Bạn đã bao giờ cố gắng biến một Jupyter notebook thành một thứ mà sếp của bạn có thể nhấp vào mà không cần hỏi, "Tại sao cái này lại ở Comic Sans?" Đó là lời hứa của Streamlit: lấy Python của bạn, rắc một vài st.’s, và—bùm—bạn đã có một ứng dụng web mà các bên liên quan của bạn sẽ không bỏ chạy. Trong bài đánh giá Streamlit này, tôi đã xây dựng nhiều ứng dụng, làm hỏng một vài ứng dụng, giải thích nó cho ba người không phải là nhà phát triển và buộc bản thân phải xuất xưởng một thứ gì đó vào thứ Sáu. Đây là những gì đã xảy ra, những gì Streamlit làm được, nơi nó phì phò, và liệu nó có nên là lựa chọn hàng đầu của bạn cho các ứng dụng dữ liệu vào năm 2025 hay không.
Streamlit là gì—không cần quảng cáo
Streamlit là một framework Python mã nguồn mở, biến các script thành các ứng dụng web tương tác—một cách nhanh chóng. Bạn viết Python, thêm các thành phần như thanh trượt, biểu đồ, trình tải tệp và khung dữ liệu, và Streamlit xử lý UI, trạng thái và phục vụ. Sức hấp dẫn cốt lõi: không yêu cầu HTML/CSS/JS. Ứng dụng của bạn trông khá ổn ngay khi xuất xưởng và triển khai với sự phức tạp tối thiểu. Vâng, giống như những video "bữa ăn 15 phút"—ngoại trừ cái này đôi khi thực sự mất 15 phút..
Tại sao bài đánh giá này dành cho bạn (và sếp của bạn, người cứ hỏi về một bảng điều khiển)
- Bạn là một nhà khoa học dữ liệu, người từ chối học React nhưng muốn xuất xưởng một thứ gì đó có thể sử dụng được.
- Bạn tạo mẫu các công cụ AI và cần một bản demo có thể nhấp được ngay lập tức.
- Bạn đang so sánh Streamlit với Dash, Gradio và Shiny và tự hỏi ai sẽ bỏ rơi bạn ở quy mô lớn.
- Hoặc bạn là sếp. Chào bạn! Điều này sẽ giúp bạn ngừng yêu cầu "chỉ là một cổng thông tin nhanh" như thể đó là một ly latte.
Streamlit speedrun: xây dựng một ứng dụng thực tế trong một buổi chiều
Tôi đã xây dựng ba ứng dụng nhỏ nhưng có thật:
- Một trình giải thích CSV: Tải lên, lập hồ sơ, biểu đồ, lọc, xuất. Bảng điều khiển "Tôi thề là tôi đã kiểm tra dữ liệu".
- Một sân chơi mô hình ngôn ngữ: Nhắc, tham số, lịch sử phản hồi và các chỉ số đánh giá đơn giản.
- Một trình giải thích tỷ lệ khách hàng rời đi: Các giá trị SHAP, lát cắt và thanh trượt "what-if" cho các nhà quản lý sản phẩm, những người thích đòn bẩy.
Thời gian để có được ấn tượng đầu tiên: 12 phút. Thời gian để có được ràng buộc đầu tiên: 47 phút. Điều thứ hai rất quan trọng. Sự quyến rũ của Streamlit là bạn nhanh chóng đạt được "cái này có thể trình diễn được". Thách thức của nó là bạn nhanh chóng đạt đến "làm thế nào để tôi làm cho cái này tùy chỉnh hơn một chút?"
Ưu điểm thực sự quan trọng vào năm 2025
- Tạo mẫu nhanh chóng một cách vô lý: Nó giống như lò vi sóng của các ứng dụng dữ liệu. Không phải là món ăn ngon—nhưng bữa tối của tôi nóng và trên bàn..
- Luồng gốc Python: Không cần chuyển đổi ngữ cảnh sang các framework front-end. Bộ não của bạn vẫn ở trong vùng đất pandas.
- Các widget đi kèm: Các nút, thanh trượt, tab, cột, trình mở rộng, biểu đồ—bạn sẽ sử dụng 80% UI của mình từ menu mặc định.
- Quản lý trạng thái mà không khiến bạn phải khóc: session_state đủ đơn giản cho hầu hết các nhu cầu của ứng dụng.
- Các mặc định "trông ổn": Nó sẽ không giành được các giải thưởng thiết kế, nhưng các bên liên quan của bạn sẽ gật đầu và yêu cầu thêm biểu đồ. Đó là một chiến thắng.
- Các tùy chọn chia sẻ dễ dàng: Tích hợp Community Cloud và Snowflake giúp "nhấp để triển khai" bớt ảo tưởng hơn..
Nhược điểm bạn cảm thấy ngay khi bạn cho người khác xem
- Bố cục phức tạp cần công sức: Hai cột? Đáng yêu. Một bảng điều khiển đáp ứng, hoàn hảo đến từng pixel? Bạn sẽ phải vật lộn với CSS và các thành phần tùy chỉnh.
- Hiệu suất ở quy mô lớn: Các dataframe lớn, các model nặng và quá nhiều lần chạy lại có thể khiến ứng dụng của bạn khó thở.
- Trải nghiệm ngoại tuyến hoặc hoàn hảo cho thiết bị di động bị hạn chế: Đó là một ứng dụng web—hoạt động trên điện thoại, có, nhưng không được thiết kế cho UX cấp độ di động.
- Sự mơ hồ của nhà cung cấp nếu bạn cần "doanh nghiệp": Mã nguồn mở của Streamlit rất vững chắc; để lưu trữ, nhiều người dựa vào các nền tảng khác hoặc bối cảnh Snowflake. Giá cả và các câu chuyện về doanh nghiệp có thể cảm thấy rời rạc bên ngoài lõi mã nguồn mở. .
Nơi Streamlit tỏa sáng so với Dash, Gradio và Shiny
- Streamlit so với Dash: Dash cung cấp cho bạn nhiều quyền kiểm soát hơn (và sự phức tạp). Nếu bạn muốn một bảng điều khiển "thiết kế trước" với khả năng kiểm soát bố cục chính xác, Dash vẫn là bạn của bạn. Nếu bạn muốn tốc độ, sự hài lòng của nhà phát triển và ít bộ phận chuyển động hơn, Streamlit là người bạn yêu thích trong tuần đầu tiên của bạn.
- Streamlit so với Gradio: Gradio rất tuyệt vời cho các bản demo ML—đầu vào/đầu ra, các widget nhanh, chia sẻ nhanh. Streamlit vượt lên phía trước cho các ứng dụng đầy đủ hơn—nhiều trang, trạng thái tùy chỉnh, xử lý dữ liệu phong phú hơn.
- Streamlit so với Shiny: Shiny sở hữu đám đông R và đã trưởng thành các mẫu doanh nghiệp. Streamlit là tương đương Python với một đường dốc thân thiện hơn cho những người làm ML/dữ liệu.
Bối cảnh năm 2025: Không chỉ là các ứng dụng đồ chơi nữa
Câu chuyện "nó là một món đồ chơi" đang trở nên cũ kỹ. Streamlit đã tốt nghiệp từ "thử nghiệm thú vị" thành "gần như sản xuất" trong nhiều nhóm—đặc biệt là đối với các công cụ nội bộ và các thử nghiệm tính năng AI. Xử lý phiên tốt hơn, ứng dụng nhiều trang, bộ nhớ đệm và hệ sinh thái các thành phần đã phát triển. Nó có phải là framework ứng dụng tiêu dùng tỷ đô tiếp theo của bạn không? Không. Nó có phải là bảng điều khiển phân loại AI nội bộ hoặc cổng thông tin thông tin chi tiết bán hàng tiếp theo của bạn không? Rất có thể. .
Thực hành: cảm giác xây dựng như thế nào (và nơi nó cắn)
- Câu đố bố cục: Bạn sẽ thích các cột và tab—cho đến khi bạn cần các lưới đáp ứng phức tạp. Sau đó, bạn đang Google "các thành phần tùy chỉnh Streamlit" như một gremlin lúc 1 giờ sáng.
- Model chạy lại: Model "chạy lại khi tương tác" của Streamlit lúc đầu hơi khó hiểu nhưng dễ lý luận. Trạng thái giải quyết rất nhiều vấn đề. Nó cũng có thể dẫn đến tính toán lại lén lút nếu bạn không lưu vào bộ nhớ đệm một cách thông minh.
- Bộ nhớ đệm và hiệu suất: Sử dụng st.cache_data và st.cache_resource như bạn dùng chỉ nha khoa—thường xuyên và có chủ ý. Một chút bộ nhớ đệm biến "ugh" thành "ahh."
- Tệp và tải lên: Trình tải tệp rất chắc chắn. Đối với sự hỗn loạn nhiều GB, hãy sử dụng bộ nhớ đám mây và đọc lười biếng.
- Xác thực và vai trò: Bạn sẽ tự triển khai hoặc sử dụng xác thực cấp nền tảng. Có thể làm được, nhưng không thú vị.
Triển khai Streamlit vào năm 2025: các tùy chọn của bạn
- Community Cloud: Tuyệt vời cho các bản demo, nguyên mẫu, hackathon và chia sẻ với những người bạn vẫn còn nợ bạn cà phê..
- Tự lưu trữ và PaaS: Docker + đám mây bạn chọn hoạt động tốt. Các lựa chọn phổ biến bao gồm cơ sở hạ tầng đám mây chung hoặc các máy chủ ứng dụng; bạn sẽ tìm thấy vô số hướng dẫn và mẫu ở đó.
- Liên kết Snowflake: Nếu dữ liệu của bạn đã nằm trong Snowflake, việc triển khai Streamlit ở đó sẽ giảm bớt những cơn đau đầu "nguồn dữ liệu của tôi là gì?".
- Các nền tảng của bên thứ ba: Có các dịch vụ được quản lý để khởi động Streamlit cho bạn—tiện dụng khi người DevOps của bạn đang ở trên bãi biển, một lần nữa..
Kiểm tra thực tế về giá cả
Mã nguồn mở là miễn phí. Lưu trữ là nơi bạn sẽ cân nhắc chi phí: cơ sở hạ tầng của riêng bạn, các dịch vụ của bên thứ ba hoặc các thiết lập được hỗ trợ bởi Snowflake. Community Cloud trong lịch sử đã cung cấp một con đường miễn phí cho các ứng dụng đơn giản, nhưng các nhóm cần SLA, SSO và khả năng mở rộng nâng cao thường tìm kiếm ở nơi khác hoặc mang đám mây của riêng họ. Dịch: ứng dụng của bạn rẻ; nhóm tuân thủ của bạn thì không. .
Các trường hợp sử dụng thực tế mà Streamlit làm được
- Phân tích nội bộ: Bảng điều khiển hoạt động bán hàng, KPI sản phẩm, các kịch bản tài chính. Một tệp Python, ba biểu đồ, tiếng thở phào nhẹ nhõm tập thể.
- Bản demo AI/ML: Các công cụ LLM, bộ phân loại hình ảnh, thử nghiệm nhanh A/B. PM thích nhấp vào mọi thứ—hãy cho họ các nút.
- Cổng thông tin khám phá dữ liệu: Tải lên, làm sạch, lập hồ sơ, xuất. Tạm biệt, sự hỗn loạn của bảng tính; xin chào, sự thật được xã hội hóa.
- Giáo dục và hội thảo: Sinh viên thấy phản hồi tức thì; người hướng dẫn thấy ít sự cố "nó hoạt động trên máy của tôi" hơn.
Khi nào không nên chọn Streamlit
- Bạn cần UI hoàn hảo đến từng pixel, được đánh bóng theo thương hiệu với các tương tác front-end phức tạp.
- Các ứng dụng nhiều người chơi, thời gian thực với các websocket nặng và đồng bộ hóa phức tạp.
- Thiết bị di động gốc hoặc ngoại tuyến là bắt buộc.
- Bạn đang lên kế hoạch biến nguyên mẫu của mình thành một SaaS quy mô lớn, cấp độ người tiêu dùng mà không có nhóm front-end. Đừng làm điều đó với chính bạn. Hoặc người dùng của bạn.
Đường cong học tập Streamlit: từ số không đến bảng điều khiển
- Ngày 1: Bạn đang xuất xưởng một ứng dụng đang hoạt động. Vâng, thực sự.
- Ngày 3: Bạn đã học được bộ nhớ đệm, biểu mẫu, nhiều trang và trạng thái. Bạn là người hùng của văn phòng.
- Ngày 7: Bạn đang hỏi về xác thực, khả năng hiển thị dựa trên vai trò và "làm cách nào để tôi làm cho nút này có màu xanh lá cây?" Xin chúc mừng, bây giờ bạn quan tâm đến front end.
Sider.AISider.AI Mẹo chuyên nghiệp (lời khuyên thông thường)
Đáng chú ý: Nếu bạn muốn nhận được hướng dẫn chuyên môn trong khi xây dựng, Sider.AISider.AI có thể giúp soạn thảo các mẫu thành phần, đề xuất các chiến lược bộ nhớ đệm và thậm chí tạo các đoạn mã cho các luồng UI Streamlit—nhanh hơn bạn có thể nói "tại sao ứng dụng của tôi lại chạy lại?" Nó giống như có một phi công phụ thân thiện, người sẽ không đánh giá tên biến của bạn. Bộ công cụ sinh tồn hiệu suất: năm bản sửa lỗi bạn sẽ thực sự sử dụng
- Lưu vào bộ nhớ đệm mọi thứ hợp lý: Tải dữ liệu, các đối tượng model, nhúng. CPU của bạn sẽ gửi một giỏ trái cây.
- Sử dụng biểu mẫu cho các tương tác theo nhóm: Ngăn chặn việc chạy lại cho đến khi người dùng sẵn sàng. Ít hỗn loạn hơn, kiểm soát nhiều hơn.
- Phân trang các bảng lớn: Không hiển thị toàn bộ kho dữ liệu của bạn trong một dataframe duy nhất. Trình duyệt của bạn sẽ nổi dậy.
- Chuyển công việc nặng nhọc ra khỏi luồng chính: Công nhân nền, các lệnh gọi không đồng bộ hoặc tiền xử lý ngoại tuyến.
- Lập hồ sơ sớm: Một vài thời gian in giúp bạn thoát khỏi hàng ngàn tin nhắn Slack.
Sổ tay tùy chỉnh: làm cho nó trông như bạn đã cố gắng
- Cài đặt chủ đề: Một chút chủ đề đi một chặng đường dài—màu sắc thương hiệu, phông chữ và khoảng cách nhất quán.
- Các thành phần: Kéo vào bản đồ, biểu đồ phong phú hoặc thậm chí các bit React tùy chỉnh. Chỉ cần nhớ: mỗi phần tùy chỉnh đều làm tăng thuế phức tạp.
- Các ứng dụng nhiều trang: Chia ứng dụng của bạn thành các trang như các chương. Người dùng sẽ cảm ơn bạn. Mã của bạn cũng vậy.
Bảo mật và quản trị: phần không hào nhoáng
- Quản lý bí mật: Sử dụng các biến môi trường và kho tiền, không phải mã thông báo được mã hóa cứng. Vâng, bạn trong tương lai đang đọc cái này.
- Kiểm soát truy cập: Proxy ngược, OAuth hoặc SSO nền tảng. Nhận trợ giúp nếu bạn đang xử lý dữ liệu nhạy cảm.
- Khả năng kiểm tra: Ghi nhật ký các hành động của người dùng phía máy chủ. Ảnh chụp màn hình không phải là dấu vết kiểm tra (xin lỗi, tuân thủ).
Lời phán quyết của Streamlit trong một đoạn văn lộn xộn, trung thực
Streamlit là cách nhanh nhất để đi từ ý tưởng Python đến ứng dụng có thể chia sẻ và đó là siêu năng lực của nó. Đối với các nguyên mẫu, công cụ nội bộ, bản demo AI và bảng điều khiển, đó là một cú ném bóng rổ. Đối với các thương hiệu hoàn hảo đến từng pixel, tính đồng thời cao hoặc độ phức tạp cấp độ người tiêu dùng, bạn sẽ vượt qua nó—hoặc bạn sẽ bắt đầu gắn các thành phần tùy chỉnh và băng keo DevOps. Vào năm 2025, nó ít "đồ chơi" hơn và "ngựa thồ đáng tin cậy" hơn cho các nhóm dữ liệu cần cung cấp thứ gì đó có thể sử dụng được ngay bây giờ và tinh chỉnh sau. .
(Quá dài; Tái cấu trúc Dash): bạn có nên sử dụng Streamlit?
- Có, nếu: bạn đang ở trong Python, bạn cần thứ gì đó có thể chia sẻ trong tuần này và bạn coi trọng tốc độ hơn độ chính xác pixel.
- Có thể, nếu: điều này sẽ hướng đến khách hàng và cảnh sát thương hiệu của bạn mang theo bảng kẹp giấy.
- Không, nếu: bạn cần nhiều người chơi, thời gian thực, logic front-end tùy chỉnh nặng hoặc thiết bị di động gốc. Những người bạn React của bạn sẽ gọi lại cho bạn—cuối cùng.
Phải làm gì tiếp theo (kế hoạch sáng thứ Hai của bạn)
- Tạo nguyên mẫu quy trình làm việc hàng đầu của bạn trong Streamlit. Giới hạn thời gian trong hai giờ.
- Thêm bộ nhớ đệm và nhiều trang tối thiểu. Xuất xưởng cho một đối tượng nội bộ nhỏ.
- Thu thập phản hồi, ghi nhật ký những gì chậm và quyết định: đánh bóng trong Streamlit hoặc tốt nghiệp lên một front end chuyên dụng. Không cảm thấy tội lỗi theo cách nào.
Lời cuối cùng
Streamlit không chỉ dân chủ hóa việc xây dựng ứng dụng cho những người làm dữ liệu—nó còn làm cho UI web cảm thấy… dễ tiếp cận. Giống như đổi hộp số sàn lấy hộp số tự động. Bạn sẽ không khắc các đỉnh, nhưng bạn sẽ đến nơi bạn sẽ đến nhanh hơn, với ít gian hàng hơn. Và đôi khi, đó chính xác là những gì vận chuyển trông như thế nào.
Câu hỏi thường gặp
Câu hỏi 1: Streamlit có tốt cho các ứng dụng sản xuất vào năm 2025 không?
Đối với các công cụ nội bộ và bảng điều khiển AI/dữ liệu, có—Streamlit đáng tin cậy và nhanh chóng để xuất xưởng. Đối với các ứng dụng cấp độ người tiêu dùng với thiết kế hoàn hảo đến từng pixel, xác thực phức tạp và tính đồng thời cao, bạn có thể sẽ tốt nghiệp lên một ngăn xếp front-end đầy đủ sau khi tạo nguyên mẫu.
Câu hỏi 2: Streamlit so sánh với Dash hoặc Gradio như thế nào?
Streamlit ưu tiên tốc độ và sự đơn giản, Dash cung cấp khả năng kiểm soát bố cục chi tiết hơn và Gradio vượt trội trong các giao diện demo ML nhanh chóng. Chọn Streamlit khi bạn muốn một ứng dụng Python đầy đủ nhưng đơn giản mà không cần vật lộn với front end.
Câu hỏi 3: Cách tốt nhất để triển khai ứng dụng Streamlit là gì?
Sử dụng Community Cloud hoặc Snowflake để chia sẻ nhanh hoặc chứa và triển khai vào đám mây yêu thích của bạn để kiểm soát nhiều hơn. Lõi mã nguồn mở là miễn phí; các tính năng lưu trữ và doanh nghiệp sẽ phụ thuộc vào nền tảng và nhu cầu tuân thủ của bạn.
Câu hỏi 4: Làm cách nào để tăng tốc một ứng dụng Streamlit chậm?
Lưu vào bộ nhớ đệm dữ liệu tải và các đối tượng model, thực hiện hàng loạt các thao tác tốn kém và chỉ chạy lại khi gửi biểu mẫu. Phân trang các bảng lớn và cân nhắc chuyển công việc nặng nhọc sang công nhân nền hoặc API.
Câu hỏi 5: Tôi có thể làm cho các ứng dụng Streamlit trông phù hợp với thương hiệu không?
Có—bắt đầu với các chủ đề và các nguyên thủy bố cục, sau đó thêm các thành phần cho UI nâng cao. Bạn có thể đến gần với thương hiệu, nhưng nếu bạn cần kiểm soát hoàn hảo đến từng pixel, hãy lên kế hoạch cho công việc front-end tùy chỉnh.
