技能介绍

要解决什么问题

模型或脚本跑在 notebook 里时，非工程同事很难试参数、看结果。Gradio 用 Python 把函数包成网页上的输入/输出组件，适合快速做 demo、内部工具或 Hugging Face Space 原型，而不必从零写前后端。

技能如何组织内容

技能按 Gradio 的三种核心模式 展开：

Interface：高级封装，把「一个函数 + 若干输入/输出组件」直接变成可运行页面。
Blocks：低级布局，用显式事件绑定（如按钮 click）串起多步逻辑和复杂界面。
ChatInterface：面向聊天机器人的 UI 封装，与 Chatbot 等组件配合。

文档中还整理了 关键组件的构造函数签名（如 Textbox、Number、Slider、Image、Audio、Video、File、Chatbot、Button 等），便于在写代码或让模型补全参数时对照 label、interactive、streaming、sources 等常见字段。

指南索引指向更细的主题：快速开始、Interface 类、Blocks 与事件监听、布局控制、流式输入/输出、分享应用、自定义 CSS/JS 与 HTML 组件，以及 Python/JS 客户端入门。

适用边界

技能侧重 API 与模式说明，不是 Gradio 全站教程；复杂鉴权、生产级部署与性能调优需结合官方文档自行扩展。组件签名会随 Gradio 版本变化，以你环境中的实际类型提示为准。

截图预览

使用场景

算法工程师把本地 `predict()` 包成 Gradio 页面，让产品同事上传图片即可看分类结果，不必单独写 React 前端。
研究者用 **Blocks** 把按钮点击与流式文本输出绑在一起，在 Hugging Face Space 上展示生成过程而非只给最终字符串。
团队要把内部 LLM 对话脚本改成浏览器可访问的 demo，用 **ChatInterface** 与 `Chatbot` 快速搭出可试 prompt 的界面。
评审或汇报前，用 **Interface** 把 `Slider`、`Number` 与推理函数连起来，现场调参并即时刷新输出，替代反复运行 notebook 单元格。

适合人员

维护 PyTorch/Transformers 推理代码、需要把模型交给业务试用的机器学习工程师
在 Hugging Face Space 发布 demo、要对照 `Image`、`Audio` 等组件 `sources` 与 `streaming` 参数的数据平台或 MLOps 同学
每周向业务演示模型效果、要把 notebook 推理逻辑快速 web 化的算法研究员或数据科学家
搭建 LLM 聊天原型、需查 `Chatbot` 与 Blocks 事件绑定签名的后端或全栈开发者