fenic - Semantic DataFrames untuk manusia dan agen

• Mesin kueri DataFrame yang menangani operasi bergaya PySpark/SQL (select, filter, join, group_by, agg) dan operator semantik yang memanggil model bahasa dalam satu model kueri
  • Mengubah dokumen/transkrip/log/trace eval/tiket/tabel/API menjadi baris bertipe (typed rows) dan workflow yang dapat diulang
• Operator AI tertanam dalam model kueri, seperti extract, classify, summarize, embed, dan join semantik, sehingga bekerja sebagai operator yang memiliki skema dan tipe
  • Menjalankan filter biasa sebelum filter semantik, serta mengurangi pemanggilan LLM dan biaya yang tidak perlu melalui batching otomatis/rate limiting/retry/caching
• Pipeline itu sendiri adalah artefak — dapat diperiksa dengan lineage per baris, explain, serta metrik token/biaya per kueri
  • Dapat dijalankan ulang melalui lazy execution dan caching, serta dapat dipromosikan menjadi tabel/view/MCP tool bernama
  • Hasil eksplorasi tidak menghilang sebagai riwayat chat, tetapi tetap tersimpan sebagai kode/data/pipeline
• Mengikat teks tidak terstruktur ke skema Pydantic dan mengembalikannya sebagai kolom terstruktur yang dapat dikueri
  • Mendukung join berbasis makna, bukan key yang persis sama (semantic join)
  • Memperlakukan Markdown/Transcript/JSON (jq)/HTML/embedding sebagai tipe logis kelas satu dan mendukung parsing PDF
  • Mendukung pembacaan data CSV·Parquet dari S3/Hugging Face
• Memiliki perencanaan kueri dan lapisan eksekusi inferensi sendiri, serta memanfaatkan Polars/DuckDB untuk operasi data umum
  • Bertukar data melalui Apache Arrow dan dapat dijalankan dengan mudah di lingkungan lokal
• Berfokus pada eksekusi asinkron/retry+backoff/caching/pemeriksaan tipe untuk menangani rate limit/timeout/output nondeterministik yang khas pada inferensi
• Dirancang agar manusia dan agen dapat menulis, memeriksa, dan menggunakan ulang pipeline yang sama
  • Menyediakan fenic skill install untuk coding agent dan pemeriksa statis fenic check
• Mendaftarkan pipeline sebagai tool di katalog dan mengeksposnya melalui MCP
  • Mengubah pipeline data menjadi tool bertipe yang dapat dipanggil agen
  • Mendefinisikan dirinya sebagai context engineering deklaratif untuk agen
• Memisahkan (decoupled) inferensi batch berat dari runtime agen
  • Menyediakan agen yang lebih dapat diprediksi dan lebih responsif, serta pemanfaatan sumber daya yang lebih baik
• Lisensi Apache-2.0