还在为调试 10 步 AI 工作流而崩溃吗？😫 当你的应用串联多个模型或 API 时，只要第 7 步出错，就得全部重跑一次。现在，Daggr 来了！这是一个全新的开源 Python 库，让你用“写代码”的方式构建 AI 工作流，同时自动生成可视化画布，随时查看中间结果、单步重跑、管理状态，几行代码就能跑起完整流程 🚀

Daggr 由 Gradio 团队打造，专为快速实验和原型开发而生。它解决的是一个真实痛点：复杂 AI pipeline 难调试、难排查、难复现。

它的核心优势包括：
🔎 代码优先 + 自动可视化
你只需用 Python 定义节点和连接关系，Daggr 会自动生成可视化画布。既能用 Git 管理代码，又能直观看到每一步的输入输出。

🔁 任意步骤可单独重跑
无需从头执行整个流程。你可以点击任意节点查看中间结果、修改输入，并单独 rerun 某一步。还可以设置“备用节点”，让工作流更稳健。

🤝 深度集成 Gradio 与 Hugging Face
任何 Gradio Space（公开或私有）都可以直接作为一个节点使用。支持本地运行（自动 clone 并创建隔离环境），失败时还能优雅回退到远程 API。

🧠 支持 3 种节点类型
1️⃣ GradioNode：调用 Gradio Space 或本地应用
2️⃣ FnNode：运行自定义 Python 函数
3️⃣ InferenceNode：通过 Hugging Face Inference Providers 调用模型

文章还展示了一个完整案例：
🖼️ 上传图片 → 去背景 → 下采样 → 使用 FLUX.2-klein-4B 模型生成 3D 风格图像 → 调用 TRELLIS.2 生成 3D 资产（GLB 文件）。
整个图像到 3D 资产的流程，只需几十行 Python 代码，就能得到一个可视化、可调试、可分享的 AI 应用。

Daggr 目前仍处于 beta 阶段，API 可能会调整，但目标非常清晰：用最轻量的方式，让开发者更高效地构建和调试 生成式 AI 与大语言模型 工作流。

🤗 欢迎加入我们的中文社区：Chinese LLMs on Hugging Face，一起交流最新模型、实战经验和工作流玩法！
#人工智能##AI工作流##HuggingFace#