過去幾年里，AI 模型已經成為數據處理和分析的「標配工具」。無論是構建訓練數據集、清理臟數據，還是批量生成合成數據，研究人員和企業團隊幾乎都繞不開大語言模型（LLM）。然而，問題也擺在眼前：想真正用好這些模型，需要代碼能力、模型部署經驗，甚至還要懂不少機器學習框架。這直接把大多數非技術人員擋在了門外。

Hugging Face 顯然注意到了這一點。近日，它推出了一款名為 AI Sheets 的工具——一個免費、開源、本地優先的「無代碼數據處理平臺」。顧名思義，它像電子表格一樣直觀，但背后卻連接著 Hugging Face Hub 上的海量開源模型，以及本地私有部署的定制模型。

換句話說，AI Sheets 試圖讓數據處理像填表一樣簡單，卻又能隨時借助大模型的力量。

一、什么是 AI Sheets？

從名字就能看出，AI Sheets 與 Excel、Google Sheets 這樣的電子表格工具有幾分相似。用戶依舊看到一個表格界面，但區別在于：

• 傳統表格依賴公式，而 AI Sheets 的列與單元格可以直接由自然語言 Prompt 驅動；
• 你輸入的不是復雜函數，而是一句話指令，比如“把這段文本翻譯成英文”或“提取摘要”。

于是，AI Sheets 成為了一個專為數據而生的「AI 加持版表格系統」。它可以用來：

1. 構建、清理、轉換、豐富數據集—— 無論是處理 CSV 文件還是快速生成樣例數據；
2. 無縫調用 Hugging Face Hub 上的模型，也支持本地部署，比如 Ollama 搭載的 Llama 3；
3. 協作與快速原型—— 團隊成員可以一起編輯、驗證、修正數據，快速形成可用的數據流水線；
4. 大規模數據生成—— 支持批處理，哪怕是成千上萬條記錄。

一句話總結：它把大模型“裝進了表格”，讓人們不用寫一行代碼，就能玩轉 AI 數據處理。

二、核心功能拆解

從 Hugging Face 官方介紹來看，AI Sheets 的設計理念可以用四個關鍵詞概括：直觀、開放、本地優先、可擴展。

1. 無代碼工作流

傳統上，想清理一批文本數據，可能需要寫幾十行 Python 腳本，調用 OpenAI API 或 Hugging Face Transformers 庫。而在 AI Sheets 中，你只需要在新列里輸入一句話：

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

AI 就會自動對這一列文本執行清理。

無需 Python，無需命令行，操作門檻大大降低。

2. 模型即插即用

AI Sheets 支持 Hugging Face Hub 上的 數千個開源模型，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 規范，也能直接接入。

這意味著企業和個人可以根據任務靈活選擇：

• 快速測試新模型：比如把同一列數據分別交給 Qwen 和 Llama 3，比較結果；
• 用領域模型：金融、醫療、法律等專用模型，可直接應用在自有數據上。

3. 本地部署，重視隱私

AI Sheets 支持完全本地運行，數據不需要上傳云端。這對于很多行業來說至關重要——比如金融機構或醫療機構，數據安全和合規是第一位的。

通過設置環境變量（MODEL_ENDPOINT_URL、MODEL_ENDPOINT_NAME），用戶可以輕松將本地推理服務（如 Ollama）接入。

4. 免費且開源

工具完全免費，代碼托管在 Hugging Face GitHub 倉庫，社區可自由二次開發。這一舉動與 Hugging Face 一貫的「開放 AI」理念保持一致。

三、它能做什么？場景舉例

AI Sheets 不只是一個“AI Excel”，它更像是一個數據實驗工坊。以下是 Hugging Face 提供的典型場景：

1. 數據清洗與分類

• 清理數據：去掉多余標點、規范大小寫。
• 分類數據：比如一列用戶評論，可以用 Prompt 分類為「正面 / 中性 / 負面」。

2. 文本生成與增強

• 摘要提取：對一段文本生成核心要點；
• 翻譯轉換：快速批量翻譯多語言內容；
• 內容擴寫：生成更加詳細的說明或解釋。

3. 合成數據生成

當真實數據缺乏或存在隱私風險時，AI Sheets 能幫你合成高質量的「偽數據」。 例如：

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

再進一步生成：

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

這樣，就能生成一整套真實感極強的虛擬數據集。

4. 模型比較與評測

一個亮點功能是 多模型對比。 你可以在表格里同時創建多個模型列（比如 Qwen、Kimi、Llama 3），讓它們回答同一問題，然后再通過另一列「LLM 評審」來判定哪個模型表現更好。

這讓 AI Sheets 變成了 模型測試臺，幫助研究人員直觀評估不同模型的效果。

四、如何使用 AI Sheets？

Hugging Face 給出了兩種入門方式：

方式一：直接在瀏覽器體驗

無需安裝，訪問 Hugging Face Spaces 即可使用 AI Sheets。適合新手快速上手。

方式二：本地部署

如果對隱私和性能有要求，可以從 GitHub 克隆代碼，在本地搭建推理服務。這種方式尤其適合企業團隊，可以避免數據外泄風險。

使用步驟：

1. 導入數據：支持 CSV、XLS、TSV、Parquet 文件，最多 1000 行。
2. 添加 AI 列：點擊“+”，輸入 Prompt，選擇模型。
3. 手動修正與反饋：可以編輯單元格，AI 會記住你的偏好。
4. 擴展數據：下拉生成更多行，快速擴展數據規模。
5. 導出數據集：支持上傳至 Hugging Face Hub，生成可復用的配置文件。

五、影響與價值

AI Sheets 的出現，有幾個重要意義：

1. 降低門檻：非技術人員也能利用大模型處理數據，讓 AI 普惠化真正落地。
2. 提高效率：數據科學家和分析師可以快速迭代實驗，不再受限于腳本和 API 調用。
3. 增強隱私控制：本地運行解決了企業對數據合規的擔憂。
4. 開放生態：作為免費開源項目，它可能會催生更多基于 AI Sheets 的二次開發與插件。

一句話總結：AI Sheets 讓“數據+AI”的結合變得像拖動表格那樣自然。

六、未來展望

從趨勢上看，AI Sheets 可能會在三個方向持續演化：

1. 插件生態：社區開發更多任務模版，比如電商數據清洗、醫療記錄分析等。
2. 更強的協作能力：與 Notion、Airtable 甚至傳統 BI 工具的深度整合。
3. 邊緣計算與本地化：在個人電腦甚至手機上運行大模型，進一步縮小門檻。

當下，AI Sheets 已經可以直接在瀏覽器免費使用（傳送門），也可以在本地部署（GitHub 項目）。

或許幾年后，我們再談起「用 AI 處理數據」，第一反應不再是 Python 代碼，而是一個更直觀、更友好的「智能表格」。

本文轉載自??Halo咯咯??    作者：基咯咯