Hugging Face用Gradio Workflow复刻AUTOMATIC1111：73 个节点、11 条管线
Workflow1111把stable-diffusion-webui的大部分功能重建为一张工作流画布，每个输出节点自动变成REST端点，同时也能作为MCP工具供AI助手调用。
AI解读：对普通用户来说，最实际的变化是访问门槛：用Hugging Face账号登录或提供access token后，模型调用走调用者自己的配额，不需要本地GPU就能跑文生图、放大、重绘、打标、抠图、图生视频等流程。想改流程的人可以直接Duplicate这个Space再重新连线。
对开发者更关键的是接口：画布上每个输出节点都自动生成REST端点，Workflow1111共暴露 9 个，包括 /image、/recovered_prompt、/detected_objects、/png_info等；开启mcp_server=True后这些端点又变成MCP工具，Claude Code、Cursor等MCP客户端可以直接调用。
需要留意边界：文中的自动化指的是把检测结果转成inpaint掩码、把生成参数写回PNG等，原文并没有给出这些管线在画质或效率上优于AUTOMATIC1111的对比数据，所以这更像一次架构演示，而不是“A1111被取代”的结论。
Hugging Face博客发布了Workflow1111，用Gradio Workflow把AUTOMATIC1111的stable-diffusion-webui的大部分功能集重建为一张工作流画布。按原文描述，这是一张由 11 条媒体管线、73 个节点组成的工作流图。
要运行这些管线，用户需要用Hugging Face账号登录或提供access token；登录后模型调用走用户自己的配额。文章也提供了另一个选项：复制（Duplicate）这个Space，然后按自己的用例重新连线。
文章给出的节点由四类运算符组成：fn是Python函数，model通过InferenceClient调用模型，space是另一个Gradio Space，dataset是Hub数据集里的一行。每个画布节点封装一个运算符，运算符的输入输出就是可连边的端口。
文生图与高清修复：PNG参数写入元数据
文生图是核心管线，控件和A1111的txt2img标签页一致：负面提示词、steps、CFG、seed、宽高，外加一个选择checkpoint的model_id字段。提示词先经过一个prompt-builder的fn节点，追加所选风格预设并清理文本，再进入通过Inference Providers调用checkpoint的model节点。
高清修复在AUTOMATIC1111里是先放大txt2img输出、再跑一遍去噪；在Workflow1111里变成两节点绕行：文生图结果送入FLUX.1-Kontext模型节点，指令为“增强细节与微纹理，保持构图不变”，返回更清晰、更大的图。同一个Kontext节点同时充当图生图标签页：上传图片、描述想要的修改，返回编辑后的图。
出口处的一个后处理fn节点会把生成参数写入PNG的元数据，这正是PNG Info管线之后读回的内容，包括提示词、负面提示词、steps、CFG、seed、图像尺寸和模型。
提示词双向处理与自动掩码
“让LLM写提示词”管线从粗略提示词出发，例如“暴风雨中的灯塔”，发送给Qwen3-4B模型节点，再由一个小fn节点把回复变成干净的标签列表，上限四十个，示例输出为“stormy sea, wet rocks, dramatic composition, low angle shot, volumetric lighting, ominous tone”。文章强调这里没有自定义节点，不像ComfyUI；在Gradio工作流里，LLM和扩散模型都是同一画布上的普通model运算符。
反向读取对应A1111的Interrogate按钮，但用VLM而不是CLIP：Qwen2.5-VL看一张夜市照片，写出可能生成这张图的提示词；同时一个ViT分类节点读取同一张图，返回标签，如restaurant 51.9%、tobacco shop 15.6%、toyshop 9.1%。两个节点共用同一個图像输入，gr.Workflow并行运行它们，因此大致只花运行一个的时间就得到两个答案。
检测转inpaint掩码试图免去手绘掩码：DETR在一张街景照片中找到六个对象（三个人、一只狗、一辆自行车和一辆车），随后工作流分两支，一支把检测框画在原图上，另一支把它们转成可送入下游inpaint管线的掩码。绘制和掩码生成都用Pillow和NumPy在本地完成，只有检测调用离开本机。
提示词矩阵、放大与背景移除
提示词矩阵对应A1111的prompt matrix：基础提示词“a lone oak tree”由fn节点与四个后缀（日出时、雷暴中、银河下、秋雾里）组合，每个变体送入各自的文生图节点，最后一个节点把四张结果拼成一张联系表。文章说明gr.Workflow没有循环运算符，所以四个文生图节点并排在同一画布上，由于处于相同依赖深度而并行运行，四张图同时开始生成。
放大与背景移除对应Extras标签页。画布上有两个放大节点，路径不同：第一个是fn节点里的本地Lanczos重采样，无需网络调用，速度取决于Pillow的缩放速度；第二个是AuraSR ×4，也是画布上第一个space节点，调用Hub上的一个Space，并把结果当作普通节点输出。背景移除同理，BRIA RMBG-2.0是另一个space节点，整个模型放在自己的Space里，画布只负责调用。
注释器、PNG Info与图生视频
注释器包括Canny、线稿、素描、亮度深度和色调分离，这些原本来自A1111的ControlNet扩展。在Workflow1111里，每个都是纯NumPy写的fn节点，背后没有模型。文章称在一张预载的建筑立面示例照片上，每个注释器在CPU上约需半秒。文章还给出统计：应用里共有 36 个运算符节点，其中 32 个是fn节点，22 个完全在进程内运行、不发起网络调用；断开网络时，大约三分之二的画布仍能工作。由于它们是普通Python函数，也可以不经过画布、服务器或GPU直接测试。
PNG Info沿用A1111的做法：把生成细节存进PNG的parameters文本块，再由PNG Info标签页读回，Workflow1111由文生图管线上的后处理节点写入、由该管线读出。
图生视频方面，PNG Info读取的图像节点同时接入一个Wan 2.2 I2V A14B节点做动画，演示例子是一只睡觉的狐狸醒来并开始活动。没有第二个上传框，因为一个参考节点可以按需供给任意多个下游管线，所以一次上传就能在同一画布上既被读元数据、又被做成动画。
自备GPU、REST端点与MCP工具
文章指出，前面所有模型调用都发生在别人的硬件上，通过Inference Providers或Space完成，这也是没有GPU也能构建并运行Workflow1111的原因。但fn节点就是Python，同样可以在本地加载模型、跑在自己的GPU上。文中以FastVideo/fastvideo-fasth3-preview为例，它运行FastH3——MiniMax-H3的四步蒸馏版本，在ZeroGPU上生成带音轨的视频。整个应用归结为一个绑定函数，带 @spaces.GPU(duration=get_duration, size=GPU_SIZE) 装饰器，再用gr.Workflow(bind={"generate": generate, "status": status}).launch() 启动。ZeroGPU在需要时给函数一块GPU，调用结束就释放，gr.Workflow本身不需要知道这些，只是调用fn节点。文章称这也不限于Spaces：把bind= 指向一个加载本地checkpoint的函数，在自己的机器上运行 .launch()，Workflow1111画布就能驱动自己的GPU。
画布上每个输出节点都会变成REST端点，无需手写路由。Workflow1111暴露九个：/image、/edited_image、/generated_prompt、/recovered_prompt、/detected_objects、/x_y_grid、/upscaled_local、/annotator_map和 /png_info。文中给出的客户端调用示例通过gradio_client的Client连接ysharma/Workflow1111，并传入oauth_token，predict参数依次为提示词、负面提示词、风格预设、高清修复细化指令，api_name为 /image。
同样的端点也是MCP工具：以mcp_server=True启动后，每个输出节点都会成为一个AI助手可调用的工具。把Claude Code、Cursor或任何MCP客户端指向服务器URL即可，配置里包含url和X-HF-Token头。文章说明每个调用者发送自己的token，Space本身不持有token。这样代理就能把生成图像、读回提示词、运行检测当作更大任务中的步骤，不需要胶水代码。
与ComfyUI的定位差异，以及如何自己搭
文章承认AUTOMATIC1111提供了功能清单，但真正会被拿来和Gradio Workflow比较的是ComfyUI，因为两者都是节点图。文中列举的差异是：节点可以是你并不拥有的硬件，可以走Inference Providers、调用Hub上任何Space或任何API，也可以从数据集取数据，Workflow1111正是因此无需自备GPU；每个输出都会成为带类型的REST端点，端点由工作流图生成；访客可以用自己的身份运行工作流，打开OAuth并分享公开URL后，任何人无需安装即可登录使用；同一张画布可以混合模型与模态，扩散模型、LLM、VLM、检测器和视频模型都能放进同一个工作流；需要自定义时写一个Python函数即可，自定义节点本身就是Python函数，能做什么取决于Python。
文末给出的起步方式：Workflow1111有 73 个节点，但最初只是import gradio as gr、定义一个函数文本、再执行gr.Workflow(bind=[your_function]).launch()。bind= 把函数变成节点，edges= 连接它们，.launch() 在浏览器里打开画布以便继续编辑，准备好后用gradio deploy把整个东西部署到Space。指南包含JSON schema和所有运算符类型的完整细节。也可以直接从Workflow1111复制，选十一条管线之一改动：删除节点、替换模型、重新连线。