scikit-llm

用 sklearn 的语法，几行代码让 LLM 加入你的机器学习流程

scikit-llm 是一个将大语言模型无缝集成到 scikit-learn 生态的开源 Python 库。它解决了传统机器学习流程中难以直接调用 LLM 的问题，让开发者可以用熟悉的 scikit-learn API 来使用 GPT 等模型。核心能力包括：提供 ZeroShotClassifier 和 ZeroShotRegressor 等类，支持文本分类、回归等任务；内置动态标注功能，可自动生成训练数据的标签；支持模型缓存和内存持久化，减少重复 API 调用成本；兼容多种 LLM 后端（如 OpenAI、Hugging Face 模型）。通过包装器，用户只需几行代码就能在现有 sklearn 管道中引入 LLM 能力，无需学习新的框架。项目活跃，文档较全，适合希望快速在传统 ML 流程中体验 LLM 的开发者。

开源 unknown 对话助手

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 3535

维护状态较活跃

是否开源是

定价模式 unknown

项目数据

分类对话助手

开发团队fnnx-ai

所属国家

官网地址https://beastbyte.ai

GitHubhttps://github.com/fnnx-ai/scikit-llm

定价模式unknown

价格说明定价信息待确认

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型chatgpt,deep-learning,llm,machine-learning,scikit-learn,transformers

GitHub 星标★ 3535

30天Star增速

HF 下载量

上线时间2023-05-12 00:00:00

最近更新2026-09-23 00:00:00

维护状态较活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数4

使用教程

难度：入门约 5 分钟部署方式：库/依赖 4 步

环境要求

Python 环境（README 未给出具体版本要求，建议使用较新的 Python 3）
可用的 pip 包管理器
如需调用 ChatGPT 等云端模型，需准备对应服务的访问凭证（README 未给出具体配置方式）

安装与启动步骤

1安装 scikit-llm

README 中唯一给出的安装命令，直接通过 pip 从 PyPI 安装该库，建议在虚拟环境中执行以免污染全局环境。
```
pip install scikit-llm
```
2确认安装结果

查看已安装包的版本信息，能正常输出名称与版本号即说明安装成功。
```
pip show scikit-llm
```
3阅读快速开始示例

README 提供了使用 GPT 做零样本文本分类的 Quick Start 示例，但节选中代码未完整展示，请到仓库主页或官网查看完整代码。
4按示例编写调用代码

参考 Quick Start 中 ZeroShotClassifier 等类的用法，用 scikit-learn 风格 API 组织文本数据并调用模型，具体类名与参数以官方文档为准。

如何确认成功

执行 pip show scikit-llm 能显示包名、版本和安装位置，且 Python 中导入该库不报错，即表示安装成功。

常见问题

Q：安装时提示找不到 scikit-llm 包怎么办？

A：确认 pip 可正常联网（必要时配置国内镜像源），并检查 pip 版本是否过旧；仍失败请到项目 issues 区反馈。

Q：库的导入名是什么？

A：README 节选中未给出导入语句，请以官方文档和 Quick Start 示例为准，不要随意猜测模块名。

Q：使用 GPT 需要配置 API Key 吗？

A：README 仅说明可集成 ChatGPT 等模型，未给出 Key 的配置方式；调用云端模型通常需要凭证，具体请查阅官方文档。

Q：如何做零样本文本分类？

A：README 在 Quick Start 中给了零样本分类示例入口，节选代码不完整，请前往项目仓库或官网 https://beastbyte.ai 查看完整示例。

注意事项

README 节选中 Quick Start 的示例代码被截断，类名、参数与返回值请以官方文档为准。
调用 ChatGPT 等云端大模型会产生 API 费用，注意控制调用量。
项目支持模型缓存与内存持久化，可减少重复 API 调用带来的开销。
安装命令在虚拟环境（如 venv、conda）中执行更安全，便于后续卸载和版本管理。

核心亮点

API 设计贴近 sklearn，学习成本低，可无缝接入现有 pipeline
支持 ZeroShot 分类/回归，无需训练即可用 LLM 处理文本任务
内置缓存与内存持久化，减少 API 调用，节省成本

不足之处

依赖外部 LLM API，可能产生费用且受网络影响
文档/社区待观察

适用场景

快速原型验证：用 LLM 做文本分类而不想训练模型
在 sklearn 流程中补充语义特征或标签
小规模数据标注或动态标签生成

替代项目

LangChain、Haystack、LlamaIndex

项目介绍

scikit-llm 是开发框架领域的开源项目，由 fnnx-ai 开发，2023 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（3,535）位列前 30%，在开发框架分类的 803 个项目里位列前 14%。

项目保持着较活跃的维护节奏，最近一次代码更新于 2026-09-23。

它主要面向的使用场景是：快速原型验证：用LLM做文本分类而不想训练模型。同类可对比的替代方案包括 LangChain、Haystack、LlamaIndex。

上一篇：calfkit-sdk

下一篇：nitrostack