Hugging Face 官方博客 8 月 25 日发了一篇 gr.Workflow 的指南，作者是 yuvraj sharma 和 Abubakar Abid。
做法是这样。把流水线定义成一张有类型端口的节点图，Gradio 直接渲染成可拖拽的画布，每个节点能单独运行并显示中间值。节点分三类，references 是输入，operators 是执行步骤，subjects 是输出。operator 可以是自己写的 Python 函数、Hugging Face Inference Providers 上的模型、另一个 Gradio Space，或者 Hub 数据集里的一行。
最小写法只有一句，gr.Workflow 传进 bind 参数再 launch。
接口这一层是白送的。每个输出会按自己的标签自动变成 REST 端点，HTTP 路由形如 /gradio_api/call/ 加端点名。文中出现的端点名有 word_count、fahrenheit、edited_image、sticker、voiceover 和 episode_title。用 gradio_client 调的时候，纯函数端点不需要 token，模型或 Space 支撑的端点要传 hf_ 开头的 token。
示例 Space 给了五个。gr-workflow-image-editor 是单节点调 Qwen-Image-Edit，gr-workflow-04-ai-media-studio 在一张画布上串两次 Inference Provider 调用加两次 Gradio Space 调用并暴露三个端点，另外还有生成艺术实验室、数据侦探和 ZeroGPU 动画三个。
ZeroGPU 那个示例值得单说。绑定函数上加 @spaces.GPU 装饰器，每次调用申请 GPU、用完释放，节点内部跑 LTX-Video 蒸馏版，gr.Workflow 本身完全不需要知道 GPU 怎么配。
数据侦探示例走 Datasets Server 接口，把一个数据集 ID 扇出到四个 operator 节点，分别出概览卡、首批行预览、逐列统计和分布图，样例数据集用的是 IMDB 和推特情感抽取。部署一条命令发到 Spaces，官方推荐的上手方式是打开 demo 点 Duplicate 再改线。