Gradio 极简入门：三分钟为AI模型打造交互界面，并对比Streamlit与Dash如何选型

我用 Gradio 给模型做界面的一点经验，顺带聊聊和 Streamlit、Dash 怎么选

• • 装好、跑起来
  • [Interface 够用就用 Interface](#Interface 够用就用 Interface)
  • [慢推理一定要加 queue，否则会被并发拖垮](#慢推理一定要加 queue，否则会被并发拖垮)
  • 常见组件
  • [share=True 的坑](#share=True 的坑)
  • 三件套到底怎么选
  • 参考

训完模型之后最尴尬的一刻，是别人问你"能给我看看效果吗"，而你只能让他去看一坨命令行输出。Gradio 就是用来填这个坑的：它是个开源的 Python 库，几行代码就能给机器学习模型、API 或者任意一个 Python 函数套上界面，还不用写一句 HTML / CSS / JS。

它是 Hugging Face 出的，跟 HF 生态贴得特别近------这也是后面选型的一个关键考量。

装好、跑起来

Python 3.10 以上，pip 安装：

pip install gradio

最小例子：

import gradio as gr

def greet(name):
    return f"Hello {name}!"

demo = gr.Interface(fn=greet, inputs="text", outputs="text")
demo.launch()

跑起来终端会给一个本地地址，默认 http://127.0.0.1:7860。

但只这么 launch 其实不够用，几个参数值得一开始就记住：

• server_name="0.0.0.0"：默认只绑定本机，别人访问不了你的局域网地址。你在一台服务器上跑，同事想从自己机器打开，必须加这个。
• server_port=xxxx：7860 被占了就换。
• inbrowser=True：启动后自动弹浏览器，省得手动复制地址。
• share=True：生成一个公网临时链接，后面单独说它的坑。

Interface 够用就用 Interface

gr.Interface 是我用得最多的：一个函数配一组输入输出，完事。它内部其实是 Blocks 的封装，你只关心"进什么、出什么"就行。

多个输入也简单：

demo = gr.Interface(
    fn=greet,
    inputs=[gr.Textbox(label="你的名字"), gr.Slider(label="热情程度", minimum=1, maximum=5)],
    outputs="text"
)

什么时候该从 Interface 换到 Blocks？我的判断标准是：一旦你发现"一个函数、一组进出"表达不了你的需求------比如要多个按钮触发不同逻辑、要分栏布局、要做多步状态------就上 Blocks。日常 80% 的情况 Interface 能扛住，别一开始就上 Blocks 搞复杂了。

with gr.Blocks() as demo:
    gr.Markdown("# 我的第一个 Blocks 应用")
    with gr.Row():
        with gr.Column():
            text_input = gr.Textbox(label="输入文本")
            btn = gr.Button("提交")
        with gr.Column():
            text_output = gr.Textbox(label="输出结果")

    btn.click(fn=greet, inputs=text_input, outputs=text_output)

慢推理一定要加 queue，否则会被并发拖垮

这是我最开始踩的坑。模型推理要几秒钟，界面看起来"没反应"，而且多个人同时点，后端直接乱套。解法是在 launch() 之前加一行：

demo.queue()
demo.launch()

queue() 开启之后，请求会排队处理，状态条会显示"排队中"，不会再出现"点了没反应、连点几次"的体验问题；concurrency_count 参数还能控制同时处理几个请求。如果你的模型推理明显耗时，这行千万别省。

顺带一提：如果你的模型是逐字生成的（比如 LLM 流式输出），把处理函数写成 generator、配合合适组件就能边生成边出字，这块儿 Gradio 的聊天组件支持得不错。真要往聊天机器人方向做，直接看 gr.ChatInterface，比手动拿 Blocks 拼省事得多。

常见组件

列张表，用到再回来查：

类型	组件
输入	Textbox(文本)、Number(数字)、Slider(滑块)、File(文件)、Image(图像)、Audio(音频)、Video(视频)、Checkbox(复选框)、Radio(单选)
输出	Textbox(文本)、Label(标签/分类结果)、Number(数字)、Image(图像)、Audio(音频)、Video(视频)
布局与展示	Markdown(渲染Markdown)、HTML(渲染HTML)、Row(水平布局)、Column(垂直布局)、Button(按钮)

再进阶一点的话：继承基类自定义组件、重写 preprocess / postprocess 控制数据进出；或者塞自己的 CSS / JS 改样式加动画。日常用不太到，知道有这回事就行。

share=True 的坑

share=True 的原理是搞一个反向隧道，把本地的 7860 暴露到公网，链接 72 小时有效。很方便，但有三个实际情况要知道：

• 它依赖外部 frpc 隧道服务，公司内网、防火墙严的环境可能直接连不上------这时候别死磕，直接用内网 server_name 或者干脆部署到 Spaces。
• 链接是临时的，每次启动都变，不适合当正式地址发人。
• 要长期给团队或客户用，老实推到 Hugging Face Spaces，免费、一直在线，这是 Gradio 最顺手的归宿。

三件套到底怎么选

Streamlit、Gradio、Dash 经常被放一起比，但它们的初心根本不是一回事。Streamlit 面向数据分析师"脚本即应用"，Gradio 面向"给模型做个能分享的 demo"，Dash 面向"正经生产级分析应用"。

	Streamlit	Gradio	Dash
定位	数据应用快速开发	模型演示、快速原型	企业级分析 Web 应用
上手难度	很低	很低	中到高
开发速度	快（1--3 天）	快（1--2 天）	慢（1--2 周）
交互方式	脚本自上而下重跑	事件驱动	显式回调
可视化与定制	组件生态还不错	偏 AI 输入输出	强，基于 Plotly
规模	中小型	单模型演示	大型、复杂
部署	Community Cloud 一键	Hugging Face Spaces 免费	自己搭服务器

我实际做的判断通常是这样的：

• 要快速把一个数据分析脚本变成仪表盘、或者团队全是数据背景不想碰前端，用 Streamlit。它的心智模型是"从头跑一遍"，简单，但复杂交互和性能上会有上限。
• 要给别人看模型效果、尤其大模型，还要一键发公网链接，用 Gradio。这基本是它的甜点区，跟 HF 生态是绑定的。
• 只有当应用要交付客户、要长期维护、要对布局交互有完全控制，或者数据量大到百万行级的时候，才轮到 Dash。为了一个 demo 上 Dash，纯属杀鸡用牛刀。

一句话：图快用 Streamlit，给模型做 demo 用 Gradio，交付生产用 Dash。只想让人玩一下你的模型，Gradio 就够了，而且它大概率比你想的更省事。

参考

• Gradio 文档：https://www.gradio.app/docs
• Streamlit：https://streamlit.io
• Dash：https://dash.plotly.com
• Hugging Face Spaces：https://huggingface.co/spaces