跳到正文
原文
Hugging Face Blog·· 2026-08-25精选AI 评分62

Hugging Face 在 Gradio 中推出 gr.Workflow，把 AI 流水线变成可拖拽画布与 REST API

Wire It, Run It, Deploy It: AI Workflows in Gradio

AI 摘要

Hugging Face 在 Gradio 中内置 gr.Workflow，用引用、算子、主体三类节点把多步 AI 流水线描述成图，Gradio 直接提供可拖拽画布，每个节点可运行、中间结果可见。

正文 · AI 翻译

大多数有趣的 AI 应用都是流水线。你生成一张图片，然后按需抠掉背景，或者把它编辑成新的东西。你写一段脚本，然后为它生成配音，或者在保持脚本不变的情况下替换声音。我们通常用 Python 把这些步骤串起来，而一旦哪里看起来不对劲，我们就又回到 print 调试，去找到底是哪一步产生了那个奇怪的值。

gr.Workflow 直接内置于 Gradio 中，让流水线成为界面。你把各个步骤描述为一张由带类型节点组成的图，Gradio 就会提供一个拖拽式画布，其中每个节点都可运行，每个中间结果都可见。同一张图同时也是一个 REST API，并且可以通过一条命令部署到 Hugging Face Spaces。

理解这个概念最好的方式，就是看几个实际运行的工作流。下面每个应用都是一个可实时运行的 Huggingface Space，你可以打开、运行并复制它。

编辑图像

上传一张图片，输入一个编辑指令（“把它变成下雪的冬日场景”、“加上墨镜”、“把车变成红色”），然后拿回编辑后的照片。整个应用就是一个节点，调用 Hugging Face Inference Providers 上的 Qwen-Image-Edit。

👉 试试图像编辑器流水线

把真实模型串联成媒体工作室

一张图，三条流水线。先用一个提示词通过 FLUX 生成图像，再把它传给一个背景移除 Gradio Space，把它变成贴纸。一个主题通过文本转语音 Gradio Space 变成旁白，而同一个主题又通过一次 LLM 调用变成一个吸引人的剧集标题。

这就是一张画布、两次通过 Hugging Face Inference Providers 的模型调用，以及两次对 Gradio Spaces 的调用。

由于这是一个工作流，这三个输出中的每一个也都有自己的 REST 端点：/sticker、/voiceover 和 /episode_title。你无需打开 UI，就可以直接从代码中调用其中任何一个。可运行示例见下方从代码中调用。

👉 试试 AI 媒体工作室

并行扇出图像生成

输入一个想法，它就会立刻变成一组生成的艺术作品：一张来自 FLUX 的基础图像、两张对该图像的 AI 重新想象（一个柔和的水彩版本和一个霓虹赛博朋克版本），以及一个由 LLM 撰写的画廊标题。

每张图像都由一个使用 Inference Providers 的模型节点直接根据提示词生成，而标题则来自一个调用 LLM 的 fn 节点。这就是扇出模式的实际应用：一个想法可以同时供给多个算子，全部并行生成。

👉 试试生成艺术实验室

分析 Hugging Face 数据集

输入一个 Hugging Face 数据集 ID，例如 stanfordnlp/imdb 或 mteb/tweet_sentiment_extraction，单个输入就会扇出到四个算子节点，使用 Datasets Server API 实时分析该数据集。

你会得到一张概览卡片、前几行的预览、逐列统计信息，以及一张分布图，所有这些都独立且并行地计算出来。这就是工作流的威力！

👉 试试数据侦探

运行你自己的 GPU 模型

到目前为止，每个节点都会访问 Hugging Face。但一个 fn 节点本质上就是 Python，这意味着它也可以在 Space 内的 GPU 上运行模型。

用 @spaces.GPU 装饰绑定函数，当节点运行时，ZeroGPU 会为该调用抓取一块 GPU，运行模型，然后释放它。我们不必总是依赖 Inference Providers 或现有的 Gradio Spaces。

看看这个演示，它使用通过 Diffusers 加载的 Lightricks/LTX-Video 为静态图像添加动画，完全通过一个节点运行。gr.Workflow 无需了解你的 GPU 配置。它只是调用绑定函数。

👉 试试 ZeroGPU Animator

简而言之，它是如何工作的

每个工作流都是一个图，包含三种节点：引用（你的输入）、算子（执行工作的步骤）和主体（你的输出）。算子可以是你的 Python 函数、Hugging Face Inference Providers 上的模型、另一个 Gradio Space，或 Hub 数据集中的一行。你通过在类型化端口之间拖动来连接它们，点击 Run，然后看着每个结果就地出现。

从代码中调用

你构建的每个工作流同时也是一个 API，无需额外工作。每个输出都会变成一个以其标签命名的 REST 端点，你可以用 Gradio 客户端从 Python 调用它。下面是一个针对多端点演示 Space 的实时、无需 token 的示例，完全原样：

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 的端点会在 Hugging Face token 下运行，因此创建客户端时请传入一个：

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"]}'

构建你自己的

最快的入门方式是打开上面的任意演示，点击 Duplicate，然后开始重新连线。从 Python 来看，它简短到：

import gradio as gr

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

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

如需完整演练、算子类型、JSON schema 和可复用模式，请参阅 Gradio 文档中的官方 gr.Workflow 指南。

你甚至可以用 gr.Workflow 构建像 AUTOMATIC1111 这样复杂的东西。请留意我们的下一篇文章，我们将一步步带你构建它。这里先睹为快 😉👇

来源：Hugging Face Blog · huggingface.co

#智能体与工具调用
00