Gradio 内置 gr.Workflow：把 AI 流程做成可拖拽的节点图并自动生成 REST API
Wire It, Run It, Deploy It: AI Workflows in Gradio
Hugging Face 在 Gradio 中内置 gr.Workflow，把多步 AI 流程描述为由引用、算子和输出组成的类型化节点图，Gradio 提供可拖拽画布运行每个节点并展示中间结果。
原文展示了把多步 AI 流程变成可视化图并自动暴露为 REST 接口的做法，读者可据此判断自己现有脚本能否照此改造。
大多数有趣的 AI 应用都是流水线。你生成一张图像，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 把这些步骤串在一起，而一旦哪里看起来不对，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，让流水线本身成为界面。你把各个步骤描述为一张带类型节点的图，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。同一张图同时还是一个 REST API，并可一条命令部署到 HF Mirror Spaces。
理解它的最好方式就是看看几个工作流的实际运行。下面每个应用都是一个实时 Huggingface Space，你可以打开、运行并复制。
编辑图像
上传一张图像，输入一条编辑指令（“把它变成下雪的冬日场景”“加上墨镜”“把车变成红色”），就能拿回编辑后的照片。整个应用只有一个节点，通过 HF Mirror Inference Providers 调用 Qwen-Image-Edit。
把真实模型串联成媒体工作室
一张图，三条流水线。从一个提示词开始，用 FLUX 生成一张图像，然后把它传给一个背景移除 Gradio Space，将其变成贴纸。一个主题通过文本转语音 Gradio Space 变成旁白，而同一个主题通过一次 LLM 调用变成一个吸引人的剧集标题。
这是一张画布、两次通过 HF Mirror 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。你可以直接从代码调用其中任何一个，而无需打开 UI。可运行示例请参见下方的从代码调用。
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、对该图像的两种 AI 再想象（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。
每张图像都由一个模型节点使用 Inference Providers 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：一个想法可以同时喂给多个算子，全部并行生成。
分析 HF Mirror 数据集
输入一个 HF Mirror 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，全部独立且并行计算。这就是工作流的力量！
运行你自己的 GPU 模型
到目前为止，每个节点都会访问 HF Mirror。但一个 fn 节点只是 Python，这意味着它也可以在 Space 内使用 GPU 运行模型。
用 @spaces.GPU 装饰这个绑定函数，当节点运行时，ZeroGPU 会为该调用获取一块 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。
来看看这个演示，它使用通过 Diffusers 加载的 Lightricks/LTX-Video 为静态图像制作动画，完全通过一个节点运行。gr.Workflow 不需要了解任何关于你 GPU 配置的信息。它只是调用绑定的函数。
工作原理简述
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、HF Mirror Inference Providers 上的模型、另一个 Gradio Space，或 Hub 数据集中的一行。你可以通过在类型化端口之间拖拽来连接它们，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，你可以使用 Gradio 客户端从 Python 中调用它。下面是一个针对 multi-endpoint demo 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 HF Mirror token 下运行，因此在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"]}'
构建你自己的
最快的上手方式是打开上面任意一个演示，点击 Duplicate，然后开始重新连线。从 Python 开始，只需这么短：
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。请关注我们的下一篇文章，我们会一步步带你构建它。这里先睹为快 😉👇
来源：Hugging Face Blog · hf-mirror.com