构建、评估与优化AI系统

Kiln是一款免费应用，提供构建更优AI产品的所需一切工具。

评估与规格 • 提示优化器 • RAG • 智能体 • 微调 • 合成数据 • 全部文档

核心功能

• 🚀 直观的桌面应用：适用于Windows、MacOS和Linux的一键式应用。
• 📊 评估：使用最先进的评估工具来衡量模型或任务的质量。
• 📈 优化工具：为您的任务找到最佳的提示、模型或微调方案，提升质量并降低成本。
• 🎛️ 微调：无需编码即可对Qwen、GPT、Gemini等模型进行微调，并自动以无服务器方式部署模型。
• 🔍 文档与搜索（RAG）：通过检索增强生成（RAG）为您的AI系统添加知识。
• 🤖 智能体：构建由多个主体协作的智能体系统。
• 🛠 工具与MCP：将强大的工具连接到您的Kiln任务中。
• 🪄 合成数据生成：使用我们的交互式可视化工具生成评估数据集或微调数据。
• 🧠 推理模型：训练或蒸馏您自己的自定义推理模型。
• 📝 提示生成：自动生成包含思维链、少样本、多样本等多种类型的提示。
• 🌐 全面的模型支持：无需猜测——我们已测试过100多种模型的能力。您可以通过Ollama、OpenAI、OpenRouter、Fireworks、Groq、AWS以及任何兼容OpenAI的API等方式使用任意模型。
• 🤝 团队协作：基于Git的版本控制用于您的AI数据集。直观的用户界面使QA、PM和领域专家能够轻松协作处理数据样本、评估、提示、评分和问题。
• 🗃️ 结构化数据：构建能够输出JSON格式的AI任务。
• 🧑‍💻 开源库和API：我们的Python库和OpenAPI REST API均采用MIT开源许可。
• 🔒 隐私优先：Kiln在您的本地计算机上运行，我们无法访问您的数据。您可以自行提供API密钥，或使用Ollama。
• 📚 优秀的文档：易于跟随的视频指南，既适合初学者，也满足高级用户的需求。
• 💰 免费：我们的应用程序是免费的，库也是开源的。

测量、改进、重复

通过迭代构建更好的AI系统。Kiln将评估与优化整合在一起，让每一次改动都可量化，每一轮迭代都能推动您向前发展。

演示

观看Kiln的2分钟概览或我们的端到端项目演示（20分钟）。

我们社区成员所在公司

_{来自这些公司的人员已注册Kiln、在GitHub上点赞Kiln，或加入了我们的Discord。}

下载Kiln桌面应用

适用于MacOS、Windows和Linux。

文档与指南

Kiln非常直观，因此我们建议直接启动桌面应用并开始使用。不过，如果您有任何疑问或想深入了解，我们的文档随时为您提供帮助。

视频指南

• 微调LLM模型
• 指南：训练推理模型
• LLM评估工具
• 端到端项目演示
• 工具入门：工具与MCP简介

所有文档

• 快速入门
• 如何在 Kiln 中使用任何 AI 模型或提供商
• 文档与搜索工具（RAG）
• 智能体
• 工具与 MCP
• 推理与思维链
• 合成数据生成
• 与 Kiln 协作
• 数据评分与标注
• 提示模板
• 结构化数据 / JSON
• 组织 Kiln 数据集（标签与筛选）
• 我们的数据模型
• 修复响应
• 键盘快捷键
• 隐私概览：默认私密设计

对于开发者，请参阅我们的 Kiln Python 库文档。其中包含如何将数据集加载到 Kiln，以及如何在您自己的代码库或笔记本中使用 Kiln 数据集的内容。

构建与工具

CI
测试
软件包
元数据
应用
连接

Python 库

我们的开源 Python 库 使您能够将 Kiln 数据集集成到自己的工作流中，构建微调模型，在 Notebook 中使用 Kiln，开发自定义工具等等！请参阅 文档 获取示例。

pip install kiln-ai

了解更多

快速原型设计

新的模型和技术层出不穷。Kiln 让您无需编写代码，只需点击几下即可轻松尝试各种方法并进行比较。这通常能带来更高质量和更好的性能。

我们目前支持：

• 多种提示技术：基础提示、少样本提示、多样本提示、修复与反馈
• 思维链 / 思考模式，可选自定义“思考”指令
• 多种模型：GPT、Llama、Claude、Gemini、Mistral、Gemma、Phi
• 微调：使用您的 Kiln 数据集创建自定义模型
• 使用 LLM 作为评判者和 G-Eval 进行评估
• 模型蒸馏

未来，我们计划添加更多强大的无代码选项，例如 RAG。对于经验丰富的数据科学家，您今天就可以使用 Kiln 数据集和我们的 Python 库来实现这些技术。

跨技术与非技术团队协作

在构建 AI 产品时，通常有一位了解您要解决的问题的领域专家，以及负责构建模型的技术团队。Kiln 作为一个协作工具，弥合了这一鸿沟。

领域专家可以使用我们直观的桌面应用程序生成结构化数据集和评分，无需编码或使用技术工具。不需要命令行或 GPU。

数据科学家可以使用 UI 消费领域专家创建的数据集，也可以通过我们的 Python 库深入分析数据。

质量保证人员和产品经理可以更早地发现问题，并帮助生成用于在模型层面修复问题所需的数据集内容。

数据集文件格式专为与 Git 配合使用而设计，以实现强大的协作和归属追踪。多人可以并行贡献；通过 UUID 避免冲突，并在数据集文件中记录归属信息。您甚至可以将数据集共享到公共存储盘上，让完全非技术背景的团队成员在不了解 Git 的情况下也能贡献数据和评估。

使用数据集构建高质量 AI 产品

产品本身并不自然带有“数据集”，但 Kiln 可以帮助您创建一个。每次使用 Kiln 时，我们都会捕获输入、输出、人工评分、反馈以及所需的修复信息，从而构建可用于您产品的高质量模型。您使用得越多，拥有的数据就越多。

我们的合成数据生成工具可以在几分钟内为评估和微调构建数据集。

随着数据集的增长，您的模型质量会自动提高，因为模型会获得更多高质量内容（以及错误）的示例。如果您的产品目标发生变化或发现了新的缺陷（几乎总是如此），您可以轻松迭代数据集以解决问题。

贡献与开发

有关如何设置开发环境并为 Kiln 做出贡献的信息，请参阅 CONTRIBUTING.md。

引用

@software{kiln_ai,
  title = {Kiln: 快速 AI 原型设计与数据集协作工具},
  author = {{Chesterfield Laboratories Inc.}},
  year = {2025},
  url = {https://github.com/Kiln-AI/Kiln},
  version = {latest}
}

许可与商标

Kiln 库及其核心功能完全开源（MIT 许可），而 Kiln 桌面应用程序则可免费使用，源代码公开，并可能在未来授权给企业使用。

为什么这样设计？我们的目标是使 Kiln 公平且可持续：

• Kiln 对个人用户始终免费。
• 较大的营利性公司如果使用 Kiln 桌面应用，未来可能需要许可证，但目前仍是免费的。
• 这基于 公平代码模型 的理念，旨在使 Kiln 可持续发展（由于 Kiln 是一款应用程序而非服务，因此进行了相应调整）。

开放的库与数据格式：

• Kiln 的 MIT 开源库包含 Kiln 的所有核心逻辑。它能够完成应用程序所能完成的所有操作，只是缺少前端/UI。
• Kiln 的数据格式是开放的。您拥有并控制自己的数据集，我们无法访问它们。数据采用 JSON 格式，以确保最大的兼容性，避免供应商锁定。

许可

• Python 库（核心逻辑/功能）：MIT 许可证
• Python 服务器（REST API）：MIT 许可证
• 桌面应用程序：可免费下载和使用。100% 源代码公开，提供公开构建版本以确保最大透明度。

商标：Kiln 名称和标志是 Chesterfield Laboratories Inc. 的注册商标。

版权所有 2024 - Chesterfield Laboratories Inc.

Kiln 快速上手指南

Kiln 是一款免费的开源桌面应用，旨在帮助开发者构建、评估和优化 AI 系统。它支持本地运行以保护隐私，提供从提示词优化、RAG（检索增强生成）、智能体构建到模型微调的一站式工作流。

环境准备

系统要求

Kiln 提供原生桌面客户端，支持以下操作系统：

• macOS (Intel & Apple Silicon)
• Windows (10/11)
• Linux (主流发行版)

前置依赖

• 网络连接：首次启动需下载模型或连接外部 API（如 OpenAI, Ollama 等）。
• API Keys（可选）：若使用云端模型（OpenAI, Anthropic, Groq 等），请提前准备好对应的 API Key。
• Ollama（可选）：若希望完全本地离线运行，建议预先安装 Ollama 并在本地运行模型。
• Python（仅开发者）：若需使用 Kiln 的 Python 库进行二次开发，需安装 Python 3.8+。

注意：Kiln 主打“隐私优先”，所有数据默认存储在本地计算机上，无需配置复杂的服务器环境。

安装步骤

Kiln 推荐使用图形化安装包，一键即可运行。

方法一：下载桌面客户端（推荐）

访问官方下载页面获取对应系统的安装包： https://kiln.tech/download

1. 点击页面对应操作系统的 Download 按钮。
2. 下载完成后，像安装普通软件一样运行安装程序。
   • Windows: 运行 .exe 安装向导。
   • macOS: 将图标拖入 Applications 文件夹。
   • Linux: 根据发行版选择 .deb, .rpm 或 AppImage 进行安装。
3. 启动 Kiln 应用。

方法二：通过 Python 库使用（开发者模式）

如果你希望在代码中集成 Kiln 功能，可以通过 PyPI 安装核心库：

pip install kiln-ai

注：国内用户若遇网络问题，可使用清华源加速安装：

pip install kiln-ai -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

以下是使用 Kiln 桌面端完成一个简单 AI 任务（例如：构建一个情感分析器）的最小化流程。

1. 创建项目与任务

启动 Kiln 桌面应用后：

• 点击 "New Project" 创建一个新项目（例如命名为 SentimentAnalysis）。
• 在项目内点击 "New Task"，定义你的任务目标。
• 在 Prompt 编辑区输入基础指令，例如：

  Analyze the sentiment of the following text. Return the result as a JSON object with a "score" (-1 to 1) and "label" (positive/negative/neutral).
  
  Text: {{input_text}}
  

2. 配置模型

• 进入 Models 设置页。
• 选择模型提供商：
  • Local (Ollama): 如果本地已运行 Ollama，直接选择已下载的模型（如 llama3）。
  • Cloud Providers: 输入你的 API Key（OpenAI, AWS Bedrock 等）并选择模型（如 gpt-4o）。
• Kiln 支持超过 100 种预测试模型，可直接在下拉菜单中选择。

3. 运行与评估 (Evals)

• 在 Run 标签页，输入几条测试文本（例如："I love this product!"）。
• 点击运行，查看模型输出的 JSON 结果。
• 切换到 Evals 标签页，利用内置的评估器（Evaluators）对输出质量进行打分，或手动标记数据好坏。

4. 优化提示词 (Prompt Optimizer)

• 如果结果不理想，点击 Optimizers 功能。
• Kiln 会自动尝试不同的提示词变体或模型参数，基于你的评估数据推荐最佳配置。
• 接受推荐配置，即可更新任务 Prompt。

5. 导出数据或使用 Python 库

你可以将标注好的数据导出为 JSON/CSV，或直接在 Python 代码中加载 Kiln 数据集：

from kiln_ai import KilnProject

# 加载本地项目
project = KilnProject.load(path="./path/to/your/project")

# 访问任务数据
task = project.task("sentiment_analysis_task")
for item in task.dataset.items:
    print(item.input_data, item.output_data)

---

下一步：探索更多高级功能，如 RAG 文档搜索、无代码微调 或 智能体编排，请访问 官方文档。