univer
Univer 是一款全栈开源框架,专为在网页和服务器端构建高性能的电子表格、文档及演示文稿应用而设计。它致力于解决传统在线办公组件难以深度集成、性能瓶颈以及缺乏原生 AI 支持等痛点,让开发者能够轻松将强大的编辑功能嵌入自有系统中。
这款工具主要面向软件开发者和企业技术团队,特别适合需要定制开发在线协作办公平台、数据可视化系统或希望打造"AI 原生”应用的人群。通过 Univer Platform,用户甚至可以直接使用自然语言指令来驱动表格操作,极大降低了交互门槛。
Univer 的技术亮点在于其“同构”架构,同一套代码可同时运行于浏览器和 Node.js 环境,确保了前后端逻辑的一致性。它拥有基于 Canvas 的高效渲染引擎,能流畅处理复杂排版与大数据量滚动;内置极速公式引擎,支持在 Web Worker 或服务端进行计算。此外,其灵活的插件体系和丰富的主题定制能力,让开发者可以按需扩展功能,轻松实现从基础编辑到高级协同的各种业务需求。
使用场景
某电商公司的数据分析师需要快速为运营团队构建一个支持实时协作、复杂公式计算且能嵌入内部系统的动态销售报表平台。
没有 univer 时
- 开发周期漫长:从零自研在线表格编辑器需耗费数月时间,难以快速响应业务对数据可视化的紧急需求。
- AI 集成困难:传统表格组件缺乏原生 AI 接口,无法让运营人员通过自然语言(如“计算上季度增长率”)直接驱动数据更新。
- 性能瓶颈明显:处理万行级销售数据时,浏览器端渲染卡顿,且复杂公式计算阻塞主线程,导致页面假死。
- 系统孤岛严重:表格功能难以无缝嵌入现有的 React/Vue 业务系统,数据无法与内部的文档、幻灯片模块互通。
使用 univer 后
- 极速落地应用:利用 univer 的全栈同构框架,团队在数天内即可构建出功能完备的在线表格,并直接嵌入内部系统。
- 自然语言交互:通过 Univer Platform 接入 AI 能力,运营人员直接输入指令即可自动完成数据筛选、公式填充及图表生成。
- 高性能计算渲染:依托 Canvas 渲染引擎和 Web Worker 公式计算,即使加载十万级数据也能流畅滚动,复杂运算不再卡顿。
- 生态无缝融合:借助插件架构和统一 API,表格与公司内部的文档、演示文稿实现数据联动,打造真正的 AI 原生办公流。
univer 将原本需要数月攻坚的底层研发工作转化为简单的集成调用,让企业能以最低成本拥有具备 AI 对话能力的高性能在线表格系统。
运行环境要求
- 未说明 (基于浏览器的 Web 应用,服务端支持 Node.js)
不需要
未说明 (取决于浏览器或 Node.js 运行时的常规需求)

快速开始
一个同构全栈框架,用于在 Web 和服务器端创建和编辑电子表格。
可扩展。高性能。嵌入到您的应用中。
English | 简体中文 | 日本語 | Español
[Official Site][official-site-link] | [Documentation][documentation-link] | [Online Playground][playground-link] | [Blog][blog-link]
使用 Univer Platform 通过自然语言驱动 Univer 电子表格,并构建原生 AI 电子表格。
https://github.com/user-attachments/assets/7429bd5f-d769-4057-9e67-353337531024
🌈 亮点
- 📈 Univer 旨在支持 电子表格、文档 和 演示文稿。
- 🧙♀️ Univer 是 同构的。它可以在浏览器和 Node.js 上运行(未来还将支持移动设备),并且使用相同的 API。
- ⚙️ Univer 很容易 嵌入,可以无缝集成到您的应用程序中。
- 🎇 Univer 功能强大,提供了广泛的功能,包括 公式、条件格式化、数据验证、筛选、协同编辑、打印、导入与导出 等,未来还将推出更多功能。
- 🔌 Univer 高度可扩展,得益于其插件架构,开发者可以轻松在其基础上实现独特的功能需求。
- 💄 Univer 高度可定制,您可以通过 主题 来个性化界面外观。同时,它也支持国际化 (i18n)。
- 🥤 Univer 易于使用。通过 预设 和 Facade API,您可以快速上手。
- ⚡ Univer 性能优越。
- ✏️ Univer 拥有基于 Canvas 的高效渲染引擎,能够完美渲染各种文档类型。该渲染引擎支持高级排版功能,如标点符号压缩、文本与图片布局以及滚动缓冲等。
- 🧮 Univer 集成了闪电般的公式引擎,可在 Web Worker 中甚至在服务器端运行。
- 🌌 Univer 是一个 高度集成 的系统。文档、电子表格和幻灯片之间可以相互协作,甚至在同一画布上渲染,从而实现信息和数据在 Univer 内部的流动。
✨ 特性
Univer 为电子表格、文档和演示文稿提供了丰富的功能。以下是一些关键特性:
📊 Univer Sheets
- 核心功能:Univer 支持电子表格的核心功能,包括单元格、行、列、工作表和工作簿。
- 公式:广泛支持各类公式,涵盖数学、统计、逻辑、文本、日期时间、查找引用、工程、金融和信息等领域。
- 权限:允许限制对特定元素的访问。
- 数字格式化:支持根据特定条件格式化数字。
- 超链接:允许链接到外部网站、电子邮件地址以及其他电子表格中的位置。
- 浮动图片:允许在电子表格中插入图片,并将其放置在表格的任何位置。
- 查找与替换:提供在电子表格中搜索特定文本并将其替换为其他文本的功能。
- 筛选:允许根据特定条件筛选数据。
- 排序:允许根据特定条件对数据进行排序。
- 数据验证:支持限制输入到单元格中的数据类型。
- 条件格式化:支持根据特定条件对单元格应用格式。
- 评论:允许在单元格中添加评论以提供额外信息。
- 交叉高亮显示:支持在电子表格中显示交叉高亮,帮助用户快速定位选定的单元格。
- 禅意编辑器:提供无干扰的编辑体验,界面简洁,减少干扰。
- 数据透视表[^1]:支持数据透视表,允许用户汇总和分析数据。
- 迷你图表[^1]:支持迷你图表,即嵌入在单元格中的小型图表,用于直观展示数据。
- 打印[^1]:允许打印电子表格或将其导出为 PDF。
- 导入与导出[^1]:支持以 XLSX 格式导入和导出数据。
- 图表[^1]:支持多种类型的图表,包括柱状图、折线图、饼图、散点图等。
- 协同编辑[^1]:支持多名用户同时编辑同一份电子表格。同时还提供文件历史记录和恢复功能。
- 编辑历史[^1]:允许用户查看和恢复电子表格的先前版本。
📝 Univer Docs (rc)
- 核心功能:Univer 支持文档的核心功能,包括段落、标题、列表、上标、下标等。
- 列表:支持有序列表、无序列表和任务列表。
- 超链接:支持在文档中插入指向外部网站、电子邮件地址以及其他位置的链接。
- 浮动图片:允许在文档中插入图片,并支持文本与图片的布局。
- 页眉与页脚:允许为文档添加页眉和页脚。
- 评论:允许在文档中添加评论以提供额外信息。
- 打印[^1]:允许打印文档或将其导出为 PDF。
- 导入与导出[^1]:支持以 DOCX 格式导入和导出数据。
- 协同编辑[^1]:支持多名用户同时编辑同一份文档。
📽️ Univer Slides (开发中)
- 核心功能:Univer 将支持演示文稿的核心功能,包括幻灯片、形状、文本、图片等。
🌐 国际化
Univer 支持多种语言,包括:
ca-ESen-USes-ESfa-IRja-JPko-KRru-RUsk-SKvi-VNzh-CNzh-TW
其中,zh-CN 和 en-US 是官方支持的语言,其余语言则由社区贡献和维护。
您可以通过 使用自定义本地化包 添加所需的语言。同时,您也可以参考 贡献指南,帮助我们增加对新语言的支持。
👾 展示
将 Univer 嵌入到 AI 产品中,作为数据展示工具。
[![][examples-preview-capalyze]][examples-link-capalyze]
您可以在 Univer 示例 中找到所有示例。
| 📊 电子表格 | 📊 多实例 | 📊 Uniscript |
|---|---|---|
| [![][examples-preview-0]][examples-link-0] | [![][examples-preview-1]][examples-link-1] | [![][examples-preview-2]][examples-link-2] |
| 📊 大数据 | 📊 协作 | 📊 协作游乐场 |
| [![][examples-preview-3]][examples-link-3] | [![][examples-preview-4]][examples-link-4] | [![][examples-preview-5]][examples-link-5] |
| 📊 导入与导出 | 📊 打印 | 📝 文档 |
| [![][examples-preview-6]][examples-link-6] | [![][examples-preview-7]][examples-link-7] | [![][examples-preview-8]][examples-link-8] |
| 📝 多实例 | 📝 Uniscript | 📝 大数据 |
| [![][examples-preview-9]][examples-link-9] | [![][examples-preview-10]][examples-link-10] | [![][examples-preview-11]][examples-link-11] |
| 📝 协作 | 📝 协作游乐场 | 📽️ 演示文稿 |
| [![][examples-preview-12]][examples-link-12] | [![][examples-preview-13]][examples-link-13] | [![][examples-preview-14]][examples-link-14] |
| 📊 禅意编辑器 | Univer Workspace(SaaS 版) | |
| [![][examples-preview-15]][examples-link-15] | [![][examples-preview-16]][examples-link-16] |
🔗 链接
🔒 安全性
Univer 致力于维护安全的代码库。我们遵循最佳安全实践,并定期更新依赖项。更多信息请参阅我们的 安全策略。
💬 社区
[![][github-community-badge]][github-community-link] [![][discord-community-badge]][discord-community-link] [![][stackoverflow-community-badge]][stackoverflow-community-link]
Univer 是一个包容且友好的项目。请在参与社区之前阅读我们的 行为准则。
加入 Univer 社区:
- 在 [Discord][discord-community-link] 上与我们及其他开发者交流。
- 在 [GitHub Discussions][github-community-link] 上发起讨论。
- 在 [Stack Overflow][stackoverflow-community-link] 上创建话题,并标记为
univer。
您还可以在以下平台找到 Univer:
[Twitter][twitter-community-link] | [YouTube][youtube-community-link]
🤝 贡献
我们欢迎任何形式的贡献。您可以向我们提交 问题或功能请求。请先阅读我们的 贡献指南。
如果您希望为 Univer 贡献代码,请同样参考贡献指南。它将指导您完成开发环境的搭建以及提交拉取请求的流程。
❤️ 赞助商
Univer 项目的成长与发展离不开其支持者和赞助商的帮助。如果您有兴趣支持我们的项目,诚挚邀请您考虑成为赞助商。您可以通过 Open Collective 进行赞助。
感谢我们的赞助商们,由于篇幅限制,此处仅列出部分赞助商,排名不分先后:
[![][sponsor-badge-0]][sponsor-link-0] [![][sponsor-badge-1]][sponsor-link-1] [![][sponsor-badge-2]][sponsor-link-2] [![][sponsor-badge-3]][sponsor-link-3] [![][sponsor-badge-4]][sponsor-link-4] [![][sponsor-badge-5]][sponsor-link-5] [![][sponsor-badge-6]][sponsor-link-6]
[![][backer-badge-0]][backer-link-0] [![][backer-badge-1]][backer-link-1] [![][backer-badge-2]][backer-link-2] [![][backer-badge-3]][backer-link-3] [![][backer-badge-4]][backer-link-4] [![][backer-badge-5]][backer-link-5] [![][backer-badge-6]][backer-link-6]
📄 许可证
版权所有 © 2021-2025 DreamNum Co., Ltd. 保留所有权利。
根据 Apache-2.0 许可证授权。
[^1]: 这些功能由 Univer 的非开源版本提供,该版本可免费用于商业用途,同时也提供付费升级方案。
版本历史
v0.20.02026/04/03v0.19.02026/03/28v0.18.02026/03/18v0.17.02026/03/11v0.16.12026/03/03v0.15.52026/02/11v0.15.42026/01/31v0.15.32026/01/24v0.15.22026/01/17v0.15.12026/01/10v0.15.02025/12/27v0.14.02025/12/20v0.13.02025/12/13v0.12.42025/12/06v0.12.32025/11/29v0.12.22025/11/22v0.12.02025/11/17v0.11.02025/11/08v0.10.142025/10/29v0.10.132025/10/25常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。