> ## 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.

# 3个构建AI应用UI的Python框架
- URL: https://www.hubwiz.com/blog/top3-pyton-framework-for-ai-app-uis/
- Published: 2025-05-13T02:14:50.000Z
- Updated: 2025-05-13T02:14:50.000Z
- Description: Python提供了各种包和框架，用于构建交互式、生产就绪的AI应用程序界面，包括聊天UI。本文详细介绍了3个顶级框架。
- Author: admin
- Tags: LIBRARY, GRADIO, STREAMLIT, CHAINLIT, #Import 2026-10-14 14:41

构建用户友好的AI聊天界面，这对于无缝交互、演示和测试至关重要。使用领先的Python框架为AI创建直观的聊天UI。

开发人员在构建AI应用时可以使用多种模型提供商API。流行的AI模型解决方案包括[OpenAI](https://getstream.io/blog/agentic-ai-rag/?ref=hubwiz.com)、[Anthropic](https://www.anthropic.com/?ref=hubwiz.com)、[Mistral](https://getstream.io/blog/flash-answer-ai-assistant/?ref=hubwiz.com)、[Grok](https://getstream.io/blog/xai-python-multi-agent/?ref=hubwiz.com)和[DeepSeek](https://getstream.io/blog/deepseek-chat/?ref=hubwiz.com)。通常，开发人员使用LlamaIndex、LangChain、PydanticAI、Embedchain、LangGraph、CrewAI等平台构建这些AI解决方案和代理。通过命令行测试和调试这些应用程序是很棒的。

然而，需要一个直观的界面来与底层AI功能进行交互，以便执行特定任务、用真实用户进行测试或通过世界共享它们以获取反馈。此外，您用Python构建的AI应用可能需要连接到其他外部服务以访问知识库、执行任务的工具、监控性能等。

> 为什么使用Python库来构建AI聊天UI？

为AI应用构建UI涉及许多考虑因素，例如文本生成风格、响应流、输出结构化以及所有用户-AI交互如何创造连贯的体验。根据您选择构建AI应用前端的平台，有许多内置功能和AI聊天组件可以开箱即用。

- **输出流**：如果需要从头开始实现LLM的响应流，这将非常复杂。尽管许多AI模型默认实现了该功能，但大多数UI构建平台都提供了轻松启用输出流的方法，除非需要自定义流。
- **聊天机器人动画**：您可以使用一些库免费获得聊天机器人响应动画，例如打字指示和思考。
- **反馈**：它们有助于快速获得项目改进的反馈。
- **监控和可视化性能**：例如，Chainlit使用Literal AI（AI可观察性服务）游乐场来观察底层LLM的性能、管理提示并查看分析。
- **易于测试**：这些库提供了轻松测试和演示AI应用的方式。

> AI聊天UI构建器及其应用场景

你可以根据应用程序的目标为许多用途构建AI应用的前端。一般来说，您可能想要制作的AI聊天UI会落入以下几类之一。

- **多模态AI**：这一类别的AI应用包括[音频-文本到文本](https://huggingface.co/models?pipeline%5Ftag=audio-text-to-text&ref=hubwiz.com)、[图像-文本到文本](https://huggingface.co/models?pipeline%5Ftag=image-text-to-text&ref=hubwiz.com)、[视觉问答](https://huggingface.co/models?pipeline%5Ftag=visual-question-answering&ref=hubwiz.com)、文档问答、视频-文本到文本、视觉文档检索等。
- **计算机视觉**：在这个类别中，您可以构建AI应用，用于[聊天消息应用](https://getstream.io/chat/?ref=hubwiz.com)中的文本和图像分类、[会议](https://getstream.io/blog/video-conferencing-nextjs/?ref=hubwiz.com)应用中的视频分类，例如[Zoom](https://getstream.io/blog/swiftui-video-conferencing-app/?ref=hubwiz.com)，以及[文本到视频](https://huggingface.co/models?pipeline%5Ftag=text-to-video&sort=trending&ref=hubwiz.com)生成。
- **自然语言处理**：在自然语言处理类别中，开发人员可以在视频通话应用中构建AI应用UI用于[摘要](https://getstream.io/blog/meeting-summary-ollama-gemma/?ref=hubwiz.com)、在聊天应用中用于[翻译](https://getstream.io/blog/chat-swift-june-2020/?ref=hubwiz.com)、以及用于问答和文本生成的[AI聊天机器人](https://getstream.io/chat/solutions/ai-integration/?ref=hubwiz.com)。
- **音频**：在这个类别中，您可以轻松创建前端UI用于[文本到语音](https://getstream.io/blog/text-to-speech-messaging-aws-polly/?ref=hubwiz.com)、文本到音频、[自动语音识别](https://huggingface.co/models?pipeline%5Ftag=automatic-speech-recognition&ref=hubwiz.com)用于视频会议、[音频分类](https://huggingface.co/models?pipeline%5Ftag=audio-classification&ref=hubwiz.com)用于[语音消息](https://getstream.io/blog/swiftui-voice-messaging/?ref=hubwiz.com)、以及[语音活动检测](https://huggingface.co/models?pipeline%5Ftag=voice-activity-detection&ref=hubwiz.com)AI应用。

> 用于在Python中构建AI聊天UI的工具

根据项目的对象，有几种方式和UI样式可以构建AI应用。例如，允许用户发送文本、语音和图像输入的多模态AI应用可能与仅支持语音克隆的应用不同。对于基于Python的AI项目，您可以使用Gradio、Streamlit和Chainlit等框架构建前端。还有其他基于Python的框架用于构建Web和数据应用程序。然而，这些超出了本文的范围。

我们的主要重点是为AI应用创建前端界面。这里提到的工具各有其优点和局限性，因此我们在以下部分讨论它们，并展示示例代码和实现示例，帮助您为下一个AI应用选择合适的框架。

## 1、Gradio：构建用于测试和部署AI应用的UI

[Gradio](https://www.gradio.app/?ref=hubwiz.com)是来自[Hugging Face](https://huggingface.co/?ref=hubwiz.com)的一个开源Python库，它允许开发人员为LLM、代理和实时AI[语音和视频应用](https://getstream.io/video/?ref=hubwiz.com)创建UI。它提供了一种快速且简便的方法，通过网络界面测试和共享AI应用程序。Gradio为构建无限AI用途的UI提供了一个易于使用且低代码的平台。

- **易于开始**：您可以快速开始使用Gradio，并用几行Python代码设置一个功能齐全的AI应用界面。
- **展示和共享**：轻松将UI嵌入[Jupyter Notebook](https://jupyter.org/?ref=hubwiz.com)、[Google Colab](https://colab.research.google.com/?ref=hubwiz.com)或通过公共链接在[Hugging Face](https://huggingface.co/spaces/akhaliq/AnimeGANv2?ref=hubwiz.com)上共享。
- **部署到生产环境**：您可以永久托管由Gradio驱动的AI项目的UI在[Hugging Face Spaces](https://huggingface.co/spaces?ref=hubwiz.com)上。

### 1.1 Gradio的关键特性和优势

![](https://www.hubwiz.com/blog/content/images/2025/05/image-147.png)

Gradio是用于构建机器学习（ML）应用前端的最受欢迎的Python库之一。其受欢迎程度和广泛使用源于丰富的功能组件和构建块，可以以最少的努力构建AI聊天界面。以下是Gradio的主要特性。

- **自定义组件**：创建定制的组件作为UI库，并将其集成到由Gradio UI驱动的AI应用中。[自定义组件](https://www.gradio.app/guides/custom-components-in-five-minutes?ref=hubwiz.com)可以作为Python包发布并分发给开发者社区。
- **代理UI**：使用Hugging Face的[transformers.agents](https://huggingface.co/docs/transformers/en/agents?ref=hubwiz.com)轻松创建Gradio界面，用于文本到图像生成等。
- **对领先AI构建平台的支持**：Gradio很好地集成了创建AI和代理应用的领先Python框架，如[LangChain](https://www.gradio.app/guides/creating-a-chatbot-fast?ref=hubwiz.com)、[LlamaIndex](https://docs.llamaindex.ai/en/stable/?ref=hubwiz.com)、[Embedchain](https://docs.embedchain.ai/deployment/gradio%5Fapp?ref=hubwiz.com)等。
- **原生中间思维支持**：利用内置的链式思维（CoT）支持，为实现[推理LLM](https://getstream.io/blog/reasoning-llms/?ref=hubwiz.com)的项目构建界面和演示。
- **支持不同的AI应用用途**：寻找AI应用UI构建框架时的一个重要特征是平台处理不同应用用途的能力。幸运的是，Gradio的[gradio.Interface](https://www.gradio.app/guides/four-kinds-of-interfaces?ref=hubwiz.com)类允许开发人员围绕四种不同的用途创建界面。**标准用途**允许您构建具有输入和输出的UI。这种界面类型非常适合创建图像分类器或语音到文本的AI应用。您可以创建仅支持**输出用途**的界面，例如图像生成。它还支持仅**输入界面**，可用于构建存储上传图像到外部数据库的LLM应用。通过**统一界面**选项，您可以创建输入和输出不区分的UI。在这种选项中，输出覆盖输入。一个很好的例子是在这个类别中的AI UI，它可以自动完成文本或代码。
- **自定义界面**：Gradio中的[Blocks](https://www.gradio.app/guides/blocks-and-event-listeners?ref=hubwiz.com)允许您快速为AI项目实现定制UI。
- **聊天机器人UI**：使用Gradio的高级抽象`gr.ChatInterface`快速构建聊天机器人和助手界面。

### 1.2 Gradio安装和快速入门

![](https://www.hubwiz.com/blog/content/images/2025/05/image-148.png)

本节使用Gradio的构建块创建上面显示的聊天机器人UI。首先，在您最喜欢的IDE中，应该设置一个[Python虚拟环境](https://getstream.io/blog/set-up-coding-environment/?ref=hubwiz.com)并使用以下命令安装Gradio的Python包。

```
python -m venv venv  
source venv/bin/activate  
pip install gradio

```

接下来，创建一个名为**grok\_ui.py**的Python文件并替换其内容为以下示例代码。

```
import gradio as gr  
import os  
from dotenv import load_dotenv  

# 从.env文件加载环境变量  
load_dotenv()  

# 处理聊天交互的函数  
def chat_with_grok(message, history, system_message, model_name, temperature, max_tokens):  
    # 在实际实现中，这将调用Grok API  
    # 目前，我们将简单地回显输入以演示UI是否正常工作  
    bot_message = f"你选择了模型: {model_name}\n系统消息: {system_message}\n温度: {temperature}\n最大令牌数: {max_tokens}\n\n你的消息: {message}"  
    return bot_message  

# 创建Gradio界面  
with gr.Blocks(theme=gr.themes.Soft(primary_hue="blue")) as demo:  
    gr.Markdown("# Grok AI聊天界面")  

    with gr.Row():  
        with gr.Column(scale=3):  
            # 主聊天界面  
            chatbot = gr.Chatbot(  
                height=600,  
                show_copy_button=True,  
                avatar_images=("👤", "🤖"),  
                bubble_full_width=False,  
            )  

            # 消息输入  
            msg = gr.Textbox(  
                placeholder="发送消息...",  
                container=False,  
                scale=7,  
                show_label=False,  
            )  

            with gr.Row():  
                submit_btn = gr.Button("发送", variant="primary", scale=1)  
                clear_btn = gr.Button("清除", variant="secondary", scale=1)  

        with gr.Column(scale=1):  
            # 模型设置侧边栏  
            gr.Markdown("### 模型设置")  

            model_dropdown = gr.Dropdown(  
                choices=["grok-1", "grok-2", "grok-3-beta"],  
                value="grok-3-beta",  
                label="模型"  
            )  

            system_message = gr.Textbox(  
                placeholder="你是一个有用的AI助手...",  
                label="系统消息",  
                lines=4  
            )  

            with gr.Accordion("高级设置", open=False):  
                temperature = gr.Slider(  
                    minimum=0.0,  
                    maximum=1.0,  
                    value=0.7,  
                    step=0.01,  
                    label="温度"  
                )  

                max_tokens = gr.Slider(  
                    minimum=100,  
                    maximum=4000,  
                    value=1000,  
                    step=100,  
                    label="最大令牌数"  
                )  

    # 设置事件处理器  
    submit_btn.click(  
        chat_with_grok,  
        inputs=[msg, chatbot, system_message, model_dropdown, temperature, max_tokens],  
        outputs=[chatbot],  
    ).then(  
        lambda: "",  
        None,  
        msg,  
        queue=False  
    )  

    msg.submit(  
        chat_with_grok,  
        inputs=[msg, chatbot, system_message, model_dropdown, temperature, max_tokens],  
        outputs=[chatbot],  
    ).then(  
        lambda: "",  
        None,  
        msg,  
        queue=False  
    )  

    clear_btn.click(lambda: None, None, chatbot, queue=False)  

# 启动应用  
if __name__ == "__main__":  
    demo.launch()

```

在此示例中，我们使用Gradio的`gr.Blocks()`组件创建了一个聊天机器人UI，用于从AI发送和生成文本输出。使用内置的[blocks](https://www.gradio.app/guides/blocks-and-event-listeners?ref=hubwiz.com)，我们可以将UI划分为消息输入和输出、模型设置和高级设置部分。

运行Python文件**grok\_ui.py**将在您的本地**URL**:[**http://127.0.0.1:7860**](http://127.0.0.1:7860/?ref=hubwiz.com)显示上述聊天机器人界面。

太棒了！👏 使用Gradio创建了您的第一个AI聊天UI。如前所述，Gradio不仅限于构建文本和图像生成界面。您可以轻松地与其他AI应用开发平台集成，为任何用途创建UI。让我们在下一节中使用Gradio创建实时语音界面，让您能够与AI进行[实时语音对话](https://getstream.io/video/voice-calling/?ref=hubwiz.com)。

### 1.3 Gradio：构建实时语音UI

![](https://www.hubwiz.com/blog/content/images/2025/05/image-149.png)

Gradio是构建对话AI UI的绝佳选择。让我们使用其内置组件，利用Hugging Face的FastRTC创建一个实时语音应用。将[FastRTC](https://fastrtc.org/?ref=hubwiz.com)视为OpenAI的[实时API](https://platform.openai.com/docs/guides/realtime?ref=hubwiz.com)的直接竞争对手和替代品。它是一个Python库，允许开发人员为AI构建实时通信应用。本节的界面很简单。我们使用Gradio创建一个语音UI，允许您输入语音并使用FastRTC将其输出回传为回声。

与前面的例子类似，我们创建一个虚拟环境并安装Gradio、FastRTC Python库以及可选依赖项，使用以下终端命令。

```
python -m venv venv  
source venv/bin/activate  
pip install gradio  
pip install fastrtc  

# 安装vad、stt和tts附加组件  
pip install "fastrtc[vad, stt, tts]"

```

接下来，创建一个新的Python文件**gradio\_fastrtc\_voice\_ui.py**并将以下内容填充到其中。

```
from fastrtc import Stream, ReplyOnPause  
import numpy as np  

def echo(audio: tuple[int, np.ndarray]):  
    # 该函数将被传递直到用户暂停的音频  
    # 实现任何迭代器以产生音频  
    # 查看“LLM语音聊天”以获取更完整的示例  
    yield audio  

stream = Stream(  
    handler=ReplyOnPause(echo),  
    modality="audio",   
    mode="send-receive",  
)  
stream.ui.launch()

```

在上面的示例代码中，`stream.ui.launch()`方法启动了一个[内置的Gradio UI](https://www.gradio.app/?ref=hubwiz.com)，用于快速测试和共享您的实时流。运行Python文件后，您应该在终端看到此信息：**正在本地URL上运行:** [**http://127.0.0.1:7860**](http://127.0.0.1:7860/?ref=hubwiz.com)。在浏览器中打开[**http://127.0.0.1:7860**](http://127.0.0.1:7860/?ref=hubwiz.com)以查看类似于上面图片的Gradio语音界面。要启动实时通信，您应该授予访问摄像头的权限。享受😊您的第一个Gradio实时语音UI。

## 1.4 Gradio：与流行的API和LLM库集成

当与OpenAI、Anthropic、xAI等流行的LLM API以及Embedchain和LlamaIndex等库一起工作时，您可以轻松使用Gradio构建项目的前端。参考以下指南和示例开始。

- [Gradio与Llama Index](https://www.gradio.app/guides/chatinterface-examples?ref=hubwiz.com#llama-index)
- [Gradio与Enbedchain](https://docs.embedchain.ai/deployment/gradio%5Fapp?ref=hubwiz.com)
- [Gradio与LangChain](https://www.gradio.app/guides/chatinterface-examples?ref=hubwiz.com#lang-chain)
- [Gradio与OpenAI](https://www.gradio.app/guides/chatinterface-examples?ref=hubwiz.com#open-ai)
- [Gradio与SambaNova](https://www.gradio.app/guides/chatinterface-examples?ref=hubwiz.com#samba-nova)
- [Gradio与Hyperbolic](https://www.gradio.app/guides/chatinterface-examples?ref=hubwiz.com#hyperbolic)
- [Gradio与Anthropic的Claude](https://www.gradio.app/guides/chatinterface-examples?ref=hubwiz.com#anthropics-claude)

## 2、Streamlit：在云端构建和共享AI应用

除了Gradio，另一个构建AI项目UI的优秀开源应用框架是Streamlit。它以其神奇的易用性而闻名。想创建运行LLM的UI吗？将Streamlit与[Ollama](https://ollama.com/?ref=hubwiz.com)连接起来，以访问像[QwQ-32](https://qwenlm.github.io/blog/qwq-32b/?ref=hubwiz.com)这样的开源推理模型。

### 2.1 Streamlit的关键特性和优势

使用Streamlit，只需五行Python代码就可以开始一个完全工作的应用。它允许开发人员通过预构建的小部件扩展他们的应用，并支持即时部署到Web。以下是Streamlit的主要功能亮点。

- **本地LLM支持**：Streamlit与本地和开源模型无缝集成。这意味着您可以快速运行来自Hugging Face的任何[GGUF](https://huggingface.co/docs/hub/en/gguf?ref=hubwiz.com)模型，或者使用Llama.cpp、Llamafile等运行模型。
- **流式传输和模型进度动画**：免费获得漂亮的文本流动画用于输出生成，以及模型生成响应时的加载/状态动画。
- **组件**：超越Streamlit的可能性，通过扩展和集成第三方工具来扩展和整合您的AI应用和LLM。
- **部署**：快速构建可共享的Web应用，无需前端经验即可让用户体验任何浏览器。Streamlit为您的AI应用提供了一个漂亮的Web UI。
- **使用LLM构建Streamlit UI**：由于Streamlit的流行和GitHub上的大量共享代码示例，您可以使用最先进的LLM生成Streamlit代码，以创建多模态AI应用UI。
- **聊天界面**：构建具有交互式实时可视化的生成AI应用UI。
- **LLM构建工具无关**：Streamlit支持所有流行的AI应用构建应用程序，如LangChain、Embedchain、LlamaIndex和代理框架。

### 2.2 构建Streamlit UI以本地运行模型

![](https://www.hubwiz.com/blog/content/images/2025/05/image-150.png)

[本地LLM工具](https://getstream.io/blog/best-local-llm-tools/?ref=hubwiz.com)如[LmStudio](https://lmstudio.ai/?ref=hubwiz.com)或[Ollama](https://ollama.com/?ref=hubwiz.com)非常适合通过应用程序界面和命令行[离线运行](https://getstream.io/blog/local-deepseek-r1/?ref=hubwiz.com)模型，如DeepSeek R1。然而，在大多数情况下，您可能更喜欢拥有一个自己构建的UI来与LLM本地交互。在这种情况下，您可以创建一个Streamlit UI并将其与GGUF或任何Ollama支持的模型连接。

本节采用隐私优先、本地优先的方法克隆[DeepSeek Chat](https://www.deepseek.com/?ref=hubwiz.com) UI并在自定义的Streamlit离线界面中运行DeepSeek R1模型，该界面由Ollama提供动力。请随意下载并使用本节中的代码示例运行其他Ollama支持的模型。总之，我们希望：

- 构建本地Streamlit界面以运行和测试开源模型，避免数据共享的担忧。
- 利用Streamlit的流式处理（打字动画）功能为答案生成提供便利。
- 免费获得一个动画旋转器，当聊天机器人正在生成响应时显示。
- 增强等待答案生成的用户体验，使用动画计时器。

首先，您应该安装以下必需和可选依赖项。

```
# 设置您喜欢的Python虚拟环境   
python -m venv venv  
source venv/bin/activate  

# 安装依赖项  
pip install streamlit  
pip install ollama  

# 使用Ollama下载开源模型   
ollama run deepseek-r1:8b

```

在这里，我们设置了Python虚拟环境，安装了Streamlit和Ollama，并拉取了DeepSeek R1的一个精简版本。

接下来，创建一个Python文件并命名为您想要的名称，**local\_deepseek\_r1\_streamlit.py**。将以下代码添加到您刚刚创建的文件中。

```
import streamlit as st  
import ollama  
import time  

def stream_data(text, delay: float=0.02):  
    for word in text.split():  
        yield word + " "  
        time.sleep(delay)  

# 提示输入  
prompt = st.chat_input("询问DeepSeek R1")  

# 如果不存在，则在会话状态中初始化聊天历史记录  
if "messages" not in st.session_state:  
    st.session_state.messages = []  

# 显示聊天历史记录  
for message in st.session_state.messages:  
    with st.chat_message(message["role"]):  
        st.markdown(message["content"])  

if prompt:  
    # 将用户消息添加到聊天历史记录中  
    st.session_state.messages.append({"role": "user", "content": prompt})  

    # 显示用户的输入提示  
    with st.chat_message("user"):  
        st.markdown(prompt)  

    # 处理  
    with st.chat_message("assistant"):  
        message_placeholder = st.empty()  
        full_response = ""  

        # 在等待初始响应时，使用旋转器流式传输响应  
        with st.spinner("思考...", show_time=True):  
            response = ollama.chat(  
                model="deepseek-r1:8b",   
                messages=[{"role": m["role"], "content": m["content"]} for m in st.session_state.messages],  
                stream=True  # 如果您的ollama版本支持，请启用流式传输  
            )  

            # 如果支持流式传输  
            if hasattr(response, '__iter__'):  
                for chunk in response:  
                    if chunk and "message" in chunk and "content" in chunk["message"]:  
                        content = chunk["message"]["content"]  
                        full_response += content  
                        message_placeholder.markdown(full_response + "▌")  
                message_placeholder.markdown(full_response)  
            else:  
                # 非流式响应的后备方案  
                full_response = response["message"]["content"]  
                # 为了更好的用户体验模拟流式传输  
                for word in stream_data(full_response):  
                    message_placeholder.markdown(full_response[:len(word)] + "▌")  
                message_placeholder.markdown(full_response)  

        # 将助手响应添加到聊天历史记录中  
        st.session_state.messages.append({"role": "assistant", "content": full_response})

```

上述示例代码创建了一个简单的输入字段来捕获用户提示。一旦用户发送提示，我们将流式传输响应生成，使其具有打字效果。聊天机器人在生成响应时显示一个旋转器。Streamlit旋转器还显示一个动画计时器，以模拟输出生成的持续时间。

使用`streamlit run`命令并指定您的Python文件名`streamlit run local_deepseek_r1_streamlit.py`，在[**http://localhost:8501/**](http://localhost:8501/?ref=hubwiz.com)上查看您的本地AI聊天应用。现在，您可以使用任何提示生成类似于下面预览的响应。

![](https://www.hubwiz.com/blog/content/images/2025/05/image-151.png)

感谢Streamlit 🙏，我们免费获得了漂亮的流式传输、旋转器和动画计时器。查看Streamlit网站以获取更多关于[构建AI聊天](https://docs.streamlit.io/develop/tutorials/chat-and-llm-apps?ref=hubwiz.com)和其他框架的LLM应用的集成示例。

## 3、Chainlit：构建对话AI的UI

![](https://www.hubwiz.com/blog/content/images/2025/05/image-152.png)

与Streamlit类似，您可以使用Chainlit创建美观且实用的UI，与AI系统和LLM进行交互。Streamlit可以用于纯Python构建通用的Web应用程序，用于数据操作和AI。然而，Chainlit有一个主要重点，那就是创建AI和LLM应用。如果您想用Python构建通用的Web应用而不是专注于AI，Chainlit可能不适合您。

### 3.1 使用Chainlit的关键特性和优势

Chainlit与外部第三方应用程序和部署选项的广泛集成使其成为构建AI聊天UI的绝佳选择。通过利用Chainlit的监控、可观察性和身份验证机制，与团队更高效地合作，构建安全且可扩展的AI应用。

- **内置监控和分析**：在美丽的仪表板和提示游乐场上监控对Anthropic和OpenAI等模型提供商的API调用。
- **定制**：Chainlit提供了不同的定制选项，帮助您定制创建的UI外观和感觉。执行基本修改，如交换[标志和favicon](https://docs.chainlit.io/customisation/custom-logo-and-favicon?ref=hubwiz.com)。您可以进行[高级主题](https://docs.chainlit.io/customisation/theme?ref=hubwiz.com)定制Chainlit的UI，也可以使用[自定义CSS](https://docs.chainlit.io/customisation/custom-css?ref=hubwiz.com)来主题界面组件。
- **身份验证**：使用行业标准协议（如[OAuth](https://oauth.net/2/?ref=hubwiz.com)）对用户进行身份验证。这意味着您可以使用Google或GitHub等第三方授权服务对用户进行身份验证。Chainlit的另一个很棒的功能是其通过密码/登录对用户进行身份验证的能力。
- **支持的功能**：通过消息、流式传输、音频、聊天历史记录、聊天配置文件、反馈（对LLM的响应进行点赞或点踩，就像在ChatGPT和Grok中一样）等方式与您的AI应用进行交互。
- **集成**：构建Chainlit UI并将其与流行的Python库和API集成，如Mistral AI、Autogen和Haystack。

![](https://www.hubwiz.com/blog/content/images/2025/05/image-153.png)

- 部署：创建Chainlit UI并将其用作独立的AI Web应用，或作为Slack、Discord和Microsoft Teams等应用程序中的功能。

![](https://www.hubwiz.com/blog/content/images/2025/05/image-154.png)

### 3.2 构建Chainlit UI以访问100+ LLM

![](https://www.hubwiz.com/blog/content/images/2025/05/image-155.png)

在本节中，我们创建了一个由LiteLLM平台支持的本地Chainlit UI。[LiteLLM](https://www.litellm.ai/?ref=hubwiz.com)是一个网关，以OpenAI兼容格式提供对数百个LLM的模型访问和支出跟踪。本示例使用Ollama支持的一个DeepSeek R1精简模型进行本地访问。

首先，按照前面章节中的说明安装Ollama，并执行以下操作。

```
pip install chainlit  
pip install litellm

```

接下来，在您喜欢的编辑器中创建一个新的Python文件，并使用以下代码样本填充其内容。

```
import chainlit as cl  
import litellm  

@cl.on_message  
async def on_message(message: cl.Message):  
  msg = cl.Message(content="")  
  await msg.send()  

  system_message = {  
    "role": "system",   
    "content": """你是由deepseek-r1:8b模型驱动的先进AI助手。  

你的优势：  
- 提供清晰、准确且深思熟虑的回复  
- 将复杂主题分解为易于理解的解释  
- 对问题提供平衡的观点  
- 在提供帮助的同时承认自己的局限性  

指导方针：  
- 如果不确定某些事情，请承认而不是编造信息  
- 在适当的情况下，建议用户可能想问的相关问题  
- 保持友好、尊重的态度  
- 当提高可读性时，使用Markdown格式化回复  
"""  
  }  

  response = await litellm.acompletion(  
    model="ollama/deepseek-r1:8b",  
    messages = [  
      system_message,  
      {"role": "user", "content": message.content}  
    ],  
    api_base="http://localhost:11434",  
    stream=True  
  )  

  async for chunk in response:  
    if chunk:  
      content = chunk.choices[0].delta.content  
      if content:  
        await msg.stream_token(content)  

  await msg.update()

```

运行上述Python代码将显示类似于以下预览的Chainlit AI聊天界面。您现在已准备好使用Ollama和LiteLLM支持的DeepSeek R1模型。要测试不同的AI聊天和内容生成模型，例如拉取最新的推理模型[QwQ-32](https://ollama.com/library/qwq?ref=hubwiz.com)，您可以在终端中使用`ollama run qwq`。

![](https://www.hubwiz.com/blog/content/images/2025/05/image-156.png)

## 4、其他用于在Python中构建AI应用UI的框架

如本文前面所述，您可以使用许多不同的解决方案为基于Python的AI应用构建前端。除了上述三种领先库之外，您还可以使用以下框架和其他平台（如[Flask](https://flask.palletsprojects.com/en/stable/?ref=hubwiz.com)）来为AI应用创建Web UI，尽管有些具有比单纯AI更广泛的用途。

- [Messop](https://google.github.io/mesop/?ref=hubwiz.com)：类似于Chainlit和Streamlit，Messop允许开发人员快速使用数十个UI[组件](https://google.github.io/mesop/components/?ref=hubwiz.com)在Python中创建AI应用。虽然它不像上述UI构建框架那样广泛使用和功能丰富，但其[Github](https://github.com/google/mesop?ref=hubwiz.com)仓库表明Google的一个工程团队正在使用它。
- [FastHTML](https://fastht.ml/?ref=hubwiz.com)允许开发人员完全使用Python构建现代Web应用程序，而不必接触JavaScript或React。顾名思义，开始使用FastHTML更快。然而，它没有预构建的UI组件和样式。要充分利用此框架，需要了解[HTMX](https://htmx.org/?ref=hubwiz.com)并使用CSS库（如[Tailwind](https://tailwindcss.com/?ref=hubwiz.com)和[Bootstrap](https://getbootstrap.com/?ref=hubwiz.com)）进行UI样式设计。
- [Reflex](https://reflex.dev/?ref=hubwiz.com)：使用Python构建AI应用的前端和后端。Reflex网站上有AI图像生成和聊天机器人的实现示例。

## 5、结束语

为AI应用程序构建聊天UI的框架选择需要考虑许多因素，包括功能、可扩展性、与其他AI技术和平台的集成以及部署选项。

本文探讨了使用行业领先的平台（如Gradio、Streamlit和Chainlit）构建AI应用程序聊天UI的实际示例。希望您享受了每个AI UI构建框架解锁的不同用途和能力。

---

原文链接：[The 3 Best Python Frameworks To Build UIs for AI Apps](https://medium.com/@amosgyamfi/the-3-best-python-frameworks-to-build-uis-for-ai-apps-08619d53d281?ref=hubwiz.com)

汇智网翻译整理，转载请标明出处