fenic - लोगों और एजेंटों के लिए Semantic DataFrames

 (github.com/typedef-ai)
1 पॉइंट द्वारा xguru 4 시간 전 | अभी कोई टिप्पणी नहीं है. | WhatsApp पर शेयर करें
  • PySpark/SQL स्टाइल ऑपरेशंस (select, filter, join, group_by, agg) और language model को कॉल करने वाले semantic operators को एक ही query model में साथ संभालने वाला DataFrame query engine
    • documents/transcripts/logs/eval traces/tickets/tables/API को typed rows और दोबारा चलाए जा सकने वाले workflow में बदलता है
  • extract, classify, summarize, embed, semantic join जैसे AI operators query model में built-in हैं और schema व types वाले operators की तरह काम करते हैं
    • सामान्य filters को semantic filters से पहले चलाकर, automatic batching/rate limiting/retries/caching के जरिए अनावश्यक LLM calls और लागत कम करता है
  • pipeline खुद ही artifact है — row-level lineage, explain, और query-वार token/cost metrics के साथ निरीक्षण किया जा सकता है
    • lazy execution और caching के साथ दोबारा चलाया जा सकता है, और named tables/views/MCP tools में promote किया जा सकता है
    • exploratory results chat history में गायब नहीं होते, बल्कि code/data/pipeline के रूप में बचे रहते हैं
  • unstructured text को Pydantic schema से bind करके queryable structured columns के रूप में लौटाता है
    • सटीक key नहीं बल्कि अर्थ-आधारित join (semantic join) का समर्थन
    • Markdown/Transcript/JSON(jq)/HTML/embeddings को first-class logical types की तरह संभालता है और PDF parsing का समर्थन करता है
    • S3/Hugging Face से CSV·Parquet डेटा पढ़ने का समर्थन
  • अपना query planning और inference execution layer रखता है, और सामान्य data operations के लिए Polars/DuckDB का उपयोग करता है
    • Apache Arrow के जरिए data exchange करता है और local environment में आसानी से चल सकता है
  • inference से जुड़ी rate limits/timeouts/non-deterministic outputs को संभालने के लिए async execution/retries+backoff/caching/type checking पर ध्यान देता है
  • इंसानों और एजेंटों को एक ही pipeline लिखने, जांचने और reuse करने के लिए डिज़ाइन किया गया
    • coding agents के लिए fenic skill install और static checker fenic check उपलब्ध
  • pipeline को catalog में tool के रूप में register करके MCP के जरिए expose करता है
    • data pipeline को agent द्वारा कॉल किए जा सकने वाले typed tools में बदलता है
    • खुद को agents के लिए declarative context engineering के रूप में परिभाषित करता है
  • भारी batch inference को agent runtime के बाहर decouple करता है
    • अधिक predictable और responsive agents तथा बेहतर resource utilization प्रदान करता है
  • Apache-2.0 लाइसेंस

संबंधित पढ़ाई

अभी कोई टिप्पणी नहीं है.

अभी कोई टिप्पणी नहीं है.