> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# Daggr：用代码生成工作流画布
- URL: https://www.hubwiz.com/blog/daggr-generate-workflow-canvas-using-code/
- Published: 2026-02-01T21:57:26.000Z
- Updated: 2026-02-01T21:57:26.000Z
- Description: Daggr是一个代码优先的Python库，它可以将AI工作流转换为可视化图形。无需猜测，即可检查、重新运行和调试Gradio流水线。
- Author: admin
- Tags: LIBRARY, DAGGR, #Import 2026-10-14 14:41

Daggr是一个代码优先的Python库，它可以将AI工作流转换为可视化图形。无需猜测，即可检查、重新运行和调试Gradio流水线。

你从一个模型开始。一个提示词。一个简洁的小demo。生活很美好。

然后你添加了第二步。也许是一个后处理函数。也许是一个背景移除器。或者是转录后的摘要生成器。或者是检索后的重新排序器。

突然间，你需要在脑海中管理各种状态。

你在重新运行单元格。打印中间输出。注释掉一半的代码只是为了看看发生了什么变化。每次出现问题时，你甚至不确定应该先从哪里找起。

是输入的问题？ 模型的问题？ 还是中间的粘合代码的问题？

你知道那种感觉。就是那种"我发誓五分钟前它还工作正常"的感觉。

Daggr就是为了那一刻而存在的。

不是为了替代Python。不是为了强迫你使用拖拽式编辑器。而是为了给你提供我们长期以来一直在寻找的东西：一种像程序员一样编写工作流，并像系统一样查看它们的方式。

让我解释一下我的意思。

![None](https://www.hubwiz.com/blog/content/images/2026/02/1-2dX68LKzFghih7VsTM6QAg-1.png)

## 1、Daggr到底是什么

Daggr是一个用于构建AI工作流的开源Python库。

你在代码中定义工作流。普通的Python代码。没有DSL。没有YAML金字塔。

然后Daggr做了一件 quietly 强大的事情：它从代码生成一个**可视化画布**。

不是一个设计工具。 不是你需要时刻照看的节点编辑器。

而是一个实时的、可检查的图形，它精确地反映了你的代码在做什么。

每一步都变成一个节点。 每个连接都变得可见。 每个中间输出都变成了你可以点击、重新运行和回放的东西。

这是重要的一部分。

可视化层不是真理的来源。 你的代码才是。

这个设计选择改变了一切。

## 2、试一试：从代码到画布

安装Daggr后：

```
pip install daggr

```

你编写一个Python文件。比如 `app.py`。然后你可以这样做：

```
import random

import gradio as gr
from daggr import GradioNode, Graph
glm_image = GradioNode(
    "hf-applications/Z-Image-Turbo",
    api_name="/generate_image",
    inputs={
        "prompt": gr.Textbox(
            label="Prompt",
            value="A cheetah in the grassy savanna.",
            lines=3,
        ),
        "height": 1024,
        "width": 1024,
        "seed": random.random,
    },
    outputs={
        "image": gr.Image(
            label="Image"
        ),
    },
)
background_remover = GradioNode(
    "hf-applications/background-removal",
    api_name="/image",
    inputs={
        "image": glm_image.image,
    },
    postprocess=lambda _, final: final,
    outputs={
        "image": gr.Image(label="Final Image"),
    },
)
graph = Graph(
    name="Transparent Background Image Generator", nodes=[glm_image, background_remover]
)
graph.launch()

```

你运行它：

```
daggr app.py

```

你得到的不是一个黑盒Gradio demo，而是一个画布。

两个节点。 它们之间有一条可见的边。 你可以调整的输入。 你可以检查的输出。

你可以只重新运行图像生成器。或者只重新运行背景移除器。或者切换到之前的结果，并观察整个下游图形自动更新以匹配该确切的历史记录。

没有打印语句。没有心理记账。

这就是Daggr的核心思想。

## 3、为什么这感觉不同

Gradio对于demo来说非常棒。但是一旦工作流变成多步骤，调试就变得……模糊不清。

你修改了一个提示词。 下游的东西坏了。 你不确定它是否重新运行了。 你不确定使用的是哪些输入。

Daggr直面这个问题。

每次节点运行都会被跟踪。 每个结果都有来源记录。 每个连接都知道它是新鲜的还是过时的。

如果上游的值发生了变化，Daggr会可视化地提醒你。 如果下游节点没有重新运行，你可以立即看到。

## 4、Daggr如何看待工作流

在其核心，Daggr非常简单。

工作流是一个有向图。

每个节点代表一个计算：

- Gradio Space API调用
- Hugging Face推理调用
- 或者普通的Python函数

节点有**输入端口**和**输出端口**。

端口是数据流动的方式。

就这样。

但是，魔鬼总是在细节中。

## 5、GradioNode：无痛封装现有应用

`GradioNode`调用一个现有的Gradio应用，无论是在Hugging Face Spaces上还是本地运行。

这里有一个例子：

```
from daggr import GradioNode
import gradio as gr

image_gen = GradioNode(
    space_or_url="black-forest-labs/FLUX.1-schnell",
    api_name="/infer",
    inputs={
        "prompt": gr.Textbox(label="Prompt"),
        "seed": 42,
        "width": 1024,
        "height": 1024,
    },
    outputs={
        "image": gr.Image(label="Generated Image"),
    },
)

```

如果你曾经在Space上点击过"Use via API"，这会感觉很熟悉。Daggr使用相同的参数名称和端点定义。

没有什么神奇之处。只是结构化。

而且因为它是外部的，GradioNodes默认并发运行。没有线程麻烦。没有锁。没有意外。

## 6、FnNode：你自己的代码所在的地方

有时候你不需要模型。你需要逻辑。

解析。过滤。组合。后处理。

这就是`FnNode`的用途。

```
from daggr import FnNode
import gradio as gr

def summarize(text: str, max_words: int = 100) -> str:
    words = text.split()[:max_words]
    return " ".join(words) + "..."
summarizer = FnNode(
    fn=summarize,
    inputs={
        "text": gr.Textbox(label="Text to Summarize", lines=5),
        "max_words": gr.Slider(minimum=10, maximum=500, value=100),
    },
    outputs={
        "summary": gr.Textbox(label="Summary"),
    },
)

```

Daggr检查函数签名。按名称匹配输入。按顺序将返回值映射到输出。

这里有一个微妙但重要的选择。

FnNodes**默认是顺序的**。

为什么。因为本地Python代码很乱。它操作文件。GPU。全局状态。不是线程安全的库。

Daggr倾向于安全的一面。

如果你知道一个函数可以并行运行，你可以选择加入：

```
node = FnNode(my_func, concurrent=True)

```

你总是掌控着一切。

## 7、InferenceNode：无需下载的模型

`InferenceNode`让你通过推理提供商直接调用Hugging Face模型。

没有本地权重。没有设置。

```
from daggr import InferenceNode
import gradio as gr

llm = InferenceNode(
    model="meta-llama/Llama-3.1-8B-Instruct",
    inputs={
        "prompt": gr.Textbox(label="Prompt", lines=3),
    },
    outputs={
        "response": gr.Textbox(label="Response"),
    },
)

```

这些节点默认是并发的，并且会自动为以下内容传递你的Hugging Face令牌：

- ZeroGPU跟踪
- 私有Spaces
- 门控模型

再次说明，减少管道工作。更多思考。

## 8、真正有效的来源记录

这就是Daggr悄悄领先的地方。

每次节点运行时，Daggr都会存储：

- 输出
- 以及产生它的确切输入

你可以像浏览版本一样浏览结果历史。

当你选择一个旧的结果时，Daggr会自动恢复输入。

不只是针对那个节点。 也针对下游节点。

这意味着你可以在不丢失上下文的情况下探索变体。

生成三张图片。 移除其中两张的背景。 稍后再回来。 点击图片#1。

整个图形会重新回到对齐状态。

这不是一个便利功能。这是一个不同的心智模型。

## 9、可视化的陈旧状态

Daggr使用边颜色来展示真相。

橙色边表示新鲜。 灰色边表示陈旧。

如果你在上游更改了输入，每个依赖的边都会变灰。

没有猜测。没有"这个重新运行了吗？"

你看得见。

这听起来很小，直到你尝试它。然后你很难再回头。

## 10、分散和聚集：当列表变成流水线时

有些工作流自然会产生分支。

你生成多个项目。 然后处理每一个。 然后组合它们。

Daggr通过`.each`和`.all()`支持这一点。

```
script = FnNode(fn=generate_script, inputs={...}, outputs={"lines": gr.JSON()})

tts = FnNode(
    fn=text_to_speech,
    inputs={
        "text": script.lines.each["text"],
        "speaker": script.lines.each["speaker"],
    },
    outputs={"audio": gr.Audio()},
)
final = FnNode(
    fn=combine_audio,
    inputs={"audio_files": tts.audio.all()},
    outputs={"audio": gr.Audio()},
)

```

这仍然是Python。仍然是显式的。但是图形理解你的意思。

## 11、选择节点

有时候你需要替代方案。

两个图像生成器。 两个TTS提供商。 相同的下游逻辑。

Daggr允许你这样做：

```
host_voice = GradioNode(...) | GradioNode(...)

```

在UI中，你会得到一个选择器。下游连接保持完整。

你的选择会持久化到每个sheet。

这对于实验来说非常完美，而不会让你的代码库分支变得混乱。

## 12、Sheets：平行宇宙，一个工作流

Daggr引入了**sheets**的概念。

把它们想象成工作空间。

每个sheet都有：

- 它自己的输入
- 它自己的缓存结果
- 它自己的画布位置

相同的工作流。不同的状态。

如果你曾经为了尝试新东西而复制过notebook，这会感觉很熟悉。而且更干净。

## 13、本地、远程，或者两者兼有

Daggr可以与：

- 远程Gradio Spaces
- Hugging Face推理
- 完全本地的应用

一起工作

你甚至可以通过设置`run_locally=True`在本地运行Space。

Daggr自动处理克隆、环境和回退。

如果失败了，它会准确地告诉你哪里出了问题以及原因。

## 14、API、部署和分享

Daggr工作流会自动暴露REST API。

你可以检查模式：

```
curl http://localhost:7860/api/schema

```

并以编程方式调用工作流。

部署只需要一个命令：

```
daggr deploy my_app.py

```

Daggr提取图形，设置Space，生成元数据，并为你推送所有内容。

没有繁琐的流程。

## 15、什么时候Daggr不是合适的工具

Daggr并不想做所有事情。

如果你想要：

- 单个模型demo - 使用Gradio
- 完全可视化的编辑器 - 使用ComfyUI
- 生产级调度器 - 使用Airflow或Prefect

Daggr存在于混乱的中间地带。

在那里，工作流足够复杂以至于需要检查。 但又足够流畅，你仍在思考、调整、探索。

这就是它的最佳用例。

---

原文链接: [Daggr: Code-First Python Library That Turns AI Workflows Into Visual Graphs](https://medium.com/coding-nexus/daggr-code-first-python-library-that-turns-ai-workflows-into-visual-graphs-e19ed885a013?ref=hubwiz.com)

汇智网翻译整理，转载请标明出处