Gradio实战：用Python快速构建AI工作流

Hugging Face Blog#Gradio#AI工作流#Python

Editor brief · 编辑速览

Hugging Face博客演示如何在Gradio中串联AI节点、运行pipeline并一键部署，涵盖从原型到生产的完整路径。

文章思维导图

Knowledge map

拖拽缩放

Full translation

完整中文译文

gr.Workflow 内嵌于 Gradio，让流水线成为界面。你把各个步骤描述为一个带类型节点的图，Gradio 会提供一个拖放式画布，每个节点都可运行，每个中间结果都可见。同一个图同时也是一个 REST API，可以一键部署到 Hugging Face Spaces。

最好的理解方式就是看几个实际的工作流。下面的每个应用都是一个活着的 Hugging Face Space，你可以打开、运行和复制。

上传一张图片，输入编辑指令（"把它变成雪景"、"加墨镜"、"把车改成红色"），就能收到编辑后的照片。整个应用就是一个节点，调用 Hugging Face Inference Providers 上的 Qwen-Image-Edit。

👉 Try the Image Editor Pipeline

Chain real models into a media studio

一个图，三个管道。用 FLUX 从提示词生成图像，然后传给背景移除 Gradio Space 做成贴纸。同一个主题通过文本转语音 Gradio Space 变成配音，同时通过 LLM 调用生成吸引人的剧集标题。

这就是一个画布、两次 Hugging Face Inference Providers 模型调用、两次 Gradio Space 调用。

由于这是个工作流，三个输出各自都有对应的 REST 端点：/sticker、/voiceover 和 /episode_title。你可以直接从代码调用任何一个，不需要打开 UI。参见下面的「用代码调用」有可运行的示例。

👉 Try the AI Media Studio

Fan-out image generation in parallel

输入一个想法，它会同时生成一组作品：FLUX 的基础图像、该图像的两次 AI 重新诠释（水彩柔和版和霓虹赛博朋克版），以及 LLM 生成的画廊标题。

每张图都通过 Inference Providers 的模型节点直接从提示词生成，而标题来自调用 LLM 的 fn 节点。这就是扇出模式的实际应用：一个想法可以同时触发多个操作符，全部并行生成。

👉 Try the Generative Art Lab

Profile a Hugging Face dataset

输入一个 Hugging Face 数据集 ID，比如 stanfordnlp/imdb 或 mteb/tweet_sentiment_extraction，一个输入会扇出给四个操作符节点，通过 Datasets Server API 实时分析数据集。

你会得到一张概览卡、前几行预览、每列统计信息，以及分布图表——全部独立并行计算。这就是工作流的力量！

👉 Try Data Detective

Run your own GPU model

之前的节点都调用了 Hugging Face。但 fn 节点本质上是 Python，这意味着它也可以在 Space 内用 GPU 运行模型。

用 @spaces.GPU 装饰绑定函数，节点运行时会由 ZeroGPU 分配 GPU、执行模型、释放资源。我们不一定总要依赖 Inference Providers 或现有的 Gradio Space。

看看这个演示：用 Diffusers 加载的 Lightricks/LTX-Video 将静态图动画化，全部在一个节点内完成。gr.Workflow 不需要了解你的 GPU 配置，它只调用绑定函数。

👉 Try the ZeroGPU Animator

How it works, in a nutshell

每个工作流都是一个包含三类节点的图：references（你的输入）、operators（执行工作的步骤）和 subjects（你的输出）。操作符可以是自定义 Python 函数、Hugging Face Inference Providers 上的模型、另一个 Gradio Space 或 Hub 数据集的一行。你通过在带类型的端口之间拖拽来连接它们，点击 Run，然后看着每个结果在对应位置显现出来。

你构建的每个工作流同时也是一个 API，无需额外开发。每个输出都成为一个以标签命名的 REST 端点，你可以用 Gradio 客户端从 Python 调用。下面是针对多端点演示 Space 的实时、无 token 示例，原样运行：

from gradio_client import Client

client = Client("ysharma/gr-workflow-multi-endpoint-API")

print(client.predict("hello there friend", api_name="/word_count"))  # -> 3
print(client.predict(20, api_name="/fahrenheit"))                    # -> 68.0

调用模型或 Space 的端点在 Hugging Face token 下运行，所以在创建客户端时传入一个：

from gradio_client import Client, handle_file

client = Client("ysharma/gr-workflow-image-editor", token="hf_...")

edited = client.predict(
    handle_file("dog.jpg"),
    "turn it into a snowy winter scene",
    api_name="/edited_image",
)

更喜欢纯 HTTP？每个端点也可以通过 curl 访问：

curl -s https://ysharma-gr-workflow-multi-endpoint-API.hf.space/gradio_api/call/word_count \
  -H "Content-Type: application/json" -d '{"data": ["hello there friend"]}'

最快的入门方式是打开上面的任意演示，点击 Duplicate，然后开始重新连接。从 Python 来说，就是这么短：

import gradio as gr

def your_function(text: str) -> str:
  pass

gr.Workflow(bind=[your_function]).launch()

完整的操作指南、操作符类型、JSON schema 和可复用模式，请参阅 Gradio 官方文档中的 gr.Workflow 指南。

你甚至可以用 gr.Workflow 构建像 AUTOMATIC1111 这样复杂的应用。敬请期待我们的下一篇文章，会逐步讲解如何构建。这里先剧透一下 😉👇

Models mentioned in this article 4

Spaces mentioned in this article 6