Test your data like you test code. Validate data quality in AI/ML pipelines with expressive assertions, auto-profiling, and data docs. Apache-2.0, 11,400+ stars.
这里应该同时让用户和 Agent 知道第一步该复制什么、安装什么、落到哪里。
pip install great_expectationsgreat_expectations initimport great_expectations as gx
context = gx.get_context()
# 配置数据源并添加期望...Great Expectations 是领先的数据验证框架，GitHub 11,400+ star。像写单元测试一样写数据测试，在数据质量问题破坏 AI/ML 管道之前发现它们。支持 300+ 内置期望、自动分析和自动生成数据文档。适合构建生产数据管道的数据工程师和 ML 从业者。支持 Pandas、Spark、SQL 数据库等。
Q: Great Expectations 是什么？ A: 开源数据验证框架，像写单元测试一样写数据断言，在问题影响 AI/ML 管道前发现它们。
Q: 免费吗？ A: 开源核心免费（Apache-2.0），另有付费云版本。
Created by Great Expectations. Licensed under Apache-2.0.
great_expectations — ⭐ 11,400+
Run reliable AI workflows with automatic retries and state persistence. Replace queues and scheduling with durable step functions. TypeScript, Python, Go SDKs. 5,200+ stars.
Microsoft research tool for prompt compression. Reduce token usage up to 20x while maintaining LLM performance. Solves lost-in-the-middle for RAG. MIT, 6,000+ stars.
Client-side token counting and USD cost estimation for 400+ LLMs. 3 lines of Python to track prompt and completion costs. Supports OpenAI, Anthropic, Mistral, AWS Bedrock. MIT, 2K+ stars.