用Gradio Workflow复刻AUTOMATIC1111的画布工作流

原文要点

Hugging Face官方博客介绍了Workflow1111：用73个节点、11条管线在一张Gradio Workflow画布上重建了AUTOMATIC1111的大部分功能，涵盖文生图、高清修复、图生图、提示词矩阵、VLM反推、检测生成重绘蒙版、ControlNet式预处理器、背景移除、PNG Info和图生视频。节点分四类：fn（Python函数）、model（InferenceClient调模型）、space（调Hub上其他Space）、dataset（Hub数据集行）。用HF账号登录后模型调用走自己的额度；画布上每个输出节点自动成为REST端点（共9个），开启mcp_server=True后同时是MCP工具。Space可复制（Duplicate）后自行改线。

这次做成什么

先用HF账号在Workflow1111里跑通文生图和一条并行管线，再复制Space改一条线，最后在自己机器上用bind/edges写一个最小gr.Workflow并通过API/MCP调用它。

准备什么

• 一个Hugging Face账号及访问令牌（模型调用走你自己额度，可能产生费用）
• 本地Python环境，可用pip安装gradio与gradio_client（版本要求以官方guide为准）
• 做本地GPU实验才需要自有显卡，仅用画布不需要

具体怎么做

1. 登录跑通核心管线

   打开ysharma/Workflow1111并用HF账号Sign in。在文生图管线填prompt、negative prompt、steps、CFG、seed、宽高和model_id（可先试文章示例'a red fox in a snowy pine forest'与风格预设），点运行；输出PNG内会写入生成参数，供PNG Info管线读回。

2. 体验并行与外部节点

   用同一张示例图分别跑VLM反推（Qwen2.5-VL）和ViT分类：两个节点共享同一输入、处于同一依赖深度，会并行执行。再试AuraSR×4超分和BRIA RMBG-2.0背景移除——它们是space节点，实际调用Hub上的其他Space。

3. 复制Space改一条线

   点Duplicate复制整个Space到自己名下，选一条管线动手：删掉不需要的节点、把文生图的输出改接到另一个model节点，或调整提示词矩阵的后缀fn节点。保存后用自己的HF配额验证新流程。

4. 本地写最小工作流并暴露API

   pip安装gradio后运行本文的最小示例：两个fn节点经bind/edges串成“润色提示词→统计字数”的小画布，.launch()后浏览器可编辑连线；再用gradio_client按api_name调用输出端点，验证“每个输出即API”。

可直接复制的材料

import gradio as gr

def polish(text: str) -> str:
    return text.strip().rstrip("。") + "，细节丰富，构图完整。"

def stats(text: str) -> dict:
    return {"chars": len(text), "preview": text[:20]}

demo = gr.Workflow(
    bind=[polish, stats],
    edges=[(polish, stats)],
)
# 如需把输出端点同时暴露为MCP工具，改用:
# demo.launch(mcp_server=True)
demo.launch()

{
  "mcpServers": {
    "workflow1111": {
      "url": "https://ysharma-workflow1111.hf.space/gradio_api/mcp/",
      "headers": { "X-HF-Token": "hf_换成你自己的token" }
    }
  }
}

from gradio_client import Client

client = Client("ysharma/Workflow1111", oauth_token="hf_换成你自己的token")
image, params, hires = client.predict(
    "a red fox in a snowy pine forest",  # Prompt
    "",                                   # Negative prompt
    "Cinematic",                          # Style preset
    "enhance fine detail",                # Hires refine instruction
    api_name="/image",
)
print(type(image), params)

输入与输出示例

本站虚构演示，仅说明各端点字段对应关系，非实际生成结果；生成耗时取决于模型与额度，不做保证。

输入

登录Space后在文生图管线输入prompt“a red fox in a snowy pine forest”、风格预设Cinematic、steps 28、CFG 3.5、seed 42、768×768，点运行

对应输出

输出区得到一张雪地狐狸PNG；PNG Info管线从该图读回：prompt=a red fox in a snowy pine forest, negative=（空）, steps=28, cfg=3.5, seed=42, size=768x768, model=所选checkpoint。同时该输出经 /image 端点可被gradio_client以相同参数取到

做完检查这些

• 未登录时Space提示需要HF账号或token，登录后模型调用能正常返回并消耗自己额度
• VLM反推与ViT分类用同一输入几乎同时返回，确认并行执行而非排队
• 复制后的Space里删除或改接一个节点后，对应管线输出随之变化
• 本地最小示例launch后浏览器出现可编辑画布，gradio_client能按api_name拿到stats节点的字典输出

容易卡住的地方

• 登录后所有模型调用走你自己账号的Inference额度，高频生图/视频会产生实际费用
• space节点（AuraSR、RMBG-2.0）依赖Hub上其他Space可用性，对方下线该分支即失败
• 文中称多数本地fn节点在断网时仍可用，但model/space节点必须联网，别把整画布当离线工具
• 文章未承诺各模型生成耗时与费用数字，勿据此估算成本
• 本地复刻需自行安装gradio，bind/edges的JSON schema细节以官方gr.Workflow guide为准