Hướng dẫn dùng AI

Làm demo AI trong vài chục dòng bằng Gradio

Gradio là thư viện Python mã nguồn mở để dựng nhanh trang demo cho mô hình AI hoặc bất kỳ hàm Python nào, không cần biết HTML, CSS hay JavaScript. Viết một hàm, bọc bằng một dòng, là có trang web với ô nhập và kết quả, hoặc một khung chat. Bài này giới thiệu hai cách dùng chính theo hướng dẫn chính thức của Gradio, dựng một chatbot giải thích lỗi Python có chữ hiện dần, và nói khi nào chọn Gradio, khi nào chọn Streamlit.

Ý chính
  • Gradio bọc một hàm Python thành trang web: gr.Interface cho hàm có đầu vào và đầu ra, gr.ChatInterface cho chatbot.
  • Hàm của ChatInterface nhận tin nhắn mới và lịch sử theo đúng thứ tự đó; lịch sử là danh sách các mục có vai và nội dung.
  • Dùng yield trong hàm để chữ hiện dần; mỗi lần yield thay câu trả lời bằng bản dài hơn.
  • Chạy ở máy bạn bằng launch; muốn người khác thử thì tạo đường dẫn chia sẻ tạm hoặc đưa lên Hugging Face Spaces.

Bài này dựa trên trang Quickstart và hướng dẫn làm chatbot của Gradio, cùng trang Gradio Spaces của Hugging Face, đọc ngày 11/11/2026.

Gradio là gì

Theo trang Quickstart, Gradio là gói Python mã nguồn mở để nhanh chóng làm demo hay ứng dụng web cho một mô hình học máy, một API, hay bất kỳ hàm Python nào, không cần kinh nghiệm về JavaScript, CSS hay lưu trữ web. Bạn nghĩ theo hàm: hàm nhận gì, trả gì. Gradio lo phần giao diện cho các đầu vào và đầu ra đó.

Với người học AI, đây là cách nhanh nhất để biến một mô hình vừa huấn luyện, hay một đoạn code gọi API, thành thứ người khác bấm thử được. Một demo chạy được thường thuyết phục hơn nhiều so với một kho mã chỉ có README.

Hai cách dùng chính

gr.Interface. Nhận ba thứ chính: hàm cần bọc, các thành phần đầu vào, các thành phần đầu ra. Số thành phần đầu vào khớp số tham số của hàm, số thành phần đầu ra khớp số giá trị trả về. Ví dụ hàm nhận một ảnh và trả nhãn dự đoán: đầu vào là thành phần ảnh, đầu ra là thành phần nhãn.

gr.ChatInterface. Dành cho chatbot. Theo hướng dẫn của Gradio, hàm nhận hai tham số theo thứ tự: tin nhắn mới nhất của người dùng (chuỗi) và lịch sử hội thoại. Lịch sử là danh sách các mục kiểu từ điển có khóa vai và nội dung, có thể kèm thông tin khác. Hàm trả về câu trả lời. Nếu hàm dùng yield thay vì return, mỗi lần yield thay câu trả lời đang hiện bằng bản mới, tạo hiệu ứng chữ hiện dần, và nút gửi tạm thành nút dừng.

Khi gọi launch, ứng dụng chạy ở máy bạn, mặc định ở cổng 7860.

Gradio: hàm Python thành trang demo Không cần viết HTML, CSS, JavaScript gr.InterfaceHàm có đầu vào, raô nhập, ô kết quả gr.ChatInterfaceHàm (tin nhắn, lịch sử)yield để hiện dần launch()Chạy ở máy bạncổng 7860 Chia sẻshare hoặc Spacescho người khác thử Theo hướng dẫn chính thức của Gradio, đọc 11/11/2026
Gradio: hàm Python thành trang demo gr.InterfaceHàm có đầu vào, raô nhập, ô kết quả gr.ChatInterfaceHàm (tin nhắn, lịch sử)yield để hiện dần launch()Chạy ở máy bạncổng 7860 Chia sẻshare hoặc Spacescho người khác thử Theo hướng dẫn chính thức của Gradio, đọc 11/11/2026
Hình 1. Gradio biến hàm Python thành trang demo, không cần viết HTML, CSS, JavaScript: gr.Interface cho hàm có đầu vào và đầu ra, thành ô nhập và ô kết quả; gr.ChatInterface cho hàm nhận tin nhắn và lịch sử, dùng yield để hiện dần; launch chạy ở máy bạn, cổng 7860; chia sẻ bằng đường dẫn share hoặc đưa lên Spaces cho người khác thử. Theo hướng dẫn chính thức của Gradio, đọc 11/11/2026.

Ví dụ: chatbot giải thích lỗi Python

Đoạn code dưới đây dựng một chatbot: học sinh dán thông báo lỗi và đoạn code, mô hình giải thích nguyên nhân, chỉ dòng sai, gợi ý sửa mà không viết lại cả chương trình. Hàm tra_loi đúng chữ ký mà ChatInterface cần, gọi Claude ở chế độ truyền dần và yield chữ đã có sau mỗi đoạn; khi luồng kết thúc, nó xem lý do dừng và thêm một dòng báo nếu câu trả lời bị cắt vì chạm max_tokens hay bị từ chối, để chữ dở dang không trông như đã trả lời xong. max_tokens để rộng vì phần suy nghĩ của mô hình cũng tính vào đó. Hàm doi_lich_su đổi lịch sử của Gradio sang định dạng Messages API. Từ Gradio 6, content của mỗi mục là một danh sách khối ({"type": "text", ...} cho chữ, {"type": "file", ...} cho tệp) chứ không còn là chuỗi như Gradio 5, nên hàm lay_chu nhận cả hai dạng, lấy phần chữ và bỏ tệp đính kèm. Sau đó doi_lich_su chỉ giữ vai người dùng hoặc trợ lý, cắt bớt lượt cũ, bảo đảm bắt đầu bằng người dùng, và gộp hai tin liền nhau cùng vai vì API không nhận như vậy.

"""Demo chatbot giải thích lỗi Python bằng Gradio (gr.ChatInterface), trả lời truyền dần.

Hàm tra_loi(message, history) đúng thứ tự tham số mà gr.ChatInterface cần; history là danh sách dict có role và content.
Mỗi lần yield trả về toàn bộ chữ đã có, Gradio thay câu cũ bằng câu mới nên chữ hiện dần.
Cài: python -m pip install gradio anthropic ; đặt ANTHROPIC_API_KEY ; chạy: python demo_gradio.py
"""
import os

HE_THONG = ("Bạn giải thích lỗi Python cho học sinh: nêu nguyên nhân bằng một câu, chỉ dòng sai, gợi ý cách sửa. "
            "Không viết lại cả chương trình.")
TOI_DA_LUOT = 6


def tao_client():
    if not os.environ.get("ANTHROPIC_API_KEY"):
        raise RuntimeError("Chưa có ANTHROPIC_API_KEY. Đặt biến môi trường rồi chạy lại.")
    import anthropic
    return anthropic.Anthropic()


def lay_chu(noi_dung):
    """Lấy phần chữ của một mục lịch sử. Gradio 5 để content là chuỗi; từ Gradio 6 content là danh sách khối
    ({"type": "text", "text": ...} cho chữ, {"type": "file", ...} cho tệp). Tệp đính kèm thì bỏ."""
    if isinstance(noi_dung, str):
        return noi_dung
    if isinstance(noi_dung, list):
        return "\n".join(k["text"] for k in noi_dung
                         if isinstance(k, dict) and k.get("type") == "text" and k.get("text"))
    return ""


def doi_lich_su(history, message):
    """Đổi lịch sử của Gradio sang định dạng Messages API: chỉ giữ role user/assistant có nội dung chữ, tối đa vài lượt."""
    tin = [{"role": h["role"], "content": lay_chu(h.get("content"))} for h in history
           if h.get("role") in ("user", "assistant")]
    tin = [t for t in tin if t["content"]]
    tin = tin[-2 * TOI_DA_LUOT:]
    while tin and tin[0]["role"] != "user":
        tin = tin[1:]
    gop = []  # API không nhận hai tin liền nhau cùng vai: gộp lại
    for t in tin + [{"role": "user", "content": message}]:
        if gop and gop[-1]["role"] == t["role"]:
            gop[-1] = {"role": t["role"], "content": gop[-1]["content"] + "\n" + t["content"]}
        else:
            gop.append(t)
    return gop


def tra_loi(message, history, client=None):
    client = client or tao_client()
    da_co = ""
    # Haiku 5.5 suy nghĩ trước khi trả lời, và token suy nghĩ tính vào max_tokens dù không hiện ra, nên để rộng chỗ.
    # max_tokens chỉ là mức trần: bạn trả tiền cho số token thật sự sinh ra; truyền dần nên không lo hết giờ chờ.
    with client.messages.stream(model="claude-haiku-5-5", max_tokens=16000, system=HE_THONG,
                                messages=doi_lich_su(history, message)) as luong:
        for doan in luong.text_stream:
            da_co += doan
            yield da_co
        ly_do = luong.get_final_message().stop_reason
    # Báo người xem khi câu trả lời chưa xong, thay vì để chữ dở dang (hay ô trống) trông như đã trả lời.
    if ly_do in ("max_tokens", "model_context_window_exceeded"):
        yield (da_co + "\n\n" if da_co else "") + "(Câu trả lời bị cắt giữa chừng. Hãy hỏi gọn hơn.)"
    elif ly_do == "refusal":
        yield (da_co + "\n\n" if da_co else "") + "(Mô hình từ chối trả lời câu này.)"
    elif not da_co.strip():
        yield "(Mô hình không trả về chữ nào. Hãy thử lại.)"


def tao_app():
    import gradio as gr
    return gr.ChatInterface(
        fn=tra_loi,
        title="Giải thích lỗi Python",
        description="Dán thông báo lỗi và đoạn code liên quan. Câu trả lời do AI tạo, có thể sai.",
    )


if __name__ == "__main__":
    tao_app().launch()

Chạy tệp sẽ mở trang chat ở máy bạn. Bộ thử đi kèm bài không mở máy chủ: nó gọi thẳng hàm tra_loi với client giả trả ba đoạn chữ và kiểm tra ba lần yield cho ra chuỗi dài dần; kiểm hàm đổi lịch sử với các trường hợp khó như có mục ảnh, lịch sử dài, hai tin cùng vai liền nhau; và dựng đối tượng ChatInterface để chắc mọi thứ ghép đúng.

Điểm đáng học là tách phần xử lý ra khỏi phần giao diện. Hàm tra_loi là Python thuần, thử được không cần trình duyệt; giao diện chỉ là một dòng bọc nó. Đổi từ Gradio sang khung khác chỉ phải viết lại dòng đó.

Demo cho mô hình tự huấn luyện

Không phải demo nào cũng gọi API. Giả sử bạn vừa huấn luyện một mô hình phân loại bình luận thành tích cực hay tiêu cực. Hàm dự đoán nhận một chuỗi và trả về nhãn kèm xác suất. Bọc nó bằng gr.Interface với đầu vào là ô chữ và đầu ra là thành phần hiển thị nhãn, bạn có ngay trang cho người khác gõ thử. Với mô hình phân loại ảnh, đổi đầu vào thành thành phần ảnh; người xem kéo thả ảnh vào là thấy kết quả.

Hai điều nên làm với mô hình tự huấn luyện. Nạp mô hình một lần ở đầu tệp, ngoài hàm dự đoán, để mỗi lần bấm không phải nạp lại. Và kiểm đầu vào trong hàm: chuỗi rỗng, ảnh quá lớn, định dạng lạ; trả về thông báo dễ hiểu thay vì để chương trình báo lỗi kỹ thuật.

Ví dụ mẫu và nhận phản hồi

Người xem demo thường không biết nên nhập gì. Cả Interface và ChatInterface đều cho thêm danh sách ví dụ hiện dưới khung nhập; bấm vào là điền sẵn. Chọn ví dụ cho thấy cả điểm mạnh lẫn giới hạn: một câu mô hình xử lý tốt, một câu khó, một câu ngoài phạm vi để thấy mô hình từ chối đúng cách. Khi cho bạn bè thử, nhờ họ ghi lại những đầu vào cho kết quả sai; đó là dữ liệu quý để thêm vào bộ đánh giá và cải thiện mô hình.

Chia sẻ demo

Trang Quickstart mô tả hai cách cho người khác dùng thử. Truyền tham số chia sẻ khi gọi launch để Gradio tạo một đường dẫn công khai, trong khi mô hình vẫn chạy trên máy bạn; hợp để gửi nhanh cho bạn bè xem, nhưng máy bạn phải bật và ai có đường dẫn cũng dùng được, kể cả gọi API bằng khóa của bạn. Cách thứ hai là đưa lên Hugging Face Spaces, nơi Quickstart gọi là chỗ lưu ứng dụng Gradio phổ biến nhất và miễn phí; trang Gradio Spaces của Hugging Face hướng dẫn tạo một Space chạy ứng dụng Gradio từ kho mã.

Khi demo gọi API mô hình có tính phí, đặt khóa trong phần cấu hình bí mật của Space, không ghi trong mã; đặt hạn mức chi tiêu ở tài khoản API; và giới hạn độ dài đầu vào. Xem bài Hugging Face là gì để biết thêm về Spaces.

Gradio hay Streamlit

Cả hai đều làm giao diện web bằng Python. Gradio nghĩ theo hàm và các thành phần đầu vào, đầu ra, nên rất nhanh để demo một mô hình: ảnh vào, nhãn ra; câu hỏi vào, câu trả lời ra. Streamlit nghĩ theo trang chạy lại từ trên xuống, hợp với ứng dụng nhiều phần, bảng số liệu, biểu đồ, nhiều bước. Bài chatbot Streamlit dựng một chatbot tương tự bằng Streamlit để bạn so sánh. Với demo một mô hình cho portfolio, Gradio thường là lựa chọn nhanh nhất.

Demo cho portfolio

Một demo tốt cho người xem hồ sơ cần: mô tả ngắn ở đầu trang nói demo làm gì và giới hạn của nó; vài ví dụ bấm vào là chạy, để người xem không phải nghĩ cần nhập gì; thông báo rõ khi đầu vào không hợp lệ; và đường dẫn tới kho mã có README. Ghi rõ câu trả lời do AI tạo, có thể sai. Xem thêm bài portfolio AI trên GitHub.

Cẩn thận
  • Viết khóa API trong mã demo rồi đưa lên kho công khai hay Space.
  • Gửi đường dẫn chia sẻ tạm cho nhiều người mà không giới hạn đầu vào và chi phí.
  • Đưa nguyên lịch sử của Gradio vào API mà không lọc mục không phải chữ, không gộp tin cùng vai.
  • Viết hết xử lý trong phần giao diện, không thử được riêng.
  • Demo không có ví dụ, người xem không biết nhập gì.

Câu hỏi thường gặp

Gradio có miễn phí không?

Thư viện là mã nguồn mở. Lưu trữ trên Hugging Face Spaces có gói miễn phí; chi phí gọi API mô hình là phần riêng bạn tự trả.

Gradio làm được giao diện phức tạp không?

Có khối Blocks để tự bố trí nhiều thành phần. Với ứng dụng rất phức tạp, khung web đầy đủ vẫn phù hợp hơn.

Demo có chạy mô hình trên máy mình được không?

Được. Hàm có thể gọi mô hình chạy trên máy thay vì API; giao diện không đổi.

Đường dẫn chia sẻ tạm có an toàn không?

Ai có đường dẫn đều dùng được demo trong lúc máy bạn bật. Đừng dùng cách này cho dữ liệu nhạy cảm.

Học tiếp

Nếu bạn muốn học Python và AI bài bản cùng giảng viên, tham khảo khóa học AI của Big-O Coding.

Muốn học bài bản cùng giảng viên?

Khóa AI – Introduction to Machine Learning: nền tảng Máy học từ thuật toán cơ bản đến Neural Networks và LLM, học bằng Python. Học thử buổi 1 miễn phí.

Xem Khóa AI

Nguồn tham khảo

Chia sẻ: Facebook LinkedIn
Nhắn Zalo tư vấnZalo Gọi 0937 401 483