Agent 链式调用两个 Hugging Face Spaces 构建 3D 巴黎画廊

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

二〇二六年六月九日 · 英文原文

摘要

Hugging Face 通过 `agents.md` 文件使每个 Gradio Space 暴露可调用的 API schema、端点、文件上传和认证方式，让 coding agent 无需客户端库即可端到端驱动多媒体模型。作者让一个 agent 链式调用两个 Spaces——图像生成 Space 和 `VAST-AI/TripoSplat`（单图像到 3D Gaussian splat 重建）——自动生成巴黎地标的 3D 画廊，包括翻转 Y 轴、压缩 `.ply` 为 `.ksplat`、构建 Three.js 查看器并部署为静态 Space。整个过程无需人工打开图像生成器或 3D 重建工具，仅通过审美调整对话完成。

](https://huggingface.co/mishig)

一个 agent 利用两个 Hugging Face Spaces 构建了一个 3D 巴黎画廊。

我让一个 coding agent 搭建一个漂亮的网站，将巴黎地标展示为 3D Gaussian splat。我从未打开过图像生成器，也从未碰过 3D 重建工具。这个 agent 通过直接调用两个 Hugging Face Spaces 生成了所有素材（图像和 3D splat），然后将它们整合到一个电影感十足的查看器中。

以下是结果，以静态 Space 形式呈现：

👉 mishig/monuments-de-paris

这篇文章将探讨这如何成为可能，以及为什么我认为这预示着未来大量多媒体软件的构建方式。

积木经济降临多媒体领域

Mitchell Hashimoto 最近描述了一种他称之为积木经济的转变：构建软件最有效的路径不再是打磨一个庞大的单体，而是使用小巧、文档完备的组件，让其他人（尤其是 agent）来组装。他的关键观察是：AI 从头构建一切的能力尚可，但它在拼接经过验证的组件方面非常擅长。

这个论点主要围绕代码库展开。但同样的力量正在冲击多媒体 AI。使用最先进的图像模型、视频模型、TTS 模型或 3D 重建模型的难点从来不是模型本身，而是集成：SDK、权重、GPU、输入格式、轮询。如果每个模型都是一个有文档、可调用的模块，那么 agent 就能像拼接 npm 包一样将它们粘合在一起。

这正是 Hugging Face Spaces 悄然演变而成的形态。

每个 Space 都是一个积木块，通过 `agents.md` 实现

Hub 上托管着数千个最先进的模型（其中很大一部分是开放权重的），并且大多数都部署为交互式 Spaces。现在，每个 Gradio Space 都暴露了一个纯文本的 agents.md 文件，它精确地告诉 agent 如何调用它：

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

一次性返回所有必要信息：schema URL、调用和轮询模板、如何上传文件以及认证提示：

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

无需客户端库，无需硬编码集成。Agent 读取这些信息后，就能端到端地驱动这个 Space。设置好 HF_TOKEN 即可开始。

真正的解锁在于链式调用：一个 Space 的输出成为下一个 Space 的输入。Prompt → 图像 → 3D。这正是这个画廊背后的完整流水线。

实际案例：巴黎地标 → 3D splat

Agent 链式调用了两个 Spaces：

图像： 一个图像生成 Space 将每个地标转化为干净、深色背景的"标本"照片（埃菲尔铁塔则变成了底座上的小立体模型）。输入 prompt，输出图像。
Splat： VAST-AI/TripoSplat 从每张单张图像重建出 3D Gaussian splat（.ply 格式）。输入图像，输出 3D。

生成的图像

重建的 splat

Agent 生成的六张源图像，全部以黑色背景隔离，准备进行单图像 3D 重建：

之后，agent 还完成了"粘合"工作。它注意到 TripoSplat 的输出是 Y 轴向下，于是将其翻转直立，自动为每个地标取景，将 .ply 文件压缩为 .ksplat（体积缩小约 3 倍，加载更快），构建了一个带有滚动切换和拖拽旋转 UI 的 Three.js 查看器，并将整个项目部署为一个静态 Space。唯一的人工输入是审美层面的调整："拉远一点"，"把方尖碑换成更适合 splat 的东西"，"过渡时间太长了"。

其中几个步骤是 agent 根据实际情况做出的反应。宽大的玻璃金字塔 splat 效果不佳；细长的方尖碑很乏味；单视角重建会推断背面。这正是积木经济所预测的"外包研发，快速迭代"循环，只不过这里的研发是一场对话。

为什么这很重要

模型变得可组合。 来自不同组织的 SOTA splat 模型和 SOTA 图像模型，无需集成代码即可链式调用。Hub 的开放权重目录变成了一个可调用的多媒体原语库。
Agent 偏好有文档且可访问的组件。 agents.md 让一个 Space 变得极易访问，因此 agent 会选择它，而不是需要手动设置的模型。这与 Hashimoto 指出的开源库动态相同。
集成曾是障碍，如今基本消失。 "将 prompt 转化为旋转的 3D 地标"过去是一个项目。在这里，它只是流水线中的一个步骤。

自己动手试试

将你自己的 agent 指向一个 Space 的 agents.md，让它自由发挥：

# 图像生成
curl https://huggingface.co/spaces/ideogram-ai/ideogram4/agents.md
# 单图像到 3D Gaussian splat
curl https://huggingface.co/spaces/VAST-AI/TripoSplat/agents.md

将任一链接粘贴到你的 coding agent（如 Claude Code 等）中，设置好你的 HF_TOKEN，然后让它构建一些东西。这个画廊完整、可复现的流水线，以及调用这两个 agents.md 端点的脚本，都存放在 Space 仓库中。

积木块就摆在 Hub 上。Agent 已经知道如何拼接。