Se você já construiu uma aplicação de IA que combina múltiplos modelos ou etapas de processamento, conhece bem as dores: encadear chamadas de API, depurar pipelines opacas e perder o rastro dos resultados intermediários. Quando algo falha na etapa 5 de um workflow de 10 passos, muitas vezes você precisa reexecutar o pipeline inteiro só para inspecionar o que deu errado.
Os desenvolvedores normalmente recorrem a scripts frágeis difíceis de depurar ou adotam plataformas pesadas de orquestração projetadas para produção, não para experimentação rápida. Daggr, uma nova biblioteca open-source da equipe do Gradio, visa resolver exatamente esses problemas.
A filosofia central do Daggr é Code-First (Código em Primeiro Lugar). Em vez de arrastar e soltar nós em um editor visual GUI, você define seu workflow em Python puro. O Daggr então gera automaticamente uma tela visual a partir do seu código. Isso te dá o melhor dos dois mundos: definições programáticas controláveis por versão e o poder intuitivo de depuração de uma interface visual.
import random
import gradio as gr
from daggr import GradioNode, Graph
# Gera uma imagem usando um Space do Gradio
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"),
},
)
# Remove o fundo usando outro Space do Gradio
bg_remover = GradioNode(
"hf-applications/background-removal",
api_name="/image",
inputs={
"image": image_gen.image, # Conecta à saída do nó anterior
},
outputs={
"original_image": None, # Oculta esta saída
"final_image": gr.Image(label="Final Image"),
},
)
graph = Graph(
name="Transparent Background Generator",
nodes=[image_gen, bg_remover]
)
graph.launch()
Executar este script serve automaticamente uma tela visual na porta 7860, com um link ao vivo compartilhável. Você pode modificar entradas e inspecionar saídas em cada etapa diretamente na UI.
O Daggr suporta três tipos principais de nós, cada um servindo a um propósito distinto na construção de pipelines de IA flexíveis.
| Tipo de Nó | Descrição | Caso de Uso Principal |
|---|---|---|
GradioNode | Chama uma API de Space do Gradio (público/privado) ou um app Gradio servido localmente. Com run_locally=True, ele clona o Space e o executa em um ambiente isolado. | Integrar modelos ou demos hospedados no Hugging Face Spaces ao seu workflow. |
FnNode | Executa uma função Python personalizada. | Adicionar lógica customizada como redimensionamento de imagem, pré-processamento de texto ou transformação de dados. |
InferenceNode | Chama um modelo via Hugging Face Inference Providers. | Acessar facilmente vários modelos de fundação (FLUX, Kimi, etc.) via API. |
O fallback run_locally=True para GradioNode é particularmente útil para construir workflows resilientes. Se as chamadas de API remotas falharem, o Daggr muda graciosamente para uma execução local. Para um mergulho mais profundo, confira o post original do blog.
O Daggr está atualmente em beta, mantido intencionalmente leve e focado em experimentação. Esteja ciente de que as APIs podem mudar entre versões e, embora o estado do workflow seja persistido localmente, a perda de dados é possível durante atualizações.
Apesar de seu estágio inicial, a capacidade do Daggr de permitir que você defina pipelines complexos de IA em código, os visualize em tempo real e depure interativamente tem o potencial de revolucionar o processo de desenvolvimento de aplicações de IA. É especialmente promissor para fins de pesquisa, prototipagem e educação.
Começar é tão simples quanto pip install daggr. Da próxima vez que você tiver um projeto que exija encadear múltiplos modelos de IA, experimente o Daggr. A experiência de reexecutar etapas individuais e inspecionar saídas intermediárias na tela gerada oferece um aumento tangível de produtividade em comparação com o desenvolvimento tradicional baseado em scripts.