如何用两个 Hugging Face Space 让智能体搭出 3D 巴黎画廊

一个智能体用两个 Hugging Face Spaces 搭建了一座 3D 巴黎画廊。

我让一个编程智能体搭建一个精美的网站，用 3D 高斯溅射（Gaussian splats）展示巴黎的纪念碑。我从未打开过图像生成器。我从未碰过 3D 重建工具。这个智能体通过直接调用两个 Hugging Face Spaces 生成了所有素材（图像以及 3D 溅射），然后把它们接入一个电影级的查看器。

结果如下，作为一个静态 Space 实时运行：

👉 mishig/monuments-de-paris

这篇文章讲的是这如今如何成为可能，以及为什么我认为它预示了今后大量多媒体软件的构建方式。

积木经济降临多媒体领域

Mitchell Hashimoto 最近描述了一种他称之为 积木经济的转变： 通往软件的最有效路径不再是一个打磨精良的单体，而是小巧、文档完善的组件，供他人（越来越多地是智能体）组装。 他的关键观察是：AI 从零构建一切还算可以，但它 非常擅长把经过验证的部件粘合在一起。

这一论点主要是用代码库来阐述的。但同样的力量正在冲击多媒体 AI。使用最先进的图像模型、视频模型、TTS 模型或 3D 重建模型，难点从来都不是模型本身。而是集成：SDK、权重、GPU、输入格式、轮询。如果每个模型都是一个有文档、可调用的积木，那么智能体就能像拼接 npm 包一样把它们粘合在一起。

这正是 Hugging Face Spaces 悄然变成的样子。

每个 Space 都是一块积木，通过 agents.md

Hub 托管着数千个最先进的模型（其中很大一部分是 开放权重的），而且大多数都以交互式 Spaces 的形式部署。截至目前， 每个 Gradio Space 还暴露出一段纯文本 agents.md，告诉智能体 确切地如何调用它：

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

一次性返回所需的一切：schema URL、调用和轮询模板、 如何上传文件，以及认证提示：

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

没有客户端库。没有硬编码的集成。智能体读了它，就能端到端地驱动 这个 Space。设置一个 HF_TOKEN 就可以开始了。你可以在任何 Gradio Space 上通过它的 Agents 按钮找到这些说明：

真正的解锁点是链式调用：一个 Space 的输出成为下一个 Space 的输入。提示词 → 图像 → 3D。这就是这座画廊背后的完整流水线。

实战示例：巴黎纪念碑 → 溅射

这个智能体链式调用了两个 Spaces：

1. 图像：一个图像生成 Space 把每座纪念碑变成一张干净的、 深色背景的“标本”照（并把埃菲尔铁塔变成放在 基座上的一个小立体模型）。输入提示词，输出图像。
2. 溅射：VAST-AI/TripoSplat 从每张单图重建出一个 3D 高斯溅射（.ply）。输入图像， 输出 3D。

生成的图像

重建的溅射

智能体生成的六张源图像，全部孤立在黑色背景上，准备好用于 单图 3D 重建：

随后，智能体也完成了“粘合”工作。它注意到 TripoSplat 的输出是 Y 轴向下，于是将它们翻转朝上，自动为每座纪念碑取景，把 .ply 文件压缩为 .ksplat（约小 3 倍，因此加载很快），构建了一个带滚动切换和拖拽旋转 UI 的 Three.js 查看器，并将整个项目部署为一个静态 Space。唯一的人工输入都是品味层面的：“把它拉远一点”、“把方尖碑换成更适合 splatting 的东西”、“过渡停留太久了”。

其中几个步骤是智能体在对现实做出反应。宽大的玻璃金字塔 splat 效果很差。细长的方尖碑很无趣。单视图重建会推断背面。这正是“外包研发、快速迭代”循环——积木经济所预测的模式，只不过这里的研发是一场对话。

两个提示词，一个全新的画廊

积木的真正考验在于你能以多低的成本复用它。一旦这条流水线存在，搭建全新的画廊每个只需大约一句话。“创建一个类似的 Space，用 splats 展示日本，”然后对埃及同样操作，剩下的智能体都做了：每个国家六张纪念碑图片、六个 splats、压缩、一个查看器，以及一个部署好的 Space。

• 🏛️ 埃及的纪念碑：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="

">

• ⛩️ 日本的纪念碑：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="

">

同样的两个 Space，同样的 agents.md，只有提示词变了。这就是积木经济的一句话概括：一个新的多媒体应用的边际成本正趋近于描述它的成本。

为什么这很重要

• 模型变得可组合。一个 SOTA splat 模型和一个 SOTA 图像模型，来自不同组织，以零集成代码串联起来。Hub 的开源权重目录变成了一库可调用的多媒体原语。
• 智能体偏好有文档且可触达的东西。agents.md 让一个 Space 变得极易触达，因此智能体会选择它，而不是一个需要手动设置的模型。这与 Hashimoto 指出的开源库动态相同。
• 障碍曾是集成，而它基本消失了。“把提示词变成旋转的 3D 纪念碑”过去是一个项目。在这里，它只是流水线中的一步。

自己试试

把你自己的智能体指向某个 Space 的 agents.md，让它开干：

# 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

把任一链接粘贴到你的编码智能体（Claude Code 等）中，设置你的 HF_TOKEN，然后让它构建点什么。这个画廊完整、可复现的流水线，即调用那两个 agents.md 端点的脚本，位于 Space 仓库。

积木就摆在 Hub 上。智能体已经知道怎么粘合。

我让一个编码智能体构建一个漂亮的网站，以 3D 高斯 splats 展示巴黎的纪念碑。我从未打开过图像生成器。我从未碰过 3D 重建工具。智能体通过直接调用两个 Hugging Face Spaces 生成了每一个资产（图像和3D splats），然后把它们接入一个电影般的查看器。

结果如下，作为一个静态 Space 上线：

👉 mishig/monuments-de-paris

这篇文章讲的是这现在如何成为可能，以及为什么我认为它预示了今后大量多媒体软件的构建方式。

积木经济席卷多媒体

Mitchell Hashimoto 最近描述了一种他称之为 积木经济的转变： 通往软件的最有效路径不再是一个打磨好的单体，而是小型、 文档完善的组件，其他人（越来越多是 智能体）可以组装。 他的关键观察：AI 从零构建一切还行，但它 非常擅长把经过验证的部件粘合在一起。

这个论点主要是用代码库来阐述的。但同样的力量正在 冲击多媒体 AI。使用最先进的图像模型、 视频模型、TTS 模型或 3D 重建模型的难点从来不是模型本身。它 是集成：SDK、权重、GPU、输入格式、轮询。如果每个模型 反而是一个有文档、可调用的积木，智能体就能像 拼接 npm 包一样把它们粘合在一起。

这正是 Hugging Face Spaces 悄然变成的样子。

每个 Space 都是一个积木，通过 agents.md

Hub 托管着数千个最先进的模型（其中很大一部分是 开放权重），并且大多数都部署为交互式 Spaces。截至目前， 每个 Gradio Space 还暴露一个纯文本 agents.md，告诉智能体 确切地如何调用它：

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

一次性返回所需的一切：schema URL、调用和轮询模板、 如何上传文件，以及认证提示：

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

没有客户端库。没有硬编码集成。智能体读取它，就能端到端地驱动 Space。设置一个 HF_TOKEN 就可以开始了。

真正的解锁是链式调用：一个 Space 的输出成为下一个 Space 的 输入。提示词 → 图像 → 3D。这就是这个画廊背后的完整流水线。

完整示例：巴黎纪念碑 → splats

智能体链式调用了两个 Space：

1. 图像： ideogram-ai/ideogram4 把每个纪念碑变成干净的、 深色背景的“标本”照片（并把埃菲尔铁塔变成基座上的小 立体模型）。输入提示词，输出图像。
2. Splat： VAST-AI/TripoSplat 从每张单图重建了一个 3D 高斯 splat（.ply）。输入图像， 输出 3D。

生成的图像

重建的 splat

智能体生成的六张源图像，全部孤立在黑色背景上，准备好用于 单图 3D 重建：

从那里开始，智能体也做了“粘合”工作。它注意到 TripoSplat 的输出是 Y 轴向下，于是把它们翻转直立，自动为每个纪念碑取景，把 .ply 文件压缩为 .ksplat（约小 3 倍，因此加载很快），构建了一个带 滚动切换和拖拽旋转 UI 的 Three.js 查看器，并把整个东西部署为一个静态 Space。唯一的人类输入是品味层面的：“把它拉远一点，”“把 方尖碑换成更适合 splatting 的东西，”“过渡停留太久。”

其中几个步骤是智能体对现实做出反应。宽大的玻璃金字塔 splat 效果很差。细长的方尖碑很乏味。单视图重建会推断 背面。这正是积木经济所预测的“外包 R&D、快速迭代”循环， 只不过 R&D 变成了一场对话。

两个提示词，一个全新的画廊

对一个构建模块的真正考验，是你能以多低的成本复用它。一旦这条流水线存在，从零搭建全新的画廊大约只需一句话。"为日本创建一个类似的、带 splats 的 Space"，然后埃及也同样来一句，剩下的智能体全包了：每个国家六张古迹图片、六个 splats、压缩、一个查看器，以及一个已部署的 Space。

• 🏛️ 埃及古迹：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。

• ⛩️ 日本古迹：东京塔、姬路城、金阁寺、大阪城、镰仓大佛、严岛鸟居。

同样的两个 Space，同样的 agents.md，只是提示词变了。这就是一句话概括的构建模块经济学：一个新的多媒体应用的边际成本，正趋近于描述它的成本。

为什么这很重要

• 模型变得可组合。一个 SOTA splat 模型和一个 SOTA 图像模型，来自不同的组织，以零集成代码串联起来。Hub 的开源权重目录变成了一库可调用的多媒体原语。
• 智能体偏爱有文档且易于访问的东西。agents.md 让一个 Space 变得触手可及，因此智能体会选择它，而不是一个需要手动设置的模型。这与 Hashimoto 针对开源库所指出的动态如出一辙。
• 障碍曾是集成，而它如今基本消失了。"把一句提示词变成一座旋转的 3D 古迹"过去是一个项目。在这里，它只是流水线中的一步。

自己试试

把你自己的智能体指向某个 Space 的 agents.md，让它尽情发挥：

# 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

把任一链接粘贴进你的编程智能体（Claude Code 等），设置好你的 HF_TOKEN，然后让它构建点什么。这个画廊完整、可复现的流水线，即那些调用这两个 agents.md 端点的脚本，就在 Space 仓库 里。

构建模块就摆在 Hub 上。智能体早已懂得如何把它们粘合起来。