作皆在 Docker 隔離環境中完成。