Gradio 用户数突破 100 万的历程！
五年前，我们推出了 Gradio，这是一个简单的 Python 库，旨在让斯坦福大学的研究人员能够轻松地通过 Web 界面演示计算机视觉模型。
如今，Gradio 每月被超过 100 万开发者用于构建和分享 AI Web 应用。这其中包括一些有史以来最受欢迎的开源项目，例如 Automatic1111、Oobabooga 的文本生成 WebUI、Dall-E Mini 和 LLaMA-Factory。
我们是如何走到这一步的？Gradio 是如何在竞争激烈的开源 Python 库领域保持增长的？我经常收到那些正在构建自己的开源库的人提出的这个问题。这篇文章总结了我过去几年学到的一些经验。
- 投资于良好的原语，而非高级抽象
- 将病毒式传播直接嵌入到你的库中
- 专注于一个（不断增长的）利基市场
- 你唯一的路线图应该是快速迭代
- 最大化用户消费你库输出的方式
1. 投资于良好的原语，而非高级抽象
当我们最初推出 Gradio 时，我们只提供了一个高级类（gr.Interface），它可以从单个 Python 函数创建一个完整的 Web 应用。我们很快意识到开发者希望创建其他类型的应用（例如，多步骤工作流、聊天机器人、流媒体应用），但当我们开始列出用户想要构建的应用时，我们意识到我们需要做什么：向下探究。
我们没有构建许多高级类来支持不同的用例，而是构建了一个名为 Gradio Blocks 的低级 API，它允许用户从模块化组件、事件和布局组装应用程序。尽管使用起来通常需要更多工作，但今天的 gr.Blocks 占据了 Gradio 80% 的使用量——包括上述高度流行的应用程序。
对于一个小型团队来说，专注于低级抽象必然意味着我们无法追逐许多诱人的高级抽象。但这种专注使我们避免了两个常见的陷阱：
定制-维护陷阱：高级抽象易于使用，但用户会请求额外的参数来定制它们，这反过来导致维护负担增加，因为每个抽象和参数都需要实现、维护和测试以避免错误。
生产力幻觉：使用高级抽象看起来工作量较少，直到用户需要不支持的功能（这在项目开始时很难预测），迫使开发者进行代价高昂的重写。
第一个问题浪费了我们作为 Gradio 维护者的时间，而第二个问题浪费了我们用户的时间。直到今天，Gradio 只包含两个高级抽象（gr.Interface 和 gr.ChatInterface），它们本身都是用 Blocks 构建的。
在 AI 辅助编码时代，拥有良好原语的优势更加显著，我们发现 LLM 通常善于通过文档并利用原语构建复杂的应用程序（例如，看看所有用 three.js 构建的游戏）。如果 AI 为你编写代码，编写低级代码并不会花费太多额外时间。
2. 将病毒式传播直接嵌入到你的库中
你的库最好的“大使”不是你，而是一个热心的用户。因此，你应该找到方法让用户在他们的工作流程中分享你的库或其产品。Gradio 的早期增长得益于我们的“分享链接”功能（它可以用一行代码为你的 Gradio 应用创建一个临时公共链接）。Gradio 用户无需担心打包或在具有适当计算能力的 Web 服务器上托管他们的代码，就可以立即与同事分享他们的应用。
加入 Hugging Face 后，我们还受益于成为 Hugging Face Spaces 的标准 UI——被机器学习研究社区广泛使用。最受欢迎的 Spaces 吸引了数百万访客，使开发者接触到 Gradio，他们反过来又分享和构建了自己的 Gradio 应用，并使用相同的 Spaces（其代码是公开的）作为学习如何使用 Gradio 的资源。
3. 为一个（不断增长的）利基用例而构建
早期，我们面临一个关键决定：Gradio 应该是一个通用 Python Web 框架，还是应该专注于构建机器学习 Web 应用？我们选择了后者，这带来了天壤之别。
在拥挤的 Python Web 库生态系统中，我们经常被问到：“Gradio 与 X 有何不同？”我们简洁的答案——Gradio 针对机器学习 Web 应用进行了优化——令人难忘且基本准确。每个 Gradio 应用都附带特别适合 ML 工作流的功能，例如内置队列，即使有数千并发用户也能高效管理长时间运行的 ML 任务。我们设计的组件专门针对 ML 用例。另一方面，很长一段时间以来，Gradio 甚至不包含像链接按钮这样的功能，仅仅是因为我们的核心用户从不需要它。通过缩小我们的关注点，Gradio 迅速成为机器学习开发者的首选——默认的“AI 用户界面”。
当然，我们选择了一个本身正在增长的利基市场，这让我们受益匪浅。最近推动所有 AI 相关事物的逆风极大地帮助了我们，如果我们专注于数据科学或仪表板等领域，我们可能不会经历同样的增长。
4. 你唯一的路线图应该是快速迭代
与其他一些库不同，Gradio 不发布路线图。相反，我们跟踪机器学习领域的新兴趋势并相应地发布。在开源软件（尤其是 AI）中，根据社区需求发布功能（并弃用不再需要的功能）是持续增长的关键。作为一个具体的例子，在 Gradio 的早期版本中，我们构建了特定功能，允许开发者显示其机器学习模型的“解释”——因为这在 2020-21 年间是一个非常流行的用例。随着对解释的兴趣减弱，我们弃用了此功能，并将精力投入到音频/视频流和聊天相关功能中。
我们的内部流程也是去中心化的。Gradio 团队的 11 名工程师和开发者倡导者都被鼓励识别有影响力的想法，快速原型制作，并通过 GitHub、Hugging Face 和社交媒体直接与开源社区互动。每个团队成员都会将这些想法带回团队，我们会不断地围绕哪些想法可能产生影响来建立和重建共识，因为我们会不断地朝着最有影响力的方向发展。
5. 最大化用户消费你库输出的方式
当你创建一个 Gradio 应用并“launch()”它时，你会在浏览器中得到一个 Web 应用。但这还不是全部——你还会得到每个 Python 函数的 API 端点，以及为每个端点自动生成的文档。这些端点可以通过我们团队构建的 Python 或 JavaScript 客户端消费，也可以直接使用 cURL。
我们这样做是因为我们希望开发者使用 Gradio 的每一分钟都尽可能有用。一个 Gradio 应用应该在本地运行或无需任何代码更改即可部署到 Hugging Face Spaces 或你自己的服务器上，或者以编程方式集成到更大的应用程序中，甚至通过 MCPs 被 AI 代理利用（很快会详细介绍！）。通过专注于最大化的可用性，我们希望开发者能够继续从 Gradio 库中获得越来越多的价值。
向 1000 万用户进发！
