Hugging Face gjenskaper AUTOMATIC1111 som Gradio-arbeidsflyt med 73 noder

AUTOMATIC1111s stable-diffusion-webui delte bildegenerering i faner: txt2img, img2img, Extras og PNG Info, med inpaint-masker du malte for hånd. Yuvraj Sharma og Abubakar Abid viser på Hugging Face-bloggen hvordan de har gjenskapt det meste av funksjonssettet som Workflow1111, en graf med 11 pipelines og 73 noder bygget med gr.Workflow. Modellkallene går mot din egen kvote når du logger inn med Hugging Face-kontoen.

Alt bygges av fire operatortyper: fn er en Python-funksjon, model kaller en modell via InferenceClient, space kaller en annen Gradio Space og dataset henter en rad fra Hub. Inpaint-masken lager detektoren DETR for deg, mens Qwen2.5-VL overtar Interrogate-knappen som CLIP hadde. Av 36 operatornoder er 32 fn-noder, og 22 av dem kjører uten nettverkskall.

«Det er ingen egendefinert node involvert, i motsetning til i ComfyUI. I en Gradio-arbeidsflyt er LLM-en og diffusjonsmodellen begge vanlige model-operatorer på samme lerret.» — Yuvraj Sharma og Abubakar Abid, Hugging Face

For deg som bygger agenter er endepunktene poenget. Hver utdata-node blir et REST-endepunkt uten håndskrevne ruter, ni i Workflow1111, og med mcp_server=True dukker de opp som verktøy Claude Code, Cursor eller en annen MCP-klient kan kalle. Hver bruker sender egen token i X-HF-Token-headeren, så Spacen lagrer ingen nøkler. En fn-node er bare Python, så den kan også laste en lokal checkpoint og kjøre på ditt eget GPU.

Hva bør du gjøre?

1. Dupliser Workflow1111-Spacen og bytt ut modellen i én av de 11 pipelinene med den du selv bruker.
2. Start appen med mcp_server=True og koble den til Claude Code hvis agenten din skal generere eller analysere bilder som del av en større oppgave.
3. Legg tunge steg i en fn-node som laster modellen lokalt, og kjør .launch() på egen maskin hvis du vil slippe kvoten hos Inference Providers.