Cómo un agente ensambló una galería 3D de París usando dos Hugging Face Spaces

Resumen

Un agente automatizado construyó una galería 3D de monumentos de París sin que su autor ejecutara un generador de imágenes ni herramientas de reconstrucción 3D en su máquina. ¿Cómo fue posible? El agente llamó directamente a dos Hugging Face Spaces: uno para generar imágenes de los monumentos y otro (VAST-AI/TripoSplat) para convertir cada imagen en una reconstrucción 3D tipo “Gaussian splat” (.ply), luego armó y desplegó el visor como un Space estático.

Este experimento es un ejemplo práctico de lo que algunos llaman la “economía de bloques”: proyectos multimedia construidos ensamblando componentes documentados y accesibles en vez de integrar modelos y librerías desde cero.

Qué son los Spaces y por qué importan

Hugging Face Hub aloja miles de modelos y muchos se exponen como Spaces interactivos (generalmente con Gradio). Lo decisivo aquí es que cada Space Gradio incluye un archivo agents.md en texto plano que describe cómo invocarlo: la URL del esquema API, el endpoint de llamadas, cómo subir archivos y la forma de sondear resultados. Con ese archivo, un agente puede orquestar un Space sin integración manual.

El agente utilizado en el experimento leyó el agents.md de cada Space y ejecutó las llamadas necesarias: crear imágenes, subirlas y pedir la reconstrucción 3D. Entre las instrucciones típicas figuran:

• el esquema de la API (info)
• endpoint de llamada POST para invocar funciones del Space
• endpoint para hacer polling del resultado
• endpoint para subir archivos (-F “files=@file.ext”)
• nota de autenticación: Bearer $HF_TOKEN

No hubo necesidad de una librería cliente ni de pasos de configuración complejos: con un token HF el agente podía conducir el flujo.

El flujo práctico: de prompt a splat 3D

El pipeline encadenó dos Spaces en serie:

1. Generación de imagen: a partir de un prompt, el primer Space produjo fotografías “especimen” de cada monumento en fondo oscuro; en algunos casos el agente pidió variaciones específicas, por ejemplo un modelo de la Torre Eiffel montado sobre un pedestal.
2. Reconstrucción 3D: el Space VAST-AI/TripoSplat tomó cada imagen aislada y generó una malla de Gaussian splats (.ply) reconstruida desde una sola vista.

Después de obtener los .ply, el agente efectuó varias tareas de ajuste y optimización:

• corrigió la orientación (TripoSplat entrega salidas con eje Y hacia abajo, así que el agente las enderezó)
• auto-encuadró cada monumento para que se vieran bien en escena
• comprimió los .ply a formato .ksplat reduciendo el tamaño en aproximadamente 3× para una carga más rápida
• construyó un visor en Three.js con controles “scroll-to-switch” y rotación por arrastre
• desplegó todo como un Space estático

El resultado final fue una galería navegable: el usuario ve el monumento, puede girarlo y cambiar entre piezas con desplazamiento, todo sin que el desarrollador haya manipulado directamente los modelos o herramientas de reconstrucción.

Reutilización rápida: de París a cualquier otra colección

La verdadera prueba de la economía de bloques es la facilidad para reproducir el resultado. Con el mismo pipeline en funcionamiento, generar galerías para otros países se convirtió en cuestión de cambiar el prompt:

• “Crea una Space similar con splats para Japón”
• “Crea una Space para monumentos de Egipto”

En cada caso el agente repitió el proceso: seis imágenes, seis splats, compresión, visor y despliegue. El coste marginal de un nuevo conjunto multimedia se reduce a describirlo en unas pocas palabras.

Por qué esto cambia la forma de construir software multimedia

Varios puntos clave emergen de este experimento que resultan relevantes para equipos técnicos y tomadores de decisión en América Latina:

• Menor fricción de integración: la dificultad histórica no era tanto entrenar o ejecutar modelos, sino integrar distintos componentes (SDKs, pesos, GPUs, formatos). agents.md transforma Spaces en bloques invocables con reglas claras.

• Composición entre modelos: modelos de diferentes organizaciones (por ejemplo, un generador de imágenes y un reconstructivo 3D) pueden encadenarse sin código adicional, lo que habilita soluciones mixtas y colaborativas.

• Agentes como ensambladores: los agentes no solo automatizan llamadas; también pueden aplicar heurísticas, corregir salidas, optimizar formatos y desplegar aplicaciones completas. Eso convierte a los agentes en una capa de orquestación poderosa.

• Reducción del costo de prototipado: para startups, agencias creativas o dependencias públicas en la región, esto significa poder pasar más rápido de idea a prototipo funcional con menos inversión en infraestructura.

Limitaciones y consideraciones prácticas

El experimento también muestra límites inherentes:

• Reconstrucción desde una sola imagen tiene ambigüedades: el modelo infiere el reverso del objeto y puede dar resultados inesperados en geometrías complejas.
• Algunos objetos no “splattean” bien: superficies muy reflectantes o estructuras delicadas (piramides de cristal, obeliscos muy delgados) requieren ajustes iterativos.
• Se requiere documentación precisa: los agentes prefieren Spaces con agents.md claro; sin esa documentación, la opción más accesible podría quedar fuera del flujo.

Estas limitaciones no restan valor al enfoque; son ejemplos de pasos donde un agente puede retroalimentarse y pedir cambios hasta lograr una salida aceptable.

Implicaciones para América Latina

Para la región, el enfoque tiene aplicaciones prácticas: museos digitales, patrimonio cultural interactivo, campañas de turismo virtual y experiencias educativas. Equipos con recursos limitados pueden prototipar experiencias ricas sin invertir en GPU ni en pipelines complejos: bastan prompts bien diseñados, acceso a Spaces documentados y un agente que coordine llamadas.

Además, la disponibilidad de modelos con pesos abiertos en el Hub facilita la auditoría y adaptación a necesidades locales, como estilos visuales específicos o contenidos patrimoniales.

Cómo empezar (breve guía)

1. Identifiquen Spaces relevantes en Hugging Face Hub y comprueben que contienen agents.md.
2. Preparar un token HF (HF_TOKEN) para autenticación.
3. Diseñar prompts que produzcan imágenes aisladas y limpias en fondo neutro.
4. Configurar el agente para: llamar al Space de imágenes, subir resultados al Space de reconstrucción, procesar y optimizar las salidas, y desplegar el visor.

Si prefieren, pueden probar el ejemplo público que acompaña el experimento (mishig/monuments-de-paris) para entender el flujo completo.

Conclusión

Este caso muestra un cambio práctico en la forma de construir experiencias multimedia: ya no es necesario levantar cada modelo y pipeline desde cero. Con bloques bien documentados y agentes que los ensamblan, el coste de crear aplicaciones multimedia ricas se acerca al coste de describir la experiencia. Para organizaciones en América Latina, eso abre oportunidades para experimentar y desplegar productos digitales de alto impacto con menos barreras técnicas.