Loading ToolBench
MCP server for Froggy daemon integration on macOS, providing local LLM inference, audio transcription, screen context capture, and application memory management
Froggy MCP has 13 tools with complete input schemas and descriptions in Russian. However, critical gaps limit production readiness: (1) No output schemas documented for any tool, LLMs cannot plan downstream calls or extract structured data. (2) Descriptions lack actionable guidance on WHEN to use each tool vs. alternatives (e.g., froggy_generate vs froggy_chat). (3) No error handling guidance, tools return success/failure but don't tell the agent what to do on failure. (4) Parameter descriptions are minimal; many lack format/range constraints. (5) Tool names use prefixes (froggy_*) but lack clear verb-noun structure, 'froggy_listen' vs 'start_call_recording' is less self-documenting. (6) No security annotations despite sensitive operations (freeze processes, inject context, record audio). Baseline: 549 production tools average 194-char descriptions and 100% have param annotations; this server averages ~120 chars and ~60% param coverage.
Быстрый голосовой ответ через локальный LLM без roundtrip в Claude API. Pipeline: берёт хвост транскрипта → froggy_generate → froggy_speak (Milena Enhanced). Latency ~1-2с. Используй вместо froggy_generate+froggy_speak для голосового диалога в реальном времени.
Последний OCR-контекст экрана пользователя. Что сейчас открыто на Mac: код, браузер, документы. Используй чтобы понять с чем работает пользователь без его объяснений.
Замораживает приложение (SIGSTOP) чтобы освободить unified memory. Передай bundle_id (com.spotify.client) или имя из froggy_status. Используй перед тяжёлыми задачами — LLM, билд, деплой.
Генерирует ответ через локальный LLM на Mac пользователя. Используй для приватных вопросов или когда нужно спросить о локальном контексте.
Инжектирует текст в markdown-файл текущего созвона. Используй чтобы добавить Jira-тикеты, заметки или любой контекст в сессию до или во время созвона — локальный LLM увидит это в транскрипте.
No output schemas documented. LLMs cannot infer what fields each tool returns, forcing them to guess at downstream data extraction and chaining. E.g., froggy_status returns 'model loaded, transcription status, memory pressure, audio devices' but no structured schema.
Missing error handling guidance. Tools declare risk levels (READ_ONLY, WRITE, REVERSIBLE) but provide no recovery instructions. E.g., if froggy_listen fails, should the agent retry, check permissions, or ask the user?
Parameter descriptions lack format/range constraints. E.g., max_chars in froggy_context says 'default 4000' but no min/max bounds, no guidance on what happens if exceeded. Baseline: 100% of A+ tools specify ranges.
| Scored | Grade | Overall | Spec posture | Rubric |
|---|---|---|---|---|
| 2026-09-23 | D | 53 | 2026-07-28+ | v2 |
Запускает запись созвона (транскрипция микрофона). Опционально инжектирует pre-call контекст (Jira-тикеты, заметки) прямо при старте. Возвращает путь к файлу сессии.
Останавливает запись созвона. Возвращает путь к файлу сессии — используй froggy_recap чтобы сгенерировать резюме.
Текущее давление памяти и список замороженных процессов. Используй чтобы решить нужно ли замораживать приложения.
Генерирует LLM-резюме последнего созвона через локальную модель. Дописывает summary в markdown-файл сессии. Занимает до 60 секунд.
Froggy произносит текст вслух через системный TTS. Используй чтобы дать голосовой ответ пользователю. Блокирует до конца речи.
Статус Froggy daemon: загружена ли модель, идёт ли транскрипция созвона, давление памяти, подключённые аудио-устройства.
Размораживает все приложения (SIGCONT). Вызывай после завершения тяжёлой задачи.
Транскрипт текущего или последнего созвона. Возвращает markdown-файл сессии: кто что говорил, временные метки. Используй чтобы ответить на вопросы о прошедшей встрече.
No tool annotations (readOnlyHint, destructiveHint, idempotentHint). Risk levels are declared in metadata but not in MCP tool annotations, limiting agent safety reasoning.
Descriptions lack WHEN-to-use guidance. froggy_generate and froggy_chat both generate LLM responses but differ in latency and context. No description explains when to pick one over the other, forcing LLM to guess.