fenic — des DataFrames sémantiques pour les humains et les agents

• Moteur de requêtes DataFrame qui réunit dans un même modèle de requête des opérations de style PySpark/SQL (select, filter, join, group_by, agg) et des opérateurs sémantiques appelant des modèles de langage
  • Transforme documents/transcriptions/logs/traces d’évaluation/tickets/tables/API en lignes typées (typed rows) et en workflows répétables
• Des opérateurs IA intégrés au modèle de requête, comme extract, classify, summarize, embed ou le join sémantique, fonctionnent comme des opérateurs dotés de schémas et de types
  • Exécute les filtres classiques avant les filtres sémantiques et réduit les appels LLM inutiles et les coûts grâce au batching automatique, à la limitation de débit, aux nouvelles tentatives et à la mise en cache
• Le pipeline lui-même est le livrable — vérifiable avec la lineage au niveau des lignes, explain et des métriques de tokens/coûts par requête
  • Réexécutable grâce à l’exécution différée et à la mise en cache, et promouvable en tables/vues/outils MCP nommés
  • Les résultats d’exploration ne disparaissent pas dans un historique de chat, mais restent sous forme de code, de données et de pipeline
• Lie le texte non structuré à des schémas Pydantic pour le renvoyer sous forme de colonnes structurées interrogeables
  • Prend en charge les jointures fondées sur le sens plutôt que sur des clés exactes (semantic join)
  • Traite Markdown/Transcript/JSON (jq)/HTML/embeddings comme des types logiques de premier ordre et prend en charge l’analyse de PDF
  • Prend en charge la lecture de données CSV et Parquet depuis S3/Hugging Face
• Dispose de son propre planificateur de requêtes et d’une couche d’exécution d’inférence, tout en s’appuyant sur Polars/DuckDB pour les opérations de données classiques
  • Échange les données via Apache Arrow et s’exécute simplement en local
• Se concentre sur l’exécution asynchrone, les retries avec backoff, la mise en cache et la vérification de types afin de gérer les limites de débit, les timeouts et les sorties non déterministes propres à l’inférence
• Conçu pour que les humains et les agents écrivent, inspectent et réutilisent les mêmes pipelines
  • Fournit fenic skill install pour les agents de code et le vérificateur statique fenic check
• Enregistre les pipelines comme outils dans un catalogue et les expose via MCP
  • Transforme les pipelines de données en outils typés appelables par des agents
  • Se définit comme une ingénierie de contexte déclarative pour les agents
• Découple l’inférence batch lourde du runtime des agents
  • Offre des agents plus prévisibles et plus réactifs, ainsi qu’une meilleure utilisation des ressources
• Licence Apache-2.0