複数のAIモデルや処理ステップを組み合わせたアプリケーションを構築したことがある開発者なら、その課題に共感できるでしょう。API呼び出しを連結する際、パイプラインのデバッグが難しく、中間結果の追跡が困難になります。10ステップのワークフローの5番目で問題が発生した場合、原因を調査するために全体を再実行しなければならないことも多いです。
開発者は通常、デバッグが難しい脆弱なスクリプトを作成するか、迅速な実験には適さない本番用の重いオーケストレーションプラットフォームを採用することになります。Gradioチームによる新しいオープンソースライブラリ、Daggrは、まさにこれらの問題を解決することを目指しています。
Daggrの核となる哲学は 「コードファースト(Code-First)」 です。ビジュアルGUIエディタでノードをドラッグ＆ドロップする代わりに、純粋なPythonコードでワークフローを定義します。Daggrはそのコードから自動的にビジュアルキャンバスを生成します。これにより、バージョン管理可能なプログラム的な定義と、視覚的インターフェースの直感的なデバッグ能力という、両方の利点を得ることができます。
import random
import gradio as gr
from daggr import GradioNode, Graph
# Gradio Spaceを使用して画像を生成
image_gen = GradioNode(
"hf-applications/Z-Image-Turbo",
api_name="/generate_image",
inputs={
"prompt": gr.Textbox(
label="Prompt",
value="A cheetah sprints across the grassy savanna.",
lines=3,
),
"height": 1024,
"width": 1024,
"seed": random.random,
},
outputs={
"image": gr.Image(label="Generated Image"),
},
)
# 別のGradio Spaceを使用して背景を削除
bg_remover = GradioNode(
"hf-applications/background-removal",
api_name="/image",
inputs={
"image": image_gen.image, # 前のノードの出力に接続
},
outputs={
"original_image": None, # この出力を非表示
"final_image": gr.Image(label="Final Image"),
},
)
graph = Graph(
name="Transparent Background Generator",
nodes=[image_gen, bg_remover]
)
graph.launch()
このスクリプトを実行すると、7860ポートでビジュアルキャンバスが自動的に提供され、共有可能なライブリンクも生成されます。UI上で各ステップの入力を変更し、出力を検査することができます。
Daggrは、柔軟なAIパイプライン構築において異なる目的を果たす3つの主要なノードタイプをサポートしています。
| ノードタイプ | 説明 | 主な使用例 |
|---|---|---|
GradioNode | 公開/非公開のGradio Space APIまたはローカルで提供されているGradioアプリを呼び出します。run_locally=Trueを設定すると、Spaceをクローンして分離環境で実行します。 | Hugging Face Spacesにホストされているモデルやデモをワークフローに統合する場合。 |
FnNode | カスタムPython関数を実行します。 | 画像リサイズ、テキスト前処理、データ変換などのカスタムロジックを追加する場合。 |
InferenceNode | Hugging Face Inference Providersを介してモデルを呼び出します。 | 様々なファウンデーションモデル（FLUX、Kimiなど）にAPIで簡単にアクセスする場合。 |
GradioNodeのrun_locally=Trueフォールバックは、耐障害性の高いワークフローを構築するのに特に有用です。リモートAPI呼び出しが失敗した場合、Daggrはローカル実行に優雅に切り替えます。詳細については、元のブログ記事をご覧ください。
Daggrは現在ベータ版であり、意図的に軽量に保たれ、実験に焦点を当てています。APIはバージョン間で変更される可能性があり、ワークフロー状態はローカルに保存されますが、更新中にデータ損失が発生する可能性があることに注意してください。
初期段階であるにもかかわらず、Daggrはコードで複雑なAIパイプラインを定義し、リアルタイムで視覚化し、インタラクティブにデバッグする能力を持っており、AIアプリケーション開発プロセスに革命をもたらす可能性を秘めています。特に研究、プロトタイピング、教育目的において有望です。
始めるのはpip install daggrと同じくらい簡単です。次に複数のAIモデルを連結する必要があるプロジェクトがある場合は、Daggrを試してみてください。生成されたキャンバス上で個々のステップを再実行し、中間出力を検査する体験は、従来のスクリプトベースの開発と比べて実感できる生産性の向上をもたらします。