跳到正文
Hugging Face Blog·· 2026-06-09精選AI 評分70

智能體如何串接兩個 Hugging Face Spaces 建成巴黎地標 3D 畫廊

How an Agent Built a 3D Paris Gallery by Chaining Two Hugging Face Spaces

AI 導讀

編碼智能體串接兩個 Hugging Face Spaces,生成巴黎地標圖像及 3D Gaussian splats,並將畫廊部署為靜態 Space mishig/monuments-de-paris。

推薦理由

案例展示了透過 Hugging Face Spaces 的 agents.md 串接圖像生成與單圖 3D 重建,並以各一句提示複用到日本及埃及主題畫廊,呈現多媒體工作流的可遷移性。

正文 · 繁體中文

一名代理程式利用兩個 Hugging Face Spaces,建立了一個巴黎 3D 展館。

我請一個編碼代理程式建立漂亮的網站,以 3D Gaussian splat 展示巴黎的紀念建築。我沒有開啟任何圖像生成器,也沒有碰過 3D 重建工具。代理程式直接呼叫兩個 Hugging Face Spaces,生成所有素材(包括圖像和 3D splat),再把它們整合到一個電影感十足的瀏覽器中。

以下是成果,現已作為靜態 Space 上線:

👉 mishig/monuments-de-paris

這篇文章會談談如今如何做到這件事,以及為何我認為它預示着往後許多多媒體軟件的建構方式。

積木式經濟席捲多媒體

Mitchell Hashimoto 最近描述了一種他稱為積木式經濟的轉變:建構軟件最有效的方式不再是打造精緻的一體式系統,而是使用小型、文件完善的元件,讓其他人(愈來愈多是代理程式)自行組合。他的關鍵觀察是:AI 從頭打造一切還算可以,但非常擅長把成熟元件組合起來。

這個論點過去主要用於程式碼函式庫,但多媒體 AI也正受到同樣力量影響。使用最先進的圖像模型、影片模型、TTS 模型或 3D 重建模型,難處從來不在模型本身,而在整合:SDK、權重、GPU、輸入格式、輪詢。如果每個模型都是有文件説明、可呼叫的積木,代理程式便可像組合 npm 套件一樣把它們接在一起。

Hugging Face Spaces 正是悄然發展成這種工具。

透過 agents.md,每個 Space 都是一塊積木

Hub 上有數以千計最先進的模型(其中很大部分採用開放權重),而大多數都以互動式Spaces形式部署。截至目前,每個 Gradio Space 也都提供純文字的agents.md,明確告訴代理程式確切地如何呼叫它:

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

它一次過提供所需的一切:結構描述 URL、呼叫和輪詢範本、檔案上載方法,以及驗證提示:

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

不需要客戶端函式庫,也不需要硬編碼整合。代理程式讀取文件後,就能端到端操作 Space。設定HF_TOKEN便可開始。任何 Gradio Space 都可以透過Agents按鈕找到這些指示:

The Agents button on a Hugging Face Space

真正的突破在於串接:一個 Space 的輸出成為下一個 Space 的輸入。提示詞 → 圖像 → 3D。這就是整個展館背後的流程。

實作示例:巴黎紀念建築 → splat

代理程式串接了兩個 Spaces:

  1. 圖像:一個圖像生成 Space 把每座紀念建築轉成乾淨、深色背景的「標本」照片(並把艾菲爾鐵塔做成放在底座上的小型立體模型)。輸入提示詞,輸出圖像。
  2. Splat:VAST-AI/TripoSplat根據每張單一圖像重建 3D Gaussian splat(.ply)。輸入圖像,輸出 3D。

生成的圖像

Generated Panthéon

重建的 splat

代理程式生成的六張原始圖像,全都以黑色為背景單獨呈現,可直接用於單圖 3D 重建:

Generated monument images Generated Arc de Triomphe Generated Sacré-Cœur Generated Eiffel diorama

接下來,代理程式也處理了「組合」工作。它發現 TripoSplat 的輸出座標方向是 Y 軸向下,於是把模型翻轉至正立、自動為每座紀念建築取景,並把 .ply 檔壓縮成 .ksplat(體積約縮小 3 倍,因此載入更快);接着建立 Three.js 瀏覽器,提供捲動切換和拖曳旋轉介面,並把整個成果部署為靜態 Space。人類只提供了審美層面的指示:「鏡頭拉遠一點」、「換掉方尖碑,找一個更適合做 splat 的物件」、「轉場停留太久」。

其中幾個步驟是代理程式因應現實狀況而作出的調整。寬闊的玻璃金字塔不容易生成 splat,細長的方尖碑效果平淡,單一視角重建則要推斷背面。這正是積木式經濟所預示的「外判研發、快速迭代」循環,只不過研發過程是一場對話。

兩句提示詞,打造全新展館

衡量一塊積木是否實用,關鍵在於重用成本有多低。這條流程建立後,每個全新展館只需一句話便可開展。「用 splat 為日本建一個類似的 Space」,然後再為埃及提出同樣要求,代理程式便會完成其餘工作:每個國家各生成六張紀念建築圖像、六個 splat,並完成壓縮、瀏覽器和 Space 部署。

  • 🏛️ 埃及紀念建築:吉薩大金字塔、獅身人面像、阿布辛貝神廟、圖坦卡門面具、卡納克神廟、曼農巨像。

<video autoplay loop muted playsinline width="100%" src="

">

  • ⛩️ 日本紀念建築:東京鐵塔、姬路城、金閣寺、大阪城、鎌倉大佛、嚴島神社鳥居。

<video autoplay loop muted playsinline width="100%" src="

">

兩個 Spaces、同一份 agents.md,只改了提示詞。這正是積木式經濟的精簡寫照:建立新多媒體應用程式的邊際成本,正逐步降至描述它所需的成本。

為何這很重要

  • 模型變得可組合。來自不同機構的頂尖 splat 模型和頂尖圖像模型,無需任何整合程式碼便可串接。Hub 的開放權重目錄因而成為一個可呼叫的多媒體基礎元件庫。
  • 代理程式偏好文件齊全、容易存取的工具。agents.md讓 Space 極易呼叫,因此代理程式會選用它,而不是選擇需要自行安裝設定的模型。這與 Hashimoto 指出的開源函式庫現象相同。
  • 整合曾是門檻,如今已大致消失。「把一段提示詞變成可旋轉的 3D 紀念建築」過去是一個完整項目,如今只是流程中的一步。

親自試試

把你自己的代理程式指向某個 Space 的 agents.md,讓它開始處理:

# 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

把其中一個連結貼到你的編碼代理程式(例如 Claude Code),設定HF_TOKEN,再要求它建構某樣東西。這個展館的完整可重現流程,以及呼叫那兩個 agents.md 端點的指令碼,都放在Space 儲存庫。

Hub 上已經有現成的積木,代理程式也早已懂得如何把它們組合起來。

我請一個編碼代理程式建立漂亮的網站,以 3D Gaussian splat 展示巴黎的紀念建築。我沒有開啟任何圖像生成器,也沒有碰過 3D 重建工具。代理程式直接呼叫兩個 Hugging Face Spaces,生成所有素材(包括圖像和 3D splat),再把它們整合到一個電影感十足的瀏覽器中。

以下是成果,現已作為靜態 Space 上線:

👉 mishig/monuments-de-paris

這篇文章會談談如今如何做到這件事,以及為何我認為它預示着往後許多多媒體軟件的建構方式。

積木式經濟席捲多媒體

Mitchell Hashimoto 最近描述了一種他稱為積木式經濟的轉變:建構軟件最有效的方式不再是打造精緻的一體式系統,而是使用小型、文件完善的元件,讓其他人(愈來愈多是代理程式)自行組合。他的關鍵觀察是:AI 從頭打造一切還算可以,但非常擅長把成熟元件組合起來。

這個論點過去主要用於程式碼函式庫,但多媒體 AI也正受到同樣力量影響。使用最先進的圖像模型、影片模型、TTS 模型或 3D 重建模型,難處從來不在模型本身,而在整合:SDK、權重、GPU、輸入格式、輪詢。如果每個模型都是有文件説明、可呼叫的積木,代理程式便可像組合 npm 套件一樣把它們接在一起。

Hugging Face Spaces 正是悄然發展成這種工具。

透過 agents.md,每個 Space 都是一塊積木

Hub 上有數以千計最先進的模型(其中很大部分採用開放權重),而大多數都以互動式Spaces形式部署。截至目前,每個 Gradio Space 也都提供純文字的agents.md,明確告訴代理程式確切地如何呼叫它:

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

它一次過提供所需的一切:結構描述 URL、呼叫和輪詢範本、檔案上載方法,以及驗證提示:

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

不需要客戶端函式庫,也不需要硬編碼整合。代理程式讀取文件後,就能端到端操作 Space。設定HF_TOKEN便可開始。

真正的突破在於串接:一個 Space 的輸出成為下一個 Space 的輸入。提示詞 → 圖像 → 3D。這就是整個展館背後的流程。

實作示例:巴黎紀念建築 → splat

代理程式串接了兩個 Spaces:

  1. 圖像:ideogram-ai/ideogram4把每座紀念建築轉成乾淨、深色背景的「標本」照片(並把艾菲爾鐵塔做成放在底座上的小型立體模型)。輸入提示詞,輸出圖像。
  2. Splat:VAST-AI/TripoSplat根據每張單一圖像重建 3D Gaussian splat(.ply)。輸入圖像,輸出 3D。

生成的圖像

Generated Panthéon

重建的 splat

代理程式生成的六張原始圖像,全都以黑色為背景單獨呈現,可直接用於單圖 3D 重建:

Generated monument images Generated Arc de Triomphe Generated Sacré-Cœur Generated Eiffel diorama

接下來,代理程式也處理了「組合」工作。它發現 TripoSplat 的輸出座標方向是 Y 軸向下,於是把模型翻轉至正立、自動為每座紀念建築取景,並把 .ply 檔壓縮成 .ksplat(體積約縮小 3×,因此載入更快);接着建立 Three.js 瀏覽器,提供捲動切換和拖曳旋轉介面,並把整個成果部署為靜態 Space。人類只提供了審美層面的指示:「鏡頭拉遠一點」、「換掉方尖碑,找一個更適合做 splat 的物件」、「轉場停留太久」。

其中幾個步驟是代理程式因應現實狀況而作出的調整。寬闊的玻璃金字塔不容易生成 splat,細長的方尖碑效果平淡,單一視角重建則要推斷背面。這正是積木式經濟所預示的「外判研發、快速迭代」循環,只不過研發過程是一場對話。

兩句提示詞,打造全新展館

衡量一塊積木是否實用,關鍵在於重用成本有多低。這條流程建立後,每個全新展館只需一句話便可開展。「用 splat 為日本建一個類似的 Space」,然後再為埃及提出同樣要求,代理程式便會完成其餘工作:每個國家各生成六張紀念建築圖像、六個 splat,並完成壓縮、瀏覽器和 Space 部署。

  • 🏛️ 埃及紀念建築:吉薩大金字塔、獅身人面像、阿布辛貝神廟、圖坦卡門面具、卡納克神廟、曼農巨像。
  • ⛩️ 日本紀念建築:東京鐵塔、姬路城、金閣寺、大阪城、鎌倉大佛、嚴島神社鳥居。

兩個 Spaces、同一份 agents.md,只改了提示詞。這正是積木式經濟的精簡寫照:建立新多媒體應用程式的邊際成本,正逐步降至描述它所需的成本。

為何這很重要

  • 模型變得可組合。來自不同機構的頂尖 splat 模型和頂尖圖像模型,無需任何整合程式碼便可串接。Hub 的開放權重目錄因而成為一個可呼叫的多媒體基礎元件庫。
  • 代理程式偏好文件齊全、容易存取的工具。agents.md讓 Space 極易呼叫,因此代理程式會選用它,而不是選擇需要自行安裝設定的模型。這與 Hashimoto 指出的開源函式庫現象相同。
  • 整合曾是門檻,如今已大致消失。「把一段提示詞變成可旋轉的 3D 紀念建築」過去是一個完整項目,如今只是流程中的一步。

親自試試

把你自己的代理程式指向某個 Space 的 agents.md,讓它開始處理:

# 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

把其中一個連結貼到你的編碼代理程式(例如 Claude Code),設定HF_TOKEN,再要求它建構某樣東西。這個展館的完整可重現流程,以及呼叫那兩個 agents.md 端點的指令碼,都放在Space 儲存庫。

Hub 上已經有現成的積木,代理程式也早已懂得如何把它們組合起來。

來源:Hugging Face Blog · huggingface.co