aisheets

像用表格一样批量调 AI，不写代码就能造和改数据集

aisheets 是一个基于 TypeScript 的开源工具，让用户无需编写代码即可用 AI 模型构建、丰富和转换数据集。它把表格界面与 LLM 能力结合，用户可以在类似电子表格的环境中批量调用 AI 模型，对数据进行生成、清洗、分类、翻译、摘要等操作。核心能力包括：通过自然语言指令批量处理行数据、用 AI 生成合成数据、对 LLM 输出做评估与对比、以及把非结构化文本转为结构化字段。它解决的是数据准备和标注环节中重复劳动多、脚本门槛高的问题，适合需要快速迭代数据集的产品、运营和研究人员。项目用 TypeScript 实现，技术栈覆盖 AI、LLM 评估、合成数据等方向，目前处于成长阶段，适合作为轻量级 AI 数据工作台使用。

开源 unknown 数据集

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1643

维护状态活跃

是否开源是

定价模式 unknown

项目数据

分类数据集

开发团队huggingface

所属国家

官网地址

GitHubhttps://github.com/huggingface/aisheets

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Apache-2.0

主要语言TypeScript

技术栈/模型ai,llm-evaluation,llms,nocode,oss,synthetic-data

GitHub 星标★ 1643

30天Star增速

HF 下载量

上线时间2025-01-16 00:00:00

最近更新2026-09-19 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-09-20

浏览次数0

使用教程

难度：入门约 10 分钟部署方式：Docker 8 步

环境要求

Docker（选择 Docker 部署路线时）
Hugging Face 账号与访问令牌 HF_TOKEN（在设置页生成）
Node.js 与 pnpm（选择源码 pnpm 路线时需要）
可选：本地 Ollama 服务，用于跑自定义/本地模型

安装与启动步骤

1获取 HF 令牌

打开 Hugging Face 令牌设置页，新建一个访问令牌并复制保存，后面启动容器要用到。
2导出 HF_TOKEN

在本机终端把令牌写入环境变量 HF_TOKEN，供容器或本地服务读取。请替换成自己的真实令牌。
```
export HF_TOKEN=hf_xxxxxxxxxxxxxxxxxxxx
```
3启动 Docker 容器

拉取并运行 aisheets/sheets 镜像，把容器 3000 端口映射到本机 3000，同时把令牌传入容器。
```
docker run -p 3000:3000 
-e HF_TOKEN=$HF_TOKEN 
aisheets/sheets
```
4浏览器打开界面

容器启动后在浏览器访问本机 3000 端口，看到表格界面即表示部署完成，可直接导入数据并用 AI 处理。
5可选：pnpm 源码启动

不用 Docker 时可克隆仓库，导出令牌后安装依赖并启动开发服务，默认访问 5173 端口。
```
git clone https://github.com/huggingface/aisheets.git
cd sheets
export HF_TOKEN=hf_xxxxxxxxxxxxxxxxxxxx
pnpm install --frozen-lockfile
pnpm dev
```
6可选：启动 Ollama 服务

想用本地模型时，先启动 Ollama 服务端并关闭历史记录，保持该终端窗口一直运行。
```
export OLLAMA_NOHISTORY=1
ollama serve
```
7可选：指向本地模型

另开终端运行 llama3，设置模型地址与名称后启动 AI Sheets，推理将走本地 Ollama 而不是云端。
```
ollama run llama3
export MODEL_ENDPOINT_URL=http://localhost:11434
export MODEL_ENDPOINT_NAME=llama3
pnpm serve
```

8可选：批量生成数据集

数据量大时用 HF Jobs 跑生成脚本，指定源数据集、目标数据集和提示词配置，可用 --num-rows 限制行数。

hf jobs uv run 
-s HF_TOKEN=$HF_TOKEN 
https://github.com/huggingface/aisheets/raw/refs/heads/main/scripts/extend_dataset/with_inference_client.py 
nvidia/Nemotron-Personas dvilasuero/nemotron-kimi-qa-distilled 
--config https://huggingface.co/datasets/dvilasuero/nemotron-personas-kimi-questions/raw/main/config.yml 
--num-rows 100

关键配置

配置项	必填	说明	示例
`HF_TOKEN`	是	Hugging Face 访问令牌，用于调用 Inference Providers 上的模型。	`hf_xxxxxxxxxxxxxxxxxxxx`
`MODEL_ENDPOINT_URL`	否	自定义模型服务的地址，需兼容 OpenAI API 规范。	`http://localhost:11434`
`MODEL_ENDPOINT_NAME`	否	要调用的自定义模型名称。	`llama3`
`OLLAMA_NOHISTORY`	否	Ollama 服务端变量，启动前设置可关闭历史记录。	`1`

如何确认成功

浏览器打开 http://localhost:3000（pnpm 路线为 http://localhost:5173）能看到表格界面即启动成功。

常见问题

Q：不想本地安装，能直接体验吗？

A：可以，README 提供了在线 Space：https://huggingface.co/spaces/aisheets/sheets ，打开即可试用，无需任何安装。

Q：容器启动了但调模型失败怎么办？

A：多半是令牌没传进容器。确认先 export HF_TOKEN，再在 docker run 中用 -e HF_TOKEN=$HF_TOKEN 传入真实令牌。

Q：能用自己的模型或云端模型吗？

A：可以，只要模型服务兼容 OpenAI API 规范，设置 MODEL_ENDPOINT_URL 和 MODEL_ENDPOINT_NAME 后用 pnpm serve 启动即可。

Q：要生成很大的数据集怎么做？

A：用 README 给出的 hf jobs uv run 脚本批量跑，先加 --num-rows 100 小规模验证，确认无误后去掉该参数跑全量。

注意事项

README 中 docker run 写的是 -e HF_TOKEN=HF_TOKEN，疑为笔误，实际应写成 -e HF_TOKEN=$HF_TOKEN 传入已导出的变量。
pnpm 路线默认端口是 5173，Docker 路线是 3000，两者不要混淆。
README 里 clone 后写的是 cd sheets，若目录名实际为 aisheets，请按实际克隆出的目录名进入。
HF Jobs 示例命令原文带有行内注释，复制时已去掉，请勿手动加回 # 注释以免命令报错。

核心亮点

表格化界面降低 LLM 批量处理门槛，非工程师也能直接操作
支持合成数据生成与 LLM 评估，覆盖数据构建到验证的链路
基于 TypeScript，前端集成和二次开发相对友好

不足之处

项目仍处成长阶段，功能深度和稳定性有待更多验证
大规模数据集下的性能和成本控制策略文档较少

适用场景

运营人员批量生成商品描述或营销文案
研究人员快速构造和标注合成数据集用于模型评估
产品团队把用户反馈等非结构化文本批量转成结构化标签

替代项目

LangChain、Dify、Flowise

项目介绍

aisheets 是一个数据集领域的开源项目，官方简介：Build, enrich, and transform datasets using AI models with no code。项目使用 TypeScript 开发，在 GitHub 上获得 1643 星标。

上一篇：PEOD

下一篇：没有了！