研究原型与交互演示

研究 Demo 的第一目标是验证输入、推理和输出是否闭环，而不是复刻正式产品。先用 Python 原型获得反馈；当权限、交互、性能和品牌要求变复杂时，再开发独立前后端。

Streamlit

Streamlit 适合数据仪表盘和带状态的分析工具。脚本在交互时可能重新执行，因此昂贵模型使用缓存资源，用户状态使用 session state，副作用必须显式控制。

python

import streamlit as st

st.title('Experiment explorer')
threshold = st.slider('Threshold', 0.0, 1.0, 0.5)
st.write({'threshold': threshold})

上传文件要限制大小和类型，输出要转义，公开部署不要把凭据或未授权数据放进代码与缓存。

Gradio 围绕模型函数快速生成输入输出组件：

python

import gradio as gr

def predict(text: str) -> str:
    return text.upper()

gr.Interface(fn=predict, inputs='text', outputs='text').launch()

Blocks 适合更复杂布局、事件和状态。队列、并发限制、超时和取消要与模型资源匹配；公开分享链接适合临时演示，不应默认承载敏感数据或长期服务。

ipywidgets 在 Notebook 内添加滑块、下拉框和按钮，适合探索参数对图表或模型输出的影响。Widget 状态依赖前端和 Kernel，交付时仍应提供环境、数据和从头执行说明。

出现多用户权限、持久数据库、复杂路由、无障碍要求、稳定 API、审计或独立发布时，应把模型逻辑提取为后端服务，再用正式前端或桌面端消费。无论使用哪种 Demo，都要显示模型版本、输入限制、失败状态和结果免责声明。