跳到正文
北京时间
原文
Hugging Face：Blog·· 2025-08-08精选AI 评分72

Hugging Face 发布开源无代码工具 AI Sheets，可用开放模型构建和丰富数据集

Introducing AI Sheets: a tool to work with datasets using open AI models!

AI 导读

Hugging Face 发布开源无代码工具 AI Sheets，用类似电子表格的界面通过 AI 模型构建、转换和丰富数据集，可本地部署或部署在 Hub 上，支持通过 Inference Providers 使用 Hub 上数千个开放模型，包括 OpenAI 的 gpt-oss。

推荐理由

官方开源的无代码数据处理工具，读者可以据此了解如何用电子表格界面做数据生成、分类和模型对比等任务。

正文 · AI 翻译

🧭TL;DR

Hugging Face AI Sheets 是一个全新的开源工具，无需编写代码即可使用 AI 模型构建、丰富和转换数据集。该工具可以部署在本地或 Hub 上。它让你可以通过 Inference Providers 或本地模型使用 Hugging Face Hub 上数千个开放模型，包括来自 OpenAI 的 gpt-oss！

实用链接

免费试用该工具（无需安装）：https://huggingface.co/spaces/aisheets/sheets
在本地安装并运行：https://github.com/huggingface/sheets

什么是 AI Sheets

AI Sheets 是一个无代码工具，可使用（开放）AI 模型构建、转换和丰富数据集。它与 Hub 和开源 AI 生态系统紧密集成。

AI Sheets 使用类似电子表格的易学用户界面。该工具围绕快速实验而构建，从小型数据集开始，然后再运行耗时/昂贵的数据生成流水线。

在 AI Sheets 中，新列通过编写提示词来创建，你可以根据需要迭代任意多次，并编辑单元格/验证单元格来教会模型你想要的内容。不过更多内容稍后再说！

我可以用它做什么

你可以使用 AI Sheets 来：

比较和体验测试模型。 假设你想在你的数据上测试最新模型。你可以导入一个包含提示词/问题的数据集，并创建多个列（每个模型一列），使用这样的提示词：Answer the following: {{prompt}}，其中 prompt 是你数据集中的一列。你可以手动验证结果，或者创建一个新列，使用 LLM 作为评判者的提示词，例如：Evaluate the responses to the following question: {{prompt}}. Response 1: {{model1}}. Response 2: {{model2}}，其中 model1 和 model2 是你数据集中包含不同模型响应的列。

为你的数据和特定模型改进提示词。 假设你想构建一个应用程序来处理客户请求并给出自动回答。你可以加载一个包含客户请求的样本数据集，并开始尝试和迭代不同的提示词和模型来生成响应。AI Sheets 的一个很酷的功能是，你可以通过编辑或验证单元格来提供反馈。这些示例单元格会自动添加到你的提示词中。你可以把它看作一种工具，通过实时查看你的数据，非常高效地微调提示词并向提示词中添加少样本示例！

转换数据集。 假设你想清理数据集中的某一列。你可以添加一个新列，使用类似这样的提示词：Remove extra punctuation marks from the following text: {{text}}，其中 text 是你数据集中包含你想要清理的文本的列。

对数据集进行分类。 假设你想对数据集中的某些内容进行分类。你可以添加一个新列，使用类似这样的提示词：Categorize the following text: {{text}}，其中 text 是你数据集中包含你想要分类的文本的列。

分析数据集。 假设你想提取数据集中的主要观点。你可以添加一个新列，使用类似这样的提示词：Extract the most important ideas from the following: {{text}}，其中 text 是你数据集中包含你想要分析的文本的列。

丰富数据集。 假设你有一个包含地址但缺少邮政编码的数据集。你可以添加一个新列，使用类似这样的提示词：Find the zip code of the following address: {{address}}（在这种情况下，你必须启用“搜索网络”选项以确保结果准确）。

生成合成数据集。 假设你需要一个包含真实感电子邮件的数​​据集，但由于数据隐私原因无法获取这些数据。你可以使用这样的提示词创建一个数据集：Write a short description of a professional in the field of pharma companies，并将列命名为person_bio。然后你可以使用这样的提示词创建另一列：Write a realistic professional email as it was written by the following person: {{person_bio}}。

现在让我们深入了解如何使用它！

如何使用

AI Sheets 为你提供两种开始方式：导入现有数据或从零开始生成数据集。数据加载后，你可以通过添加列、编辑单元格和重新生成内容来完善它。

image/png

快速上手

要开始使用，你需要用自然语言描述并从零开始创建一个数据集，或导入现有数据集。

从零开始生成数据集

最适合： 熟悉 AI Sheets、头脑风暴、快速实验以及创建测试数据集。

可以把它看作自动数据集或提示词转数据集功能——你描述你想要的内容，AI Sheets 就会为你创建整个数据集的结构和内容。

何时使用：

  • 你第一次探索 AI Sheets
  • 你需要用于测试或原型设计的合成数据
  • 数据准确性和多样性不是关键（例如，头脑风暴用例、快速研究、生成测试数据集）
  • 你想快速试验想法

工作原理：

  1. Describe the dataset you want in the prompt area
    • 示例：“一份虚构初创公司的列表，包含名称、行业和口号”
  2. AI Sheets 生成架构并创建 5 行示例数据
  3. 可扩展到最多 1,000 行，或修改提示词以更改结构

示例

如果你输入这个提示词：cities of the world, alongside countries they belong to and a landmark image for each, generated in Ghibli style：

image/png

AI Sheets 将自动生成一个包含三列的数据集，如下所示： image/png

这个数据集只包含五行，但你可以通过在每个列上向下拖动来添加更多单元格，包括图片列！你也可以在任意单元格中写入内容，并通过拖动来补全其他单元格。

image/png

以下部分将向你展示如何迭代和扩展数据集。

导入你的数据集（推荐）

最适合： 大多数需要转换、分类、丰富和分析真实世界数据的用例。

对于大多数用例，推荐这种方式，因为导入真实数据比从零开始能给你更多控制权和灵活性。

何时使用：

  • 你有现有数据需要使用 AI 模型进行转换或丰富
  • 你想生成合成数据，并且准确性和多样性很重要

工作原理：

  1. 以 XLS、TSV、CSV 或 Parquet 格式上传你的数据
  2. 确保你的文件至少包含一个列名和一行数据
  3. 最多上传 1,000 行（列数不限）
  4. 你的数据会以熟悉的电子表格格式显示

专业提示： 如果你的文件包含的数据很少，你可以直接在电子表格中输入来手动添加更多条目。

使用你的数据集

数据加载后（无论你以何种方式开始），你都会在可编辑的电子表格界面中看到它。以下是你需要了解的：

了解 AI Sheets

  • 导入的单元格： 可手动编辑，但不能通过 AI 提示词修改
  • AI 生成的单元格： 可以使用提示词和你的反馈（编辑 + 点赞）重新生成和完善
  • 新列： 始终由 AI 驱动且完全可自定义

AI 列入门

  1. 点击“+”按钮添加新列
  2. Choose from recommended actions:
    • 提取特定信息
    • 总结长文本
    • 翻译内容
    • 或使用“对 {{column}} 执行某些操作”编写自定义提示词

优化和扩展数据集

现在你有了 AI 列，可以改进它们的结果并扩展你的数据。你可以通过手动编辑和点赞提供反馈，或调整列配置来改进结果。两者都需要重新生成才能生效。

image/png

1. 如何添加更多单元格

  • 向下拖动：从列中的最后一个单元格向下拖动，立即生成更多行
  • 无需重新生成——新单元格会即时创建
  • 你也可以用这个方法来重新生成出错的单元格

2. 手动编辑和反馈

  • 编辑单元格：点击任意单元格直接编辑内容——这为模型提供了你偏好输出的示例
  • 点赞结果：使用点赞按钮标记优质输出的示例
  • 重新生成以将反馈应用到列中的其他单元格。

在底层，这些手动编辑和点赞的单元格将被用作少样本示例，在你重新生成或向列中添加更多单元格时用于生成单元格！

3. 调整列配置 更改提示词、切换模型或提供商，或修改设置，然后重新生成以获得更好的结果。

重写提示词

  • 每一列都有其生成提示词
  • 随时编辑以更改或改进输出
  • 列会重新生成并产生新结果

切换模型/提供商

  • 尝试不同的模型以获得不同的性能或进行比较。
  • 对于特定任务，有些模型比其他模型更准确、更有创意或更有条理。
  • 有些提供商具有更快的推理速度和不同的上下文长度；针对所选模型测试不同的提供商。

切换搜索

  • 启用：模型从网络获取最新信息
  • 禁用：离线，仅使用模型生成

将最终数据集导出到 Hub

一旦你对新数据集满意，就将其导出到 Hub！这还有一个额外的好处：生成一个配置文件，你可以将其复用于 (1) 使用 HF Jobs 通过此脚本生成更多数据，以及 (2) 将提示词复用于下游应用，包括来自你编辑和点赞单元格的少样本示例。

image/png

这是一个用 AISheets 创建的示例数据集，它生成了此配置。

使用 HF Jobs 运行数据生成脚本

如果你想生成更大的数据集，可以使用上述配置和脚本，如下所示：

hf jobs uv run \
-s HF_TOKEN=$HF_TOKEN \
https://huggingface.co/datasets/aisheets/uv-scripts/raw/main/extend_dataset/script.py \ # script for running the pipeline
--config https://huggingface.co/datasets/dvilasuero/nemotron-personas-kimi-questions/raw/main/config.yml \ # config with prompts
--num-rows 100 \ # limit to 100 rows, leave empty for the full dataset
nvidia/Nemotron-Personas dvilasuero/nemotron-kimi-qa-distilled

示例

本节提供了你可以使用 AI Sheets 构建的数据集示例，以启发你的下一个项目。

氛围测试和比较模型

如果你想在你关心的不同提示词和数据上测试最新模型，AI Sheets 是你的完美搭档。

你只需导入一个数据集（或从头创建一个），然后使用你想测试的模型添加不同的列。

然后，你可以手动检查结果，或添加一列使用 LLM 来评判每个模型的质量。

下面是一个示例，比较用于迷你 Web 应用的开放前沿模型。AI Sheets 让你可以看到交互式结果并试用每个应用。此外，该数据集包含多个使用 LLM 评判和比较应用质量的列。

image/png

从我们刚才描述的那种会话中导出的示例数据集：https://huggingface.co/datasets/dvilasuero/jsvibes-qwen-gpt-oss-judged

配置：

columns:
  gpt-oss:
    modelName: openai/gpt-oss-120b
    modelProvider: groq
    userPrompt: Create a complete, runnable HTML+JS file implementing {{description}}
    searchEnabled: false
    columnsReferences:
      - description
  eval-qwen-coder:
    modelName: Qwen/Qwen3-Coder-480B-A35B-Instruct
    modelProvider: cerebras
    userPrompt: "Please compare the two apps and tell me which one is better and why:\n\nApp description:\n\n{{description}}\n\nmodel 1:\n\n{{qwen3-coder}}\n\nmodel 2:\n\n{{gpt-oss}}\n\nKeep it very short and focus on whether they work well for the purpose, make sure they work and are not incomplete, and the code quality, not on visual appeal and unrequested features. Assume the models might provide non working solutions, so be careful to assess that\n\nRespond with:\n\nchosen: {model 1, model 2}\n\nreason: ..."
    searchEnabled: false
    columnsReferences:
      - gpt-oss
      - description
      - qwen3-coder
  eval-gpt-oss:
    modelName: openai/gpt-oss-120b
    modelProvider: groq
    userPrompt: "Please compare the two apps and tell me which one is better and why:\n\nApp description:\n\n{{description}}\n\nmodel 1:\n\n{{qwen3-coder}}\n\nmodel 2:\n\n{{gpt-oss}}\n\nKeep it very short and focus on whether they work well for the purpose, make sure they work and are not incomplete, and the code quality, not on visual appeal and unrequested features. Assume the models might provide non working solutions, so be careful to assess that\n\nRespond with:\n\nchosen: {model 1, model 2}\n\nreason: ..."
    searchEnabled: false
    columnsReferences:
      - gpt-oss
      - description
      - qwen3-coder
  eval-kimi:
    modelName: moonshotai/Kimi-K2-Instruct
    modelProvider: groq
    userPrompt: "Please compare the two apps and tell me which one is better and why:\n\nApp description:\n\n{{description}}\n\nmodel 1:\n\n{{qwen3-coder}}\n\nmodel 2:\n\n{{gpt-oss}}\n\nKeep it very short and focus on whether they work well for the purpose, make sure they work and are not incomplete, and the code quality, not on visual appeal and unrequested features. Assume the models might provide non working solutions, so be careful to assess that\n\nRespond with:\n\nchosen: {model 1, model 2}\n\nreason: ..."
    searchEnabled: false
    columnsReferences:
      - gpt-oss
      - description
      - qwen3-coder

为 Hub 数据集添加类别

AI Sheets 还可以增强现有数据集，并帮助你进行涉及文本数据集分析的快速数据分析和数据科学项目。

以下是为现有 Hub 数据集添加类别的示例。

image/png

一个很酷的功能是，你可以手动验证或编辑初始分类输出，并重新生成整列以改进结果，如下所示：

image/png

配置：

columns:
  category:
    modelName: moonshotai/Kimi-K2-Instruct
    modelProvider: groq
    userPrompt: |-
      Categorize the main topics of the following question:

      {{question}}
    prompt: "

      You are a rigorous, intelligent data-processing engine. Generate only the
      requested response format, with no explanations following the user
      instruction. You might be provided with positive, accurate examples of how
      the user instruction must be completed.

      # Examples

      The following are correct, accurate example outputs with respect to the
      user instruction:

      ## Example

      ### Input

      question: Given the area of a parallelogram is 420 square centimeters and
      its height is 35 cm, find the corresponding base. Show all work and label
      your answer.

      ### Output

      Mathematics – Geometry

      ## Example

      ### Input

      question: What is the minimum number of red squares required to ensure
      that each of $n$ green axis-parallel squares intersects 4 red squares,
      assuming the green squares can be scaled and translated arbitrarily
      without intersecting each other?

      ### Output

      Geometry, Combinatorics
      # User instruction

      Categorize the main topics of the following question:

      {{question}}

      # Your response
      "
    searchEnabled: false
    columnsReferences:
      - question

使用 LLM 作为评判者来评估模型

另一个用例是使用 LLM 作为评判者的方法来评估模型的输出。这对于比较模型或评估现有数据集的质量很有用，例如，在 Hugging Face Hub 上的现有数据集上微调模型。

在第一个示例中，我们将 vibe testing 与评判者 LLM 列结合使用。以下是评判者提示词：

image/png

示例数据集：https://huggingface.co/datasets/dvilasuero/jsvibes-qwen-gpt-oss-judged

配置：

columns:
  object_name:
    modelName: meta-llama/Llama-3.3-70B-Instruct
    modelProvider: groq
    userPrompt: Generate the name of a common day to day object
    searchEnabled: false
    columnsReferences: []
  object_description:
    modelName: meta-llama/Llama-3.3-70B-Instruct
    modelProvider: groq
    userPrompt: Describe a {{object_name}} with adjectives and short word groups separated by commas. No more than 10 words
    searchEnabled: false
    columnsReferences:
      - object_name
  object_image_with_desc:
    modelName: multimodalart/isometric-skeumorphic-3d-bnb
    modelProvider: fal-ai
    userPrompt: RBNBICN, icon, white background, isometric perspective, {{object_name}} , {{object_description}}
    searchEnabled: false
    columnsReferences:
      - object_description
      - object_name
  object_image_without_desc:
    modelName: multimodalart/isometric-skeumorphic-3d-bnb
    modelProvider: fal-ai
    userPrompt: "RBNBICN, icon, white background, isometric perspective, {{object_name}} "
    searchEnabled: false
    columnsReferences:
      - object_name
  glowing_colors:
    modelName: multimodalart/isometric-skeumorphic-3d-bnb
    modelProvider: fal-ai
    userPrompt: "RBNBICN, icon, white background, isometric perspective, {{object_name}}, glowing colors "
    searchEnabled: false
    columnsReferences:
      - object_name
  flux:
    modelName: black-forest-labs/FLUX.1-dev
    modelProvider: fal-ai
    userPrompt: Create an isometric icon for the object {{object_name}} based on {{object_description}}
    searchEnabled: false
    columnsReferences:
      - object_description
      - object_name

后续步骤

你可以无需安装任何东西试用 AI Sheets，或从 GitHub 仓库下载并在本地部署。要在本地运行并充分利用它，我们建议你订阅 PRO，以获得 20 倍的每月推理用量。

如果你有问题或建议，请在社区标签页中告诉我们，或在 GitHub 上提交 issue。

来源：Hugging Face：Blog · huggingface.co

#产品更新#开源生态#数据/训练#Hugging Face