这篇文章解决了一个非常现实的问题：做多模态AI应用，大部分时间都花在了集成上——装SDK、配GPU、调输入格式，而不是真正做产品。作者想做一个3D巴黎景点展示网站，自己没写一行生成代码，没部署一个模型，全靠一个coding agent把两个Hugging Face Space串起来就搞定了。这种集成成本才是阻碍AI应用落地的真正痛点。

核心解法极其聪明，简单说就是每个Gradio Space都内置了一个plain-text的**agents.md**文件。这个文件就是一个标准化接口说明书，告诉agent怎么调用：API端点在哪、参数怎么传、文件怎么上传、怎么轮询结果。agent读了这个文件就能直接驱动整个Space，不需要装任何客户端库。更妙的是可以链式调用——**一个Space的输出直接喂给下一个Space**。这个例子里agent先调图像生成Space出图，再调3D重建Space把单张图变成高斯泼溅，全程零集成代码。

我的判断是，这很可能是未来多媒体软件的标准构建方式。**模型变成可组合的积木块**，而agents.md就是让这些积木块能被agent发现和使用的钥匙。在这个架构下，做一个新应用的成本降低到了描述它的成本——你只需要跟agent说“做一个日本景点的3D画廊”，它就会自己去调Space链、做压缩、搭Three.js预览器。集成不再是瓶颈，定义产出的品味和想法才是。