Gradio
Hugging Face 维护的Python 快速 ML Demo UI 框架——让 ML 工程师几行代码就能为模型搭一个可交互的 Web 界面，无需写 HTML/CSS/JS。Gradio 的核心抽象是「Python 函数 → Web 组件 → 事件绑定」：用 gr.Interface(fn, inputs, outputs) 三行就能把任意 Python 函数（含模型推理）包装成带输入框、按钮、输出区的网页；复杂布局用 gr.Blocks 上下文管理器灵活组合组件与事件。内置 30+ 组件覆盖 ML 常见输入输出形态——Textbox（文本）、Image（图像）、Audio（音频）、Video、Chatbot（对话）、DataFrame、Slider、File、Markdown 等，自动处理前端的文件上传、媒体编解码、类型转换。事件系统（.click() / .submit() / .change() / .then()）支持多组件联动、流式输出（generator 函数逐 token 推送）、多步骤链式调用。gr.ChatInterface 专为一问一答的对话型应用设计，几行实现 ChatGPT 式 UI。一键 demo.launch(share=True) 生成临时公网链接，或免费部署到 Hugging Face Spaces（Gradio 的天然归宿，全球 ML demo 的聚集地）。是模型 demo、内部演示、黑客松、教学的首选工具。
评价
优点
- 三行起界面：
gr.Interface(fn, inputs, outputs)把任意 Python 函数秒变 Web UI，无需前端知识；ML 工程师最低成本的「让模型被人用上」方式 - 30+ 内置组件：Textbox/Image/Audio/Video/Chatbot/DataFrame/Slider/Checkbox/HTML/Markdown/ColorPicker 等，自动处理文件上传、媒体编解码、类型转换，覆盖 ML 常见输入输出
- gr.Blocks 灵活布局：上下文管理器 +
gr.Row/gr.Column/gr.Tab自由排版，支持复杂多组件联动、表单、向导式界面；比 Interface 灵活十倍 - 事件系统强大：
.click()/.submit()/.change()/.then()/gr.on()绑定函数；支持多输入输出（list/dict）、链式调用、generator 流式输出 - 流式输出原生支持：函数写成 generator 逐 yield，Gradio 自动推送增量到前端；LLM token 流、图像逐帧生成都能丝滑呈现
- ChatInterface 一键对话：
gr.ChatInterface(fn)几行实现 ChatGPT 式 UI（消息历史、流式、重试、清空），对话型应用首选 - Hugging Face Spaces 免费部署：Gradio 的天然归宿，git push 即上线，全球 ML demo 聚集地，自带社区与分享生态
- share=True 临时公网：
demo.launch(share=True)生成*.gradio.live临时链接，本地 demo 秒变可分享，无需部署
缺点
- 不适合生产级应用：定位是 demo / 原型，缺生产特性（鉴权、限流、监控、水平扩展）；要生产化需迁移到 Streamlit/Next.js + 后端 API
- 定制 UI 受限：组件样式与布局在 Gradio 抽象内，深度定制（复杂 CSS/动效/自定义组件）不如纯前端框架灵活
- Python 后端耦合：界面逻辑与 Python 后端紧绑，前后端分离架构不友好；要 API 化需额外封装
- 并发能力弱：默认单进程处理请求（queue 模式有限并发），高并发 demo 在 Spaces 易排队；不适合做面向公众的高 QPS 服务
- 首次加载资源重：前端打包了 React + 大量组件，首屏 JS 体积大；冷启动慢
- 复杂状态管理繁琐：
gr.State是全局共享，多用户并发会串状态；要 session 隔离得用 session_id 手动管理，心智成本高 - 调试反馈慢：改代码需重启 demo（虽有 reload），不像前端 HMR 流畅；事件绑定错误信息有时不直观