Skip to content

Integrazioni

Collega Potato con modelli AI, piattaforme di crowdsourcing ed esporta nei tuoi framework ML preferiti.

Integrazione AI e LLM

Potenzia l'annotazione con l'assistenza dell'IA

OpenAI

OpenAI models for intelligent hints, auto-suggestions, and keyword highlighting.

Visualizza la documentazione →

Anthropic Claude

Claude models for nuanced annotation assistance and quality checking.

Visualizza la documentazione →

Google Gemini

Gemini models for multimodal annotation support across text and images.

Visualizza la documentazione →

Local LLMs (Ollama)

Run AI-assisted annotation with local LLMs using Ollama. Keep your data completely private.

Visualizza la documentazione →

HuggingFace

Access open-source models via HuggingFace Inference API for flexible AI assistance.

Visualizza la documentazione →

OpenRouter

Access multiple AI providers through a single API with OpenRouter integration.

Visualizza la documentazione →

vLLM

Self-hosted high-performance inference with vLLM for maximum control and speed.

Visualizza la documentazione →

YOLO

Visual object detection with YOLO for image and video annotation tasks.

Visualizza la documentazione →

LangChain

Automatic trace ingestion from LangChain agents via callback handler. Capture full agent runs as annotation-ready traces.

Visualizza la documentazione →

OpenAI Vision

OpenAI vision models for multimodal annotation assistance on images and screenshots.

Visualizza la documentazione →

Anthropic Vision

Claude vision models for image and screenshot annotation assistance.

Visualizza la documentazione →

Funzionalità potenziate dall'IA

  • Suggerimenti di etichette intelligenti
  • Evidenziazione automatica delle parole chiave
  • Assistenza al controllo della qualità
  • Pre-annotazione per la revisione
  • Generazione di spiegazioni
  • Verifica della coerenza

Opzioni per la forza lavoro

Usa il tuo team o scala con il crowdsourcing

Il tuo team

Consigliato per dati sensibili

Esegui Potato localmente o sui tuoi server con i tuoi annotatori interni. Perfetto per dati sensibili che non possono essere condivisi esternamente, studi approvati dall'IRB o quando hai già un team di annotazione formato.

Vantaggi

I dati non lasciano mai i tuoi serverNessun costo per annotatorePieno controllo degli accessiFunziona offline
Visualizza la guida alla distribuzione locale →

Oppure scala con piattaforme di crowdsourcing

Prolific

Academic-friendly crowdsourcing with quality participants. Full integration with completion URLs and participant tracking.

Funzionalità
Completion URL handlingParticipant ID trackingAttention checksQuality filters
Visualizza la documentazione →

SONA Systems

University subject pools. Participants arrive with a SONA survey code, and Potato grants their credit from the server when they finish.

Funzionalità
Server-side credit grantingPer-participant survey codesClient-side credit fallbackAttention checks
Visualizza la documentazione →

Connect and other panels

Providers for CloudResearch Connect, Clickworker and Microworkers, and a generic provider for any panel that passes a participant ID.

Funzionalità
Participant ID from the URLCompletion codes or redirectsMicroworkers VCODEsGeneric provider
Visualizza la documentazione →

Formati di dati supportati

Importa dati in qualsiasi formato comune

Text

.txt, .json, .jsonl

Images

.jpg, .png, .gif, .webp

Audio

.mp3, .wav, .ogg, .m4a

Video

.mp4, .webm, .mov

Documents

.pdf, .html

Formati di esportazione

Esporta le annotazioni nei formati ML più diffusi

General

  • JSONL

    One JSON object per annotator per item

  • CSV

    Tabular export for spreadsheet analysis

  • Parquet

    Columnar format for pandas, DuckDB or Spark

NLP

  • CoNLL

    Standard format for NER and sequence labeling

  • Hugging Face

    Push annotations to the Hub as a dataset

  • spaCy (via CoNLL)

    Export CoNLL, then run spacy convert

Computer Vision

  • COCO

    MS COCO format for object detection

  • YOLO

    YOLO format for real-time detection

  • Pascal VOC

    XML bounding boxes, one file per image

Agent Trace Formats

Import agent traces from 15 frameworks for annotation. Convert via CLI or ingest in real time via webhook.

Agent Frameworks

  • LangChain / LangSmith

    Hierarchical runs, tool calls

  • Langfuse

    Observation spans, scores

  • OpenAI

    Function calling, assistants

  • Anthropic Claude

    Tool use, thinking blocks

  • MCP

    Model Context Protocol sessions

  • OpenTelemetry

    Distributed span hierarchy

  • ATIF

    Standard interchange format

Web Agents

  • WebArena

    Screenshots, element targeting

  • Web Agent

    Mind2Web, Computer Use, raw recordings

Coding Agents

  • Claude Code

    Anthropic Messages API with tool_use

  • Aider

    Markdown chat with edit blocks

  • SWE-Agent

    Thought/action/observation trajectories

  • SWE-bench

    Model and gold patches, test lists

General

  • ReAct

    Generic thought/action/observation

  • Multi-Agent

    CrewAI, AutoGen, LangGraph

Agent Training Exports

Export agent annotations directly to training pipeline formats

PRMProcess reward model training format
DPO / RLHFPreference pairs for alignment training
SWE-benchCompatible evaluation results

Riga di comando e Python

Accesso programmatico per l'automazione

Riga di comando

# Check a config for errors
potato validate config.yaml --strict

# Start the annotation server
potato start config.yaml

# Export annotations to COCO
python -m potato.export -c config.yaml \
    -f coco -o exports/

Caricare un'esportazione in Python

# Export to CSV first:
# python -m potato.export -c config.yaml -f csv -o exports/
import pandas as pd

# One row per annotator per item
df = pd.read_csv("exports/annotations.csv")
print(df.groupby("user_id").size())
Visualizza i formati di dati

Pronto per iniziare?

Installa Potato e inizia a integrarti con i tuoi strumenti preferiti in pochi minuti.

Guida rapidaSfoglia la documentazione