🤖 AI 驱动的 Excel 数据分析助手
特性 • 快速开始 • 使用方法 • 配置说明 • 常见问题 • 项目结构
English | 中文
LLM-Excel-Copilot 是一个基于大语言模型的智能 Excel 数据分析工具。只需用自然语言描述你的分析需求，AI 会自动完成数据处理。
demo-full-workflow.mp4
graph LR
A[用户] -->|上传 Excel| B[Web 前端]
B -->|文件| C[FastAPI 后端]
C -->|解析结构| D[Excel Parser]
D -->|结构信息| E[需求精化]
A -->|自然语言需求| B
B -->|需求| E
E -->|澄清问题| B
B -->|回答| E
E -->|精化后需求| F[LLM Client]
F -->|调用 API| G[LLM 模型<br>DeepSeek/GPT/...]
G -->|操作计划| F
F -->|操作指令| H[Excel Executor]
H -->|本地执行| I[处理后的 Excel]
I -->|下载| B
B -->|结果| A
style D fill:#e1f5ff
style F fill:#fff3e0
style H fill:#f3e5f5
style G fill:#e8f5e9
- 🔒 隐私优先 - Excel 数据保留在本地，仅发送结构信息给 AI
- 🤖 多模型支持 - 兼容 OpenAI、DeepSeek、通义千问、硅基流动等 OpenAI 兼容 API
- 📊 自然语言分析 - 用自然语言描述需求，AI 自动分析数据
- 💬 智能澄清 - 需求不明确时，AI 会主动询问确认
- ⚡ 实时响应 - 实时显示 AI 思考和分析过程
- 🔄 多 API 管理 - 通过 Web 界面配置多个 API，轻松切换
- 📁 多格式支持 - 支持 .xlsx 和 .xls 文件
- 📈 图表生成 - 自动生成柱状图、折线图、饼图等
点击展开查看 20+ 种操作
- 筛选 (FILTER) - 条件筛选保留符合条件的行
- 排序 (SORT) - 按列升序/降序排序
- 添加列 (ADD_COLUMN) - 新增计算列（支持公式）
- 删除列 (DELETE_COLUMN) - 删除指定列
- 拆分列 (SPLIT_COLUMN) - 按分隔符拆分列
- 合并列 (MERGE_COLUMNS) - 合并多列为一列
- 删除行 (DELETE_ROWS) - 删除符合条件的行
- 去重 (DEDUPLICATE) - 按列去除重复行
- 替换 (REPLACE) - 批量替换值
- 填充 (FILL) - 填充空值（前向/后向/固定值）
- 计算 (CALCULATE) - 添加汇总行（求和/平均/计数等）
- 格式化 (FORMAT) - 数字/日期/百分比/货币格式
- 样式 (STYLE) - 边框/背景色/字体样式
- VLOOKUP - 跨工作表查找匹配
- 数据透视 (PIVOT) - 创建数据透视表
- 图表 (CREATE_CHART) - 创建各类图表（含数据标签控制）
- 纵向合并 (MERGE_VERTICAL) - 追加数据行
- 横向合并 (MERGE_HORIZONTAL) - 按关键列匹配合并
git clone https://github.com/LouisUltra/LLM-Excel-Copilot.git
cd LLM-Excel-Copilot方式一：使用 uv（推荐，自动管理虚拟环境）
# 安装 uv（如果没有安装）
curl -LsSf https://astral.sh/uv/install.sh | sh
# 同步依赖
uv sync方式二：使用 pip + venv
# 创建虚拟环境
python3 -m venv .venv
source .venv/bin/activate # macOS/Linux
# 或者: .venv\Scripts\activate # Windows
# 安装依赖
pip install -r requirements.txt这将安装所有必需的包，包括：
- FastAPI（Web 框架）
- openpyxl、pandas、xlrd（Excel 处理）
- openai、httpx（LLM 客户端）
- matplotlib、pillow（图表生成）
使用 uv（推荐）：
uv run python -m app.main或使用激活的虚拟环境：
# 确保已激活虚拟环境
source .venv/bin/activate # macOS/Linux
# 使用 python3 运行（注意：某些系统没有 python 命令）
python3 -m app.main浏览器打开：http://localhost:8000
⚠️ 注意: macOS/Linux 系统可能没有python命令，请使用python3。推荐使用uv run可以避免这类问题。
- 前台运行时：在终端按
Ctrl+C即可停止 - 后台运行时：
# 查找进程 lsof -i :8000 # 终止进程（替换 <PID> 为实际进程号） kill <PID>
- 点击右上角的 ⚙️ 设置 按钮
- 点击 「+ 添加配置」
- 填写信息：
- 配置名称：例如 "OpenAI GPT-5"
- API 地址：例如
https://api.openai.com/v1 - API Key：你的密钥（sk-...）
- 模型：点击刷新按钮获取可用模型列表
- 勾选 「设为默认配置」
- 点击 「保存」
在项目根目录创建 api_configs.json：
{
"configs": [
{
"id": "default",
"name": "OpenAI GPT-5",
"api_key": "sk-your-api-key-here",
"api_base": "https://api.openai.com/v1",
"model": "gpt-5",
"is_default": true
}
]
}基于 .env.example 创建 .env 文件：
LLM_API_KEY=sk-your-api-key-here
LLM_API_BASE=https://api.openai.com/v1
LLM_MODEL=gpt-5
HOST=0.0.0.0
PORT=8000
DEBUG=true| 提供商 | API 地址 | 示例模型 |
|---|---|---|
| OpenAI | https://api.openai.com/v1 |
gpt-5, gpt-5.1, gpt-5.2 |
| DeepSeek | https://api.deepseek.com/v1 |
deepseek-chat, deepseek-coder |
| 通义千问 | https://dashscope.aliyuncs.com/compatible-mode/v1 |
qwen-plus, qwen-turbo, qwen-max |
| 硅基流动 | https://api.siliconflow.cn/v1 |
Qwen/Qwen3-8B-Instruct |
sequenceDiagram
autonumber
actor 用户
participant 前端
participant 后端
participant LLM
用户->>前端: 1️⃣ 上传 Excel 文件
前端->>后端: 发送文件
后端->>后端: 解析 Excel 结构<br>（不读取数据）
后端-->>前端: 返回结构信息
前端-->>用户: 显示文件信息
用户->>前端: 2️⃣ 输入需求<br>"筛选销售额>5000"
前端->>后端: 发送需求
后端->>LLM: 需求精化<br>（含Excel结构）
alt 需求不明确
LLM-->>后端: 返回澄清问题
后端-->>前端: 返回问题
前端-->>用户: 显示问题
用户->>前端: 回答问题
前端->>后端: 发送回答
后端->>LLM: 继续精化
end
LLM-->>后端: 返回操作计划
后端-->>前端: 返回计划
前端-->>用户: 显示操作计划
用户->>前端: 3️⃣ 确认执行
前端->>后端: 执行请求
后端->>后端: 本地执行操作<br>（筛选、排序等）
后端->>后端: 生成新文件
后端-->>前端: 返回结果文件ID
前端-->>用户: 显示完成状态
用户->>前端: 4️⃣ 下载文件
前端->>后端: 请求下载
后端-->>前端: 发送文件
前端-->>用户: 保存文件
- 上传文件 - 拖拽文件到上传区域，或点击选择文件
- 描述需求 - 用自然语言输入你的分析需求
- 回答问题 - 如果 AI 需要澄清，回答后续问题
- 获取结果 - 查看分析结果并下载生成的文件
假设你有一个销售数据表（销售记录.xlsx）：
| 日期 | 产品名称 | 销售额 | 数量 | 地区 |
|---|---|---|---|---|
| 2024-01-01 | 产品A | 5000 | 10 | 北京 |
| 2024-01-02 | 产品B | 3000 | 5 | 上海 |
| ... | ... | ... | ... | ... |
数据处理：
"帮我按销售额从高到低排序"
"筛选出销售额大于 5000 的记录"
"删除重复的行"
"添加一列计算总额 = 数量 × 单价"
数据统计：
"在最后一行添加销售额的总和"
"按地区汇总销售额"
格式调整：
"给表格添加边框，标题行加粗，背景色改为浅蓝色"
图表生成：
"帮我画一个销售额的柱状图"
"用折线图展示月度趋势"
"做一个部门分布的饼图"
可以一次描述多个需求：
"先筛选出北京地区的数据，
然后按销售额排序，
最后生成一个柱状图"
AI 会逐步询问确认，确保理解正确。
本工具遵循 「只传结构，不传数据」 的设计原则：
- Excel 文件始终保留在你的本地机器
- 只有结构信息会发送给 AI：
- 列标题
- 数据类型
- 行数统计
- 公式/合并单元格标识
- 实际数据内容永远不会离开你的电脑
- AI 返回操作指令，由本地 Python 执行
A: 确保系统已安装中文字体：
- macOS：自带中文字体，重启应用即可
- Windows：确保安装了宋体、微软雅黑等
- Linux：
sudo apt-get install fonts-wqy-microhei
A: 检查以下几点：
- API Key 是否正确
- 网络是否连接
- 账户余额是否充足
- API 地址是否正确
A: 尝试：
- 更详细地描述需求
- 分步骤描述（不要一次性说太多）
- 使用实际的列名
- 查看 AI 的理解，及时纠正
A: 查看错误提示：
- 列名是否拼写正确
- 数据类型是否匹配（数字列不能包含文字）
- 操作参数是否完整
-
明确指定列名
✅ "按'销售额'列从高到低排序" ❌ "排个序" -
分步骤操作
✅ 第一步："筛选出销售额大于5000的" 第二步："然后按日期排序" ❌ "筛选销售额大于5000然后排序然后去重然后..." -
使用实际列名
✅ "用'产品名称'和'销售额'画柱状图" ❌ "画个图"
- 一次性要求太多操作
- 使用模糊的描述
- 不确认就执行
- 跳过需求澄清步骤
LLM-Excel-Copilot/
├── app/
│ ├── main.py # FastAPI 主应用入口
│ ├── models.py # Pydantic 数据模型
│ ├── config.py # 配置管理 (pydantic-settings)
│ ├── core/
│ │ ├── api_manager.py # 多 API 管理
│ │ ├── llm_client.py # LLM 客户端封装
│ │ ├── excel_parser.py # Excel 文件解析器
│ │ ├── excel_executor.py # Excel 操作执行器
│ │ └── requirement_refiner.py # 需求澄清模块
│ └── static/
│ ├── index.html # 前端主页
│ ├── styles.css # 样式表
│ ├── app.js # 主应用逻辑
│ └── streaming.js # 流式响应处理器
├── tests/ # 单元测试
├── uploads/ # 上传文件目录
├── outputs/ # 处理后文件目录
├── api_configs.json # API 配置（自动生成）
├── requirements.txt # Python 依赖
├── .env.example # 环境变量模板
├── .env # 本地配置（不在 git 中）
└── README.md
- 后端: FastAPI + Python 3.8+
- 前端: 原生 JavaScript + CSS
- 数据处理: Pandas + OpenPyXL + xlrd
- 图表: Matplotlib + Pillow
- LLM 集成: OpenAI 兼容 API (openai + httpx)
启动服务后访问：
- Swagger UI: http://localhost:8000/docs
- ReDoc: http://localhost:8000/redoc
欢迎贡献代码！请随时提交 Pull Request。
- Fork 本仓库
- 创建功能分支 (
git checkout -b feature/AmazingFeature) - 提交更改 (
git commit -m 'Add some AmazingFeature') - 推送到分支 (
git push origin feature/AmazingFeature) - 打开 Pull Request
本项目采用 MIT 许可证 - 详见 LICENSE 文件。
如果觉得这个项目有用，请考虑给它一个 Star！
