fenic - Semantische DataFrames für Menschen und Agenten

• Eine DataFrame-Query-Engine, die PySpark-/SQL-ähnliche Operationen (select, filter, join, group_by, agg) und semantische Operatoren, die Sprachmodelle aufrufen, gemeinsam in einem einzigen Query-Modell behandelt
  • Wandelt Dokumente/Transkripte/Logs/Eval-Traces/Tickets/Tabellen/APIs in typisierte Zeilen (typed rows) und wiederholbare Workflows um
• AI-Operatoren wie extract, classify, summarize, embed und semantisches join sind direkt in das Query-Modell eingebaut und arbeiten als Operatoren mit Schema und Typen
  • Führt normale Filter vor semantischen Filtern aus und reduziert durch automatisches Batching, Rate Limiting, Wiederholungen und Caching unnötige LLM-Aufrufe und Kosten
• Die Pipeline selbst ist das Ergebnis — prüfbar mit zeilenweiser Lineage, explain sowie Token-/Kostenmetriken pro Query
  • Durch verzögerte Ausführung und Caching erneut ausführbar und zu benannten Tabellen/Views/MCP-Tools hochstufbar
  • Explorationsergebnisse verschwinden nicht als Chatverlauf, sondern bleiben als Code/Daten/Pipeline erhalten
• Bindet unstrukturierten Text an Pydantic-Schemata und gibt ihn als abfragbare strukturierte Spalten zurück
  • Unterstützt semantische Joins auf Bedeutungsbasis statt exakter Schlüssel
  • Behandelt Markdown/Transcript/JSON(jq)/HTML/Embeddings als erstklassige logische Typen und unterstützt PDF-Parsing
  • Unterstützt das Einlesen von CSV- und Parquet-Daten aus S3/Hugging Face
• Verfügt über einen eigenen Query-Planer und eine Inference-Ausführungsschicht und nutzt Polars/DuckDB für allgemeine Datenoperationen
  • Tauscht Daten über Apache Arrow aus und lässt sich lokal unkompliziert ausführen
• Fokussiert sich auf asynchrone Ausführung/Wiederholungen mit Backoff/Caching/Typprüfung, um inference-spezifische Rate Limits, Timeouts und nichtdeterministische Ausgaben zu handhaben
• Entwickelt, damit Menschen und Agenten dieselben Pipelines schreiben, prüfen und wiederverwenden können
  • Bietet fenic skill install für Coding-Agenten und den statischen Prüfer fenic check
• Registriert Pipelines als Tools im Katalog und stellt sie per MCP bereit
  • Wandelt Datenpipelines in typisierte Tools um, die von Agenten aufgerufen werden können
  • Beschreibt sich selbst als deklaratives Context Engineering für Agenten
• Entkoppelt schwere Batch-Inference von der Agenten-Laufzeitumgebung
  • Bietet besser vorhersagbare und reaktionsschnellere Agenten sowie eine effizientere Ressourcennutzung
• Apache-2.0-Lizenz