Streamlit 应用的离线单文件导出工具

数据科学 / ML 团队用 Streamlit 给管理层和非技术同事做内部分析应用，但分享是老大难：要么托管在 AWS 上发链接（“不用每次都担心 AWS 实例扩容”），要么退回 PDF / Excel 导出，交互性全丢。Streamlit 官方 GitHub 上两条高热度 issue（221 赞 / 65 评论、85 赞 / 38 评论）反复请求“把应用打包成独立文件分发”，一条点名要 Electron 可执行文件或 PyInstaller 打包，一条只求一个“任何人都能打开、能直接发邮件”的 standalone HTML——Kepler.gl 和 sanddance 已经这么做，但 Streamlit 生态里没有好用的方案。

数据科学 / ML 团队和数据分析师，他们用 Streamlit（或类似 Python BI 工具）为组织内的非技术用户（管理层、业务同事）构建分析应用。规模定性看：Streamlit 是数据应用构建的事实标准之一，其 GitHub issue 的高热度（合计 300+ 赞、100+ 评论）说明这是跨团队普遍痛点，但团队级付费能力未知。

核心是一个“导出编译器”，让 AI 负责把应用逻辑翻译成可独立运行的产物：

• 单命令导出 standalone HTML：streamlit export app.py 产出零依赖、双击可开、可邮件发送的 HTML 文件，图表降级为静态渲染+轻量交互
• 智能编译层（AI 的角色）：用 LLM 静态分析应用代码，把纯展示逻辑（pandas 处理 + 图表 + markdown）重写成等价的 JS 渲染，识别不了的后端依赖则明确报错
• 桌面打包选项：对确实需要 Python 运行时的应用，提供一键 Electron + PyInstaller 打包成免安装可执行文件
• 分享瘦身：自动压缩数据快照进产物，控制文件体积在邮件可发范围内

AI 正在大幅降低“做一个 dashboard”的门槛（如 Gemini Canvas 已能从 Google Sheets 数据直接生成可分享的交互式 dashboard，被认为“可能是 Google Workspace 里最快的原型方式”），这意味着做 dashboard 的人会越来越多，而“做出来之后怎么分发给不懂技术的人”这个最后一公里的矛盾会更突出；另一方面，用 LLM 静态分析并重写应用代码为 JS，让过去只能靠完整 Python 运行时实现的功能，第一次有了轻量导出的技术可能。

做：一条命令 streamlit export html，把纯展示型 Streamlit 应用编译成单个可离线打开的 HTML 文件（图表组件降级为静态渲染 + 轻量 JS 交互）；附 CLI 和错误提示。不做：不做服务端托管、不做账号系统、不做 Electron 桌面端（留作 v2）、不支持依赖任意后端/数据库连接的复杂应用（明确报错并提示范围）。

技术风险：Streamlit 的渲染依赖 Python 运行时和组件生态，静态导出注定只能覆盖展示型应用，复杂交互和自定义组件会失败。平台依赖：Streamlit 官方自己随时可能实现该功能（两条 issue 就开在他们仓库里），或在 Snowflake 收购后的路线图中被边缘化。竞品风险：Kepler.gl、sanddance 证明了单文件 HTML 在各自生态可行，通用 BI 工具（如 Gemini Canvas 这类 AI 原生方案）可能绕开 Python 生态直接满足非技术用户的分享需求。付费风险：用户是习惯用免费开源工具的开发者，转化付费历史案例少。