接入、运行、部署：Gradio中的AI工作流

来源：https://huggingface.co/blog/gradio-workflow-guide 大多数有趣的AI应用都是流水线\。你可以生成一张图片，然后根据需要去除背景，或将其编辑成全新的内容\。你可以编写一段脚本，然后生成相应的语音，或在保持脚本不变的情况下更换声音\。我们通常在Python中将这些步骤串联起来，一旦发现异常，就会回到打印调试状态，以找出产生异常值的步骤\。

内置在Gradio中的 gr\.Workflow 将流水线变成了界面本身 \。你将步骤描述为带有类型节点的图，Gradio会提供一个拖放画布，其中每个节点都可以运行，每个中间结果都可见\。同样的图也可以是一个REST API和一键部署到Hugging Face Spaces\。

理解这个概念最好的方式就是看几个工作流的实际运行。下面每个应用都是一个活跃的Hugging Face Space，你可以打开、运行和复现\。

https://huggingface.co/blog/gradio-workflow-guide#edit-an-image编辑图像

上传一张图片，输入编辑指令（例如“把它变成下雪的冬季场景”、“添加太阳镜”、“把汽车变红”），然后获取编辑后的照片。整个应用是一个单一节点，调用 Hugging Face Inference Providers 上的 Qwen-Image-Edit（https://huggingface.co/Qwen/Qwen-Image-Edit）\。

👉尝试图像编辑工作流（https://huggingface.co/spaces/ysharma/gr-workflow-image-editor）

https://huggingface.co/blog/gradio-workflow-guide#chain-real-models-into-a-media-studio将真实模型链接成一个媒体工作室

一个图，三条流水线。从提示词开始，使用 FLUX（https://huggingface.co/black-forest-labs/FLUX.1-schnell）生成一张图像，然后将其传递给一个背景去除 Gradio Space（https://huggingface.co/spaces/not-lain/background-removal）将其变成贴纸。一个主题通过文本转语音 Gradio Space（https://huggingface.co/spaces/mrfakename/MeloTTS）变成画外音，而同一个主题通过 LLM（https://huggingface.co/Qwen/Qwen2.5-7B-Instruct）调用变成一个吸引人的节目标题。

这是一个画布，两次通过 Hugging Face Inference Providers（https://huggingface.co/docs/inference-providers/en/index）的模型调用，以及两次对 Gradio Spaces 的调用。

由于这是一个工作流，三个输出中的每一个也都有自己的 REST 端点：/sticker、/voiceover 和 /episode_title。你可以直接在代码中调用它们中的任何一个，无需打开UI。可参考下面的“从代码调用”（https://huggingface.co/blog/gradio-workflow-guide#call-it-from-code）获取一个可运行的示例\。

👉尝试AI媒体工作室（https://huggingface.co/spaces/ysharma/gr-workflow-04-ai-media-studio）

https://huggingface.co/blog/gradio-workflow-guide#fan-out-image-generation-in-parallel并行展开图像生成

输入一个想法，它会同时生成一组艺术作品：一张来自FLUX的基础图像，两张该图像的AI重新创作（一个柔和的水彩版本和一个霓虹赛博朋克风格的版本），以及一个由LLM编写的画廊标题。

每张图像都由使用 Inference Providers 的模型节点根据提示直接生成，而标题则来自一个调用LLM的 fn 节点。这就是展开模式的实际应用：一个想法可以同时提供给多个操作符，所有操作并行生成\。

👉尝试生成艺术实验室（https://huggingface.co/spaces/ysharma/gr-workflow-01-generative-art-lab）

https://huggingface.co/blog/gradio-workflow-guide#profile-a-hugging-face-dataset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，单个输入会展开到四个操作符节点，这些节点使用 Datasets Server（https://huggingface.co/docs/dataset-viewer）API实时分析数据集。

你会得到一个概览卡片、前几行的预览、逐列统计信息和一个分布图，所有这些都是独立并行计算的。这就是工作流的力量！

👉尝试数据侦探（https://huggingface.co/spaces/ysharma/gr-workflow-03-data-detective）

https://huggingface.co/blog/gradio-workflow-guide#run-your-own-gpu-model运行你自己的GPU模型

到目前为止，每个节点都是连接到Hugging Face的。但一个 fn 节点就是Python函数，这意味着它也可以在Space中使用GPU运行模型。

使用 @spaces.GPU 装饰器绑定函数，当节点运行时，ZeroGPU（https://huggingface.co/docs/hub/spaces-zerogpu）会为该调用获取一个GPU，运行模型，然后释放它。我们并不总是需要依赖 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（https://huggingface.co/Lightricks/LTX-Video-0.9.7-distilled）来为静态图像制作动画，完全通过一个节点运行。gr.Workflow 不需要了解你的GPU设置的任何信息。它只是调用绑定的函数\。

👉尝试ZeroGPU动画制作器（https://huggingface.co/spaces/ysharma/gr-workflow-zerogpu-animate）

https://huggingface.co/blog/gradio-workflow-guide#how-it-works-in-a-nutshell工作原理简述

每个工作流都是一个包含三种节点的图：引用（你的输入）、操作符（执行工作的步骤）和对象（你的输出）。操作符可以是你自己的Python函数、Hugging Face Inference Providers上的模型、另一个Gradio Space或Hub数据集中的行。你通过拖拽连接带类型的端口，点击运行，然后观察每个结果在原地出现。

https://huggingface.co/blog/gradio-workflow-guide#call-it-from-code从代码调用

你构建的每个工作流也是一个API，无需额外工作。每个输出都变成一个以其标签命名的REST端点，你可以使用Gradio客户端从Python调用它。这是一个针对多端点演示Space的实时示例，无需令牌，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的端点在Hugging Face令牌下运行，因此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",
)

更喜欢使用纯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"]}'

https://huggingface.co/blog/gradio-workflow-guide#build-your-own构建你自己的工作流

最快的方式是打开上面的任何演示，点击 Duplicate，然后开始重新连接。从Python开始，代码非常简短：

import gradio as gr

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

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

有关完整的教程、操作符类型、JSON模式和可重用模式，请参阅 Gradio 文档中的官方 gr.Workflow 指南（https://gradio.app/guides/workflows）。

你甚至可以使用 gr.Workflow 构建像 AUTOMATIC1111（https://github.com/automatic1111/stable-diffusion-webui）这样复杂的项目。请关注我们的下一篇文章，我们将逐步构建它。这里先剧透一下 😉👇