AI Agent 如何像搭积木一样「拼」出一个 3D 巴黎画廊？

前几天，Hugging Face 的一位工程师 Mishig 展示了一个很有意思的实验：他让一个 coding agent 自动生成了一个展示巴黎名胜的 3D 画廊。最酷的是，他全程没打开任何图像生成器或 3D 工具，只是给了一个指令。Agent 自己调用了两个 Hugging Face Space——一个负责生成 2D 图像，另一个负责将图像重建为 3D 高斯泼溅（Gaussian Splats）——然后把结果拼成一个可交互动画。

这背后的机制，值得我们认真聊聊。

起因：为什么现在值得关注？

这个实验恰好印证了 Mitchell Hashimoto 提出的一个概念：「积木块经济」（building block economy）。他觉得，AI 最擅长的不是从头写代码，而是把现有的、经过验证的小块「粘合」在一起。这个趋势最早出现在代码库领域，现在终于刮到了多媒体 AI 这边。

想想看，你要用顶级的图像模型、视频模型、TTS 或者 3D 重建模型，最麻烦的往往不是模型本身，而是集成过程：SDK、GPU、输入格式轮询……这些脏活累活。但是，如果每个模型都变成一个文档化的、可调用的「积木块」，那 Agent 就能像拼乐高一样，把它们串起来。

Hugging Face Spaces 恰好为此铺好了路。

拆解：Agent 是怎么做到的？

秘诀在于一个叫 agents.md 的纯文本文件。现在，每一个 Gradio Space 都会自动生成这样一个文件，告诉 Agent 如何调用它。你可以直接 curl 这个地址：https://huggingface.co/spaces/<作者>/<Space名>/agents.md，里面包含了完整的 API schema、调用端点、轮询方式、文件上传方法，以及授权信息。没有复杂的客户端库，Agent 读完这个文件就能直接操控 Space。设置一个 HF_TOKEN，就可以开始跑。

但真正的魔法是「串联」。一个 Space 的输出文件，可以直接变成下一个 Space 的输入。在这个巴黎画廊的例子中，Agent 先把每个巴黎地标的文字描述喂给一个叫「ideogram-ai/ideogram4」的图像生成 Space，得到干净的 2D 图片；接着，把这些图片文件作为输入，传给「VAST-AI/TripoSplat」这个 3D 重建 Space，最终输出几组 3D 高斯泼溅文件；最后，再用一段简单的 HTML 代码把这些 3D 文件嵌入一个可旋转、缩放的查看器。全程无需人类动手。

趋势洞察：多媒体的「积木块时代」来了

这件事揭示出一个深层趋势：AI 能力正在从模型、框架，走向标准化的可调用服务。Hugging Face 上有成千上万个开源模型，它们一旦部署为 Space，并且暴露 agents.md，就相当于在 App Store 里上架了一个个 API 积木。

这跟我们从单体应用到微服务的演变很像。过去你想做一个 3D 展示，得懂摄影测量、点云处理、GPU 优化；现在，你只需要给 Agent 一个需求，它会自己去发现合适的 Space、理解如何调用、拼接流水线。开发的门槛急剧降低，而可能性的爆发才刚刚开始。

更值得关注的是，这种模式特别适合开源社区。任何开发者都可以把自己的模型部署成 Space，然后通过简单的 agents.md，让全世界的 Agent 都能调用它。这会不会催生一个「Agent 优先」的模型市场？

实用价值：你现在能做什么？

如果你是开发者，现在就可以去尝试。找一个你想用的模型，在 Hugging Face 上找到它的 Space，然后试一试 curl 那个 agents.md 端点。你可以手动模拟 Agent 的调用过程，或者直接让 GPT、Claude 这类 Agent 去读文件、生成调用脚本。很多以前需要几天搞定的集成，现在可能几分钟就通了。

如果你有自己训练的模型，也可以考虑部署成 Space 并加上 agents.md，让它变成生态里的一个可组合积木。说不定哪天就被某个 Agent 选中，拼进了一个意想不到的产品里。

反常识：简单到被忽略的「文本文件」成了关键

我们通常认为 AI 时代的接口应该是高度结构化的 GraphQL 或者复杂的 SDK。但 agents.md 偏偏是再简单不过的纯文本，就像 Markdown 一样。可正是这种简单，让它成了 Agent 的「世界语」：不需要解析复杂的网页或 API 文档，一行 curl 就能获取全部信息。它提示我们：未来 AI 工具之间的沟通，可能并不需要复杂的协议，而是一份人人都能读懂、Agent 也能直接执行的说明书。

当 AI 能够自动阅读说明书、自己动手拼装，我们离真正的软件自动化还远吗？

原文地址: How an Agent Built a 3D Paris Gallery by Chaining Two Hugging Face Spaces