Gradio Workflow: armá pipelines de IA con drag-and-drop y deploy en un clic

Si alguna vez armaste un pipeline de IA en Python —generar una imagen, remover el fondo, editarla y después convertirla en video— sabés lo engorroso que es debuggear cada paso con prints. Gradio acaba de lanzar gr.Workflow, una funcionalidad que convierte ese código en una interfaz visual drag-and-drop donde cada nodo es ejecutable y cada resultado intermedio se ve al instante.

Lo mejor: el mismo grafo que armás en el canvas se convierte automáticamente en una REST API y se puede deployar con un solo comando a Hugging Face Spaces. Es literalmente “wire it, run it, deploy it”.

Cómo funciona en la práctica

En vez de escribir funciones y conectarlas manualmente, describís tus pasos como un gráfico de nodos tipados. Gradio sirve un canvas donde arrastrás conexiones entre entradas, operadores y salidas. Cada nodo puede ser:

• Una referencia (tus inputs)
• Un operador (tu función Python, un modelo de Inference Providers, otro Space de Gradio o un dataset del Hub)
• Un subject (tus outputs)

Al darle Run, cada nodo se ejecuta y el resultado aparece justo al lado. Si algo falla, ves exactamente en qué paso y con qué valor.

Ejemplos que ya podés probar

Uno de los demos más simples es un editor de imágenes: subís una foto, escribís una instrucción (“ponéle anteojos de sol”, “convertí esto en una escena nevada”) y el nodo llama a Qwen-Image-Edit a través de Hugging Face Inference Providers. Todo en un solo nodo.

Otro más potente es un grafo que, a partir de un mismo prompt, genera una imagen con FLUX, la convierte en sticker removiendo el fondo, crea un voiceover con text-to-speech y genera un título catchy con un LLM. Los tres outputs tienen su propio endpoint REST: /sticker, /voiceover y /episode_title. Podés llamarlos desde código sin abrir la interfaz.

También hay un ejemplo de “fan-out”: una misma idea genera una imagen base con FLUX, dos versiones artisticas (watercolor y cyberpunk) y un título escrito por LLM. Todo en paralelo.

Y si preferís analizar datos, podés ingresar el ID de un dataset de Hugging Face y obtener automáticamente overview, preview, estadísticas por columna y gráficos de distribución, todo corriendo en paralelo mediante el Datasets Server API.

Modelos locales y GPU sin complicaciones

No todo tiene que llamar a Inference Providers. Podés decorar tu función con @spaces.GPU y Gradio usa ZeroGPU para levantar una GPU solo durante la ejecución, correr el modelo (por ejemplo Lightricks/LTX-Video con Diffusers) y liberarla. El workflow no necesita saber nada de tu setup de hardware.

API y deploy automático

Cada workflow es automáticamente una API. Cada salida se convierte en un endpoint con el nombre que le hayas puesto. Podés consumirlo con el cliente de Gradio o directamente con curl. Los ejemplos en la documentación de Gradio muestran cómo hacerlo con y sin token de Hugging Face.

Para empezar, abrís cualquiera de los demos en Hugging Face Spaces, hacés “Duplicate” y empezás a rearmar el grafo a tu gusto. Desde Python, crear un workflow nuevo lleva solo unas pocas líneas.

Según el blog oficial de Hugging Face, gr.Workflow ya permite recrear cosas tan complejas como la interfaz de AUTOMATIC1111. En el próximo post prometen un tutorial paso a paso.

¿Para quién es esto?

Para cualquiera que esté armando aplicaciones de IA más allá de un solo prompt. Si usás varios modelos en secuencia o en paralelo, si querés mostrarle el proceso a un cliente o si querés exponer tu pipeline como API, gr.Workflow elimina gran parte del trabajo de pegado y debug.

En Argentina, donde muchas startups y freelancers están experimentando con IA pero con presupuestos ajustados, poder prototipar un flujo completo, probarlo en vivo y deployarlo gratis en Spaces es una ventaja enorme.

La versión corta: Gradio convirtió los pipelines de IA en algo tan visual y fácil como armar un diagrama en Miro, pero que además corre, genera una API y se deploya solo. Si estás cansado de debuggear con prints, este es tu próximo juguete.