aisheets

像用表格一样批量调 AI，不写代码就能造和改数据集

开源 🏷️定价信息待确认 ⏳ 访问状态待核验数据集 🍴 复刻 142 🐛 待处理 13 👀 关注 15

GitHub ↗

GitHub 星标 ★ 1652

维护状态维护中

是否开源开源

定价模式 🏷️定价信息待确认

项目预览

项目数据

分类数据集

开发团队huggingface

GitHubhttps://github.com/huggingface/aisheets

定价模式🏷️定价信息待确认

价格说明定价信息待确认

访问状态⏳ 访问状态待核验

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★ 1652

上线时间2025-01-16 00:00:00

代码更新2026-09-23

仓库体积1.7 MB

本站数据更新2026-11-03

维护状态维护中

收录时间2026-09-20

浏览次数19

项目介绍

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。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-09-20 · 当前星标 ★ 1652

技术标签

ai llm-evaluation llms oss synthetic-data

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

上一篇：PEOD

下一篇：dataset