Agent 链式调用多个工具构建交互应用

我让一个 coding agent 构建了一个精美的网站，用 3D Gaussian splats 展示巴黎的地标建筑。我没有打开过图像生成器，也没有接触过任何 3D 重建工具。Agent 直接调用两个 Hugging Face Spaces，生成了所有素材（包括图像和 3D splats），然后把它们接入一个富有电影感的查看器中。

这是最终成果，以静态 Space 的形式在线运行：

👉 mishig/monuments-de-paris

这篇文章要讲的是：为什么现在已经能做到这件事，以及为什么我认为，它预示着未来大量多媒体软件的构建方式。

积木经济开始席卷多媒体领域

Mitchell Hashimoto 最近描述了一种他称为「积木经济」（building block economy）的转变：构建软件最有效的方式，不再是打造一个精致的单体系统，而是提供规模小巧、文档完善的组件，让其他人——越来越多时候是 Agent——把它们组装起来。他的核心观察是：AI 从零构建一切的能力还算可以，但它非常擅长把经过验证的模块粘合在一起。

过去，人们主要通过代码库来阐述这一观点。但同样的力量也正在影响多媒体 AI。使用最先进的图像模型、视频模型、TTS 模型或 3D 重建模型时，真正困难的部分从来都不是模型本身，而是集成：SDK、权重、GPU、输入格式、轮询。如果每个模型都能变成一个有文档、可调用的模块，Agent 就可以像拼装 npm packages 一样，把它们粘合在一起。

而这正是 Hugging Face Spaces 在不知不觉中演变成的形态。

通过 agents.md，每个 Space 都是一个积木

Hub 托管着数千个最先进的模型，其中很大一部分采用 open-weights，并且多数模型都以交互式 Spaces 的形式部署。现在，每个 Gradio Space 还会公开一个纯文本的 agents.md，明确告诉 Agent 应该如何调用它：

curl https://huggingface.co/spaces/VAST-AI/TripoSplat/agents.md

一次请求就会返回所有必要信息：schema URL、调用与轮询模板、文件上传方式，以及身份验证提示：

API schema:   GET  .../gradio_api/info
Call endpoint: POST .../gradio_api/call/v2/{endpoint} {"param_name": value, ...}
Poll result:  GET  .../gradio_api/call/{endpoint}/{event_id}
File inputs:  POST .../gradio_api/upload -F "files=@file.ext"
Auth:         Bearer $HF_TOKEN

不需要客户端库，也不需要硬编码集成。Agent 读完这些内容，就能端到端地驱动整个 Space。设置好 HF_TOKEN，马上就能开始。你可以通过任何 Gradio Space 上的 Agents 按钮找到这些说明：

真正带来突破的是链式调用：一个 Space 的输出，会成为下一个 Space 的输入。Prompt → 图像 → 3D。这就是这座画廊背后的完整 pipeline。

实际案例：巴黎地标 → splats

Agent 串联了两个 Spaces：

图像：一个图像生成 Space 把每座地标转换成背景干净、深色的「标本」照片（还把埃菲尔铁塔做成了一个放在基座上的小型立体模型）。输入 prompt，输出图像。

Splat：VAST-AI/TripoSplat 根据每张单独的图像，重建出一个 3D Gaussian splat（.ply）。输入图像，输出 3D。

以下是 Agent 生成的六张源图像。它们都被单独置于黑色背景上，可以直接用于单图 3D 重建：

此后，「粘合」工作也由 Agent 完成。它发现 TripoSplat 的输出采用 Y 轴向下的坐标系，于是将其翻转至正向；它自动为每座地标调整取景，将 .ply 文件压缩成 .ksplat（体积缩小约 3 倍，因此加载速度很快），构建了一个 Three.js 查看器，提供滚动切换和拖拽旋转 UI，最后把整个项目部署为静态 Space。人类提供的输入只涉及审美层面的调整：「再拉远一点」「把方尖碑换成更适合做 splatting 的东西」「转场停留得太久了」。

其中有几个步骤，是 Agent 根据现实效果作出的反应。宽大的玻璃金字塔很难生成良好的 splat；细长的方尖碑又很单调；单视角重建必须推断物体背面的形态。这恰好就是积木经济所预测的「外包 R&D、快速迭代」循环，只不过这一次，R&D 是通过对话完成的。

两条 prompt，生成一座全新画廊

检验一个积木是否真正好用，要看复用它的成本有多低。这套 pipeline 一旦建成，创建完全不同的新画廊，每个大约只需要一句话。「创建一个类似的 Space，用 splats 展示日本地标」，然后再为埃及重复一次，剩下的工作全部由 Agent 完成：每个国家生成六张地标图像、六个 splats，完成压缩、查看器构建以及 Space 部署。

🏛️ 埃及地标：吉萨大金字塔、狮身人面像、阿布辛贝神庙、图坦卡蒙面具、卡纳克神庙、门农巨像。

<video autoplay loop muted playsinline width="100%" src="

⛩️ 日本地标：东京塔、姬路城、金阁寺、大阪城、镰仓大佛、严岛神社鸟居。

<video autoplay loop muted playsinline width="100%" src="

还是相同的两个 Spaces、相同的 agents.md，只有 prompts 发生了变化。这句话就概括了积木经济：一款新多媒体应用的边际成本，正在逼近描述它所需的成本。

模型开始具备可组合性。来自不同组织的 SOTA splat 模型和 SOTA 图像模型，无须编写任何集成代码就能串联起来。Hub 上的 open-weights 模型目录，也由此变成了一个由可调用多媒体原语组成的库。

Agents 偏爱文档完善且容易访问的东西。agents.md 让 Space 变得极易访问，因此相比需要手动搭建的模型，Agent 会优先选择 Space。这与 Hashimoto 在开源库领域指出的趋势如出一辙。

过去的障碍是集成，而现在，这道障碍在很大程度上已经消失。「把一条 prompt 变成一座可旋转的 3D 地标」以前是一个完整项目，而在这里，它只是 pipeline 中的一个步骤。

让你自己的 Agent 读取某个 Space 的 agents.md，然后放手让它去做：

# image generation
curl https://huggingface.co/spaces/ideogram-ai/ideogram4/agents.md
# single-image to 3D gaussian splat
curl https://huggingface.co/spaces/VAST-AI/TripoSplat/agents.md

把任意一个链接粘贴到你的 coding agent（Claude Code 等）中，设置 HF_TOKEN，然后让它构建点东西。这座画廊完整且可复现的 pipeline，以及调用这两个 agents.md 端点的脚本，都存放在 Space repo 中。

这些积木就摆在 Hub 上。Agents 已经知道该如何把它们粘合起来。

我让一个 coding agent 构建了一个精美的网站，用 3D Gaussian splats 展示巴黎的地标建筑。我没有打开过图像生成器，也没有接触过任何 3D 重建工具。Agent 直接调用两个 Hugging Face Spaces，生成了所有素材（包括图像和 3D splats），然后把它们接入一个富有电影感的查看器中。

这是最终成果，以静态 Space 的形式在线运行：

👉 mishig/monuments-de-paris

这篇文章要讲的是：为什么现在已经能做到这件事，以及为什么我认为，它预示着未来大量多媒体软件的构建方式。

积木经济开始席卷多媒体领域

Mitchell Hashimoto 最近描述了一种他称为「积木经济」（building block economy）的转变：构建软件最有效的方式，不再是打造一个精致的单体系统，而是提供规模小巧、文档完善的组件，让其他人——越来越多时候是 Agents——把它们组装起来。他的核心观察是：AI 从零构建一切的能力还算可以，但它非常擅长把经过验证的模块粘合在一起。

过去，人们主要通过代码库来阐述这一观点。但同样的力量也正在影响多媒体 AI。使用最先进的图像模型、视频模型、TTS 模型或 3D 重建模型时，真正困难的部分从来都不是模型本身，而是集成：SDK、权重、GPU、输入格式、轮询。如果每个模型都能变成一个有文档、可调用的模块，Agent 就可以像拼装 npm packages 一样，把它们粘合在一起。

而这正是 Hugging Face Spaces 在不知不觉中演变成的形态。

通过 agents.md，每个 Space 都是一个积木

Hub 托管着数千个最先进的模型，其中很大一部分采用 open-weights，并且多数模型都以交互式 Spaces 的形式部署。现在，每个 Gradio Space 还会公开一个纯文本的 agents.md，明确告诉 Agent 应该如何调用它：

curl https://huggingface.co/spaces/VAST-AI/TripoSplat/agents.md

一次请求就会返回所有必要信息：schema URL、调用与轮询模板、文件上传方式，以及身份验证提示：

API schema:   GET  .../gradio_api/info
Call endpoint: POST .../gradio_api/call/v2/{endpoint} {"param_name": value, ...}
Poll result:  GET  .../gradio_api/call/{endpoint}/{event_id}
File inputs:  POST .../gradio_api/upload -F "files=@file.ext"
Auth:         Bearer $HF_TOKEN

不需要客户端库，也不需要硬编码集成。Agent 读完这些内容，就能端到端地驱动整个 Space。设置好 HF_TOKEN，马上就能开始。

真正带来突破的是链式调用：一个 Space 的输出，会成为下一个 Space 的输入。Prompt → 图像 → 3D。这就是这座画廊背后的完整 pipeline。

实际案例：巴黎地标 → splats

Agent 串联了两个 Spaces：

图像：ideogram-ai/ideogram4 把每座地标转换成背景干净、深色的「标本」照片（还把埃菲尔铁塔做成了一个放在基座上的小型立体模型）。输入 prompt，输出图像。

Splat：VAST-AI/TripoSplat 根据每张单独的图像，重建出一个 3D Gaussian splat（.ply）。输入图像，输出 3D。

以下是 Agent 生成的六张源图像。它们都被单独置于黑色背景上，可以直接用于单图 3D 重建：

此后，「粘合」工作也由 Agent 完成。它发现 TripoSplat 的输出采用 Y 轴向下的坐标系，于是将其翻转至正向；它自动为每座地标调整取景，将 .ply 文件压缩成 .ksplat（体积缩小约 3 倍，因此加载速度很快），构建了一个 Three.js 查看器，提供滚动切换和拖拽旋转 UI，最后把整个项目部署为静态 Space。人类提供的输入只涉及审美层面的调整：「再拉远一点」「把方尖碑换成更适合做 splatting 的东西」「转场停留得太久了」。

其中有几个步骤，是 Agent 根据现实效果作出的反应。宽大的玻璃金字塔很难生成良好的 splat；细长的方尖碑又很单调；单视角重建必须推断物体背面的形态。这恰好就是积木经济所预测的「外包 R&D、快速迭代」循环，只不过这一次，R&D 是通过对话完成的。

两条 prompt，生成一座全新画廊

检验一个积木是否真正好用，要看复用它的成本有多低。这套 pipeline 一旦建成，创建完全不同的新画廊，每个大约只需要一句话。「创建一个类似的 Space，用 splats 展示日本地标」，然后再为埃及重复一次，剩下的工作全部由 Agent 完成：每个国家生成六张地标图像、六个 splats，完成压缩、查看器构建以及 Space 部署。

🏛️ 埃及地标：吉萨大金字塔、狮身人面像、阿布辛贝神庙、图坦卡蒙面具、卡纳克神庙、门农巨像。

⛩️ 日本地标：东京塔、姬路城、金阁寺、大阪城、镰仓大佛、严岛神社鸟居。

还是相同的两个 Spaces、相同的 agents.md，只有 prompts 发生了变化。这句话就概括了积木经济：一款新多媒体应用的边际成本，正在逼近描述它所需的成本。

模型开始具备可组合性。来自不同组织的 SOTA splat 模型和 SOTA 图像模型，无须编写任何集成代码就能串联起来。Hub 上的 open-weights 模型目录，也由此变成了一个由可调用多媒体原语组成的库。

Agents 偏爱文档完善且容易访问的东西。agents.md 让 Space 变得极易访问，因此相比需要手动搭建的模型，Agent 会优先选择 Space。这与 Hashimoto 在开源库领域指出的趋势如出一辙。

过去的障碍是集成，而现在，这道障碍在很大程度上已经消失。「把一条 prompt 变成一座可旋转的 3D 地标」以前是一个完整项目，而在这里，它只是 pipeline 中的一个步骤。

让你自己的 Agent 读取某个 Space 的 agents.md，然后放手让它去做：

# image generation
curl https://huggingface.co/spaces/ideogram-ai/ideogram4/agents.md
# single-image to 3D gaussian splat
curl https://huggingface.co/spaces/VAST-AI/TripoSplat/agents.md

把任意一个链接粘贴到你的 coding agent（Claude Code 等）中，设置 HF_TOKEN，然后让它构建点东西。这座画廊完整且可复现的 pipeline，以及调用这两个 agents.md 端点的脚本，都存放在 Space repo 中。

这些积木就摆在 Hub 上。Agents 已经知道该如何把它们粘合起来。

本文提到的 Spaces：5 个

这位作者的更多文章

无需 Photoshop，无需 Blender：由 Agent 构建多媒体内容

36 条 Prompts，一座无限城市

· 注册或登录后发表评论

本文提到的 Spaces：5 个