当代理构建 3D 巴黎画廊：通过链接两个 Hugging Face Spaces 实现

来源：Hugging Face Blog 作者：Mitchell Hashimoto 提出的“积木经济”视角解读 发布时间：2026 年 6 月 9 日

背景

近期，Mitchell Hashimoto 提出了一种被称为“积木经济”（building block economy）的转变：软件构建最有效的路径不再是打磨完美的单体应用，而是由小型、文档完善的组件构成，这些组件由他人（越来越多地由 AI 代理）组装而成。他的核心观察是：AI 擅长从头构建一切，但更擅长将经过验证的片段粘合在一起。

这一论点此前主要通过代码库来阐述，但同样的力量正在冲击多媒体 AI。使用最先进的图像模型、视频模型、文本转语音（TTS）模型或 3D 重建模型时，难点从来不是模型本身，而是集成工作：SDK、权重、GPU、输入格式和轮询机制。如果每个模型都能成为一个文档完善、可调用的模块，代理就能像组合 npm 包一样将它们粘合起来。

Hugging Face Spaces 正在悄然成为这种模块化的载体。Hub 托管了数千个最先进的模型（其中很大一部分是开放权重），大多数都部署为交互式 Spaces。如今，每个 Gradio Space 都暴露出一个纯文本文件 agents.md，明确告诉代理如何调用它：无需客户端库，无需硬编码集成，代理只需读取该文件即可端到端驱动 Space。

核心内容

本文作者要求一个编码代理（coding agent）构建一个展示巴黎地标建筑的精美网站，这些地标以 3D 高斯溅射（3D Gaussian splats）的形式呈现。在这个过程中，作者从未打开过图像生成器，也从未接触过 3D 重建工具。代理通过直接调用两个 Hugging Face Spaces 生成了所有资产（图像和 3D 溅射体），并将它们连接到一个电影级的查看器中。

技术实现流程

整个管道由两个核心 Spaces 链接而成，实现了从提示词到图像的转换，再到 3D 重建的完整流程：

1. 图像生成阶段：

   • 使用 ideogram-ai/ideogram4 Space。
   • 输入：地标名称提示词。
   • 输出：干净的、深色背景的“标本”式照片。例如，埃菲尔铁塔被生成为一个放置在底座上的小微缩模型。
   • 代理生成了六张源图像，所有图像均隔离在黑色背景上，专为单图像 3D 重建准备。

2. 3D 重建阶段：

   • 使用 VAST-AI/TripoSplat Space。
   • 输入：上一步生成的单张图像。
   • 输出：从单张图像重建的 3D 高斯溅射体（.ply 格式）。

代理的“粘合”工作

除了调用模型，代理还完成了关键的集成和优化工作：

• 数据修正：注意到 TripoSplat 的输出是 Y 轴向下（Y-down）的，代理将其翻转直立。
• 自动构图：自动为每个地标调整框架。
• 格式优化：将 .ply 文件压缩为 .ksplat 格式，体积缩小约 3 倍，从而加快加载速度。
• 前端构建：使用 Three.js 构建查看器，实现了“滚动切换”和“拖拽旋转”的用户界面。
• 部署：将整个项目部署为静态 Space。

人机协作模式

在这个过程中，人类的输入仅限于“品味层面”的调整，例如：“拉远镜头”、“用更适合溅射重建的物体替换方尖碑”、“过渡停留时间太长”。代理在运行过程中对现实情况做出了反应：宽大的玻璃金字塔重建效果不佳，细长的方尖碑显得单调，单视图重建会推断背面信息。这正是一种“外包研发、快速迭代”的循环，只不过研发过程变成了一次对话。

如何复现

你可以将任何代理指向 Space 的 agents.md 文件来尝试构建类似项目：

• 图像生成：curl https://huggingface.co/spaces/ideogram-ai/ideogram4/agents.md
• 单图像转 3D 高斯溅射：curl https://huggingface.co/spaces/VAST-AI/TripoSplat/agents.md

将上述链接粘贴到编码代理（如 Claude Code 等）中，设置 HF_TOKEN，即可要求代理构建内容。该画廊的完整可复现管道及脚本均托管在 Space 仓库中。

关键要点

• 模型变得可组合：来自不同组织的最先进溅射模型和最先进图像模型，通过零集成代码直接链接。Hub 的开放权重目录转变为一个可调用的多媒体原语库。
• 代理偏好文档完善且易达的资源：agents.md 使得 Space 变得极易访问，因此代理会选择它，而不是需要手动设置的模型。这与 Hashimoto 指出的开源库动态相同。
• 集成壁垒已基本消除：“将提示词转化为旋转的 3D 地标”曾经是一个独立的项目，现在只是管道中的一个步骤。
• 代理即开发者：代理能够自动处理数据格式转换、文件压缩、前端 UI 构建和部署，无需人类干预底层技术细节。
• 快速迭代循环：通过代理与模型的实时交互，可以快速发现并修正重建中的问题（如视角、物体形状对重建的影响），形成高效的研发闭环。

意义与影响

这篇文章不仅是关于一个特定 3D 画廊项目的技术展示，更是对未来多媒体软件构建方式的预览。它揭示了几个重要的趋势：

1. 从单体到组件的范式转移：软件开发正从构建庞大的单体应用转向组装小型、文档完善的组件。这种“积木经济”模式降低了软件构建的门槛，提高了效率。
2. AI 代理的核心价值在于集成：AI 在从头构建复杂系统方面仍有局限，但在将经过验证的、文档完善的模块粘合在一起方面表现出色。agents.md 的标准化使得这种集成变得自动化和规模化。
3. 多媒体 AI 的民主化：通过消除集成壁垒，复杂的 3D 重建、图像生成等多媒体任务变得易于访问。任何拥有创意想法的人，只需通过自然语言与代理交互，即可生成高质量的多媒体内容。
4. Hub 作为多媒体操作系统的潜力：Hugging Face Hub 不再仅仅是模型托管平台，而是演变为一个包含可执行、可调用、可组合的多媒体原语的生态系统。agents.md 是这一生态系统的关键接口标准。
5. 人机协作的新形态：人类角色从技术执行者转变为创意指导者和品味评判者。代理处理技术细节，人类专注于创意方向和最终效果的质量控制。这种协作模式将极大释放人类的创造力。

总之，这篇文章展示了 AI 代理如何通过链接标准化的、文档完善的组件，快速构建复杂的多媒体应用。这不仅改变了软件开发的方式，也为多媒体内容的创作和消费带来了革命性的变化。