免费开源！Hugging Face 推出 AI Sheets，让你像用 Excel 一样用大模型处理数据 原创

过去几年里，AI 模型已经成为数据处理和分析的「标配工具」。无论是构建训练数据集、清理脏数据，还是批量生成合成数据，研究人员和企业团队几乎都绕不开大语言模型（LLM）。然而，问题也摆在眼前：想真正用好这些模型，需要代码能力、模型部署经验，甚至还要懂不少机器学习框架。这直接把大多数非技术人员挡在了门外。

Hugging Face 显然注意到了这一点。近日，它推出了一款名为 AI Sheets 的工具——一个免费、开源、本地优先的「无代码数据处理平台」。顾名思义，它像电子表格一样直观，但背后却连接着 Hugging Face Hub 上的海量开源模型，以及本地私有部署的定制模型。

换句话说，AI Sheets 试图让数据处理像填表一样简单，却又能随时借助大模型的力量。

一、什么是 AI Sheets？

从名字就能看出，AI Sheets 与 Excel、Google Sheets 这样的电子表格工具有几分相似。用户依旧看到一个表格界面，但区别在于：

• 传统表格依赖公式，而 AI Sheets 的列与单元格可以直接由自然语言 Prompt 驱动；
• 你输入的不是复杂函数，而是一句话指令，比如“把这段文本翻译成英文”或“提取摘要”。

于是，AI Sheets 成为了一个专为数据而生的「AI 加持版表格系统」。它可以用来：

1. 构建、清理、转换、丰富数据集—— 无论是处理 CSV 文件还是快速生成样例数据；
2. 无缝调用 Hugging Face Hub 上的模型，也支持本地部署，比如 Ollama 搭载的 Llama 3；
3. 协作与快速原型—— 团队成员可以一起编辑、验证、修正数据，快速形成可用的数据流水线；
4. 大规模数据生成—— 支持批处理，哪怕是成千上万条记录。

一句话总结：它把大模型“装进了表格”，让人们不用写一行代码，就能玩转 AI 数据处理。

二、核心功能拆解

从 Hugging Face 官方介绍来看，AI Sheets 的设计理念可以用四个关键词概括：直观、开放、本地优先、可扩展。

1. 无代码工作流

传统上，想清理一批文本数据，可能需要写几十行 Python 脚本，调用 OpenAI API 或 Hugging Face Transformers 库。而在 AI Sheets 中，你只需要在新列里输入一句话：

Remove extra punctuation marks from the following text: {{text}}

AI 就会自动对这一列文本执行清理。

无需 Python，无需命令行，操作门槛大大降低。

2. 模型即插即用

AI Sheets 支持 Hugging Face Hub 上的 数千个开源模型，包括 Qwen、Kimi、Llama 3，甚至 OpenAI 的 gpt-oss。如果你有自己的定制模型，只要兼容 OpenAI API 规范，也能直接接入。

这意味着企业和个人可以根据任务灵活选择：

• 快速测试新模型：比如把同一列数据分别交给 Qwen 和 Llama 3，比较结果；
• 用领域模型：金融、医疗、法律等专用模型，可直接应用在自有数据上。

3. 本地部署，重视隐私

AI Sheets 支持完全本地运行，数据不需要上传云端。这对于很多行业来说至关重要——比如金融机构或医疗机构，数据安全和合规是第一位的。

通过设置环境变量（MODEL_ENDPOINT_URL、MODEL_ENDPOINT_NAME），用户可以轻松将本地推理服务（如 Ollama）接入。

4. 免费且开源

工具完全免费，代码托管在 Hugging Face GitHub 仓库，社区可自由二次开发。这一举动与 Hugging Face 一贯的「开放 AI」理念保持一致。

三、它能做什么？场景举例

AI Sheets 不只是一个“AI Excel”，它更像是一个数据实验工坊。以下是 Hugging Face 提供的典型场景：

1. 数据清洗与分类

• 清理数据：去掉多余标点、规范大小写。
• 分类数据：比如一列用户评论，可以用 Prompt 分类为「正面 / 中性 / 负面」。

2. 文本生成与增强

• 摘要提取：对一段文本生成核心要点；
• 翻译转换：快速批量翻译多语言内容；
• 内容扩写：生成更加详细的说明或解释。

3. 合成数据生成

当真实数据缺乏或存在隐私风险时，AI Sheets 能帮你合成高质量的「伪数据」。 例如：

Write a short description of a professional in the field of pharma companies and name the column person_bio.

再进一步生成：

Write a realistic professional email as it was written by the following person: {{person_bio}}

这样，就能生成一整套真实感极强的虚拟数据集。

4. 模型比较与评测

一个亮点功能是 多模型对比。 你可以在表格里同时创建多个模型列（比如 Qwen、Kimi、Llama 3），让它们回答同一问题，然后再通过另一列「LLM 评审」来判定哪个模型表现更好。

这让 AI Sheets 变成了 模型测试台，帮助研究人员直观评估不同模型的效果。

四、如何使用 AI Sheets？

Hugging Face 给出了两种入门方式：

方式一：直接在浏览器体验

无需安装，访问 Hugging Face Spaces 即可使用 AI Sheets。适合新手快速上手。

方式二：本地部署

如果对隐私和性能有要求，可以从 GitHub 克隆代码，在本地搭建推理服务。这种方式尤其适合企业团队，可以避免数据外泄风险。

使用步骤：

1. 导入数据：支持 CSV、XLS、TSV、Parquet 文件，最多 1000 行。
2. 添加 AI 列：点击“+”，输入 Prompt，选择模型。
3. 手动修正与反馈：可以编辑单元格，AI 会记住你的偏好。
4. 扩展数据：下拉生成更多行，快速扩展数据规模。
5. 导出数据集：支持上传至 Hugging Face Hub，生成可复用的配置文件。

五、影响与价值

AI Sheets 的出现，有几个重要意义：

1. 降低门槛：非技术人员也能利用大模型处理数据，让 AI 普惠化真正落地。
2. 提高效率：数据科学家和分析师可以快速迭代实验，不再受限于脚本和 API 调用。
3. 增强隐私控制：本地运行解决了企业对数据合规的担忧。
4. 开放生态：作为免费开源项目，它可能会催生更多基于 AI Sheets 的二次开发与插件。

一句话总结：AI Sheets 让“数据+AI”的结合变得像拖动表格那样自然。

六、未来展望

从趋势上看，AI Sheets 可能会在三个方向持续演化：

1. 插件生态：社区开发更多任务模版，比如电商数据清洗、医疗记录分析等。
2. 更强的协作能力：与 Notion、Airtable 甚至传统 BI 工具的深度整合。
3. 边缘计算与本地化：在个人电脑甚至手机上运行大模型，进一步缩小门槛。

当下，AI Sheets 已经可以直接在浏览器免费使用（传送门），也可以在本地部署（GitHub 项目）。

或许几年后，我们再谈起「用 AI 处理数据」，第一反应不再是 Python 代码，而是一个更直观、更友好的「智能表格」。

本文转载自​​Halo咯咯​​    作者：基咯咯