PySpark/SQL 스타일 연산(select

, filter

, join

, group_by

, agg

)과 언어 모델을 호출하는 시맨틱 연산자를 하나의 쿼리 모델 안에서 함께 다루는 DataFrame 쿼리 엔진

• 문서/트랜스크립트/로그/eval 트레이스/티켓/테이블/API를
  타입 지정된 행(typed rows) 과 반복 가능한 워크플로로 변환

extract

, classify

, summarize

, embed

, 시맨틱 join

등 AI 연산자가 쿼리 모델에 내장되어 스키마와 타입을 가진 연산자로 동작

• 일반 필터를 시맨틱 필터보다 먼저 실행하고, 자동 배칭/레이트 리미팅/재시도/캐싱으로
  불필요한 LLM 호출과 비용을 줄임

파이프라인 자체가 산출물 — 행 단위 lineage, explain

, 쿼리별 토큰/비용 지표로 검사 가능

• 지연 실행과 캐싱으로 재실행 가능하며, 명명된 테이블/뷰/MCP 도구로 승격 가능

• 탐색 결과가 채팅 기록으로 사라지지 않고
  코드/데이터/파이프라인으로 남음

• 비정형 텍스트를
  Pydantic 스키마에 바인딩해 조회 가능한 구조화 컬럼으로 반환
  정확한 키가 아닌 의미 기반 조인(semantic join) 지원

• Markdown/Transcript/JSON(
  jq

)/HTML/임베딩을 일급 논리 타입으로 처리하고 PDF 파싱 지원

• S3/Hugging Face의 CSV·Parquet 데이터 읽기 지원

• 자체 쿼리 계획과 추론 실행 계층을 갖추고, 일반 데이터 연산에는
  Polars/DuckDB를 활용

• Apache Arrow로 데이터를 교환하며 로컬 환경에서 간단히 실행 가능

• 추론 특유의 레이트 리미트/타임아웃/비결정적 출력을 다루기 위해
  비동기 실행/재시도+백오프/캐싱/타입 검사에 집중
  사람과 에이전트가 같은 파이프라인을 작성·검사·재사용하도록 설계

• 코딩 에이전트용
  fenic skill install

과 정적 검사기 fenic check

제공

• 파이프라인을
  카탈로그에 도구로 등록해 MCP로 노출

• 데이터 파이프라인을 에이전트가 호출할 수 있는 타입 지정 도구로 전환

• 스스로를
  에이전트를 위한 선언적 컨텍스트 엔지니어링으로 정의

• 무거운 배치 추론을 에이전트 런타임 밖으로
  분리(decoupled)

• 더 예측 가능하고 반응성 좋은 에이전트와 개선된 자원 활용 제공

• Apache-2.0 라이선스

댓글과 토론