Hugging Face Skills
Hugging Face Skills sind Definitionen für KI/ML-Aufgaben wie Dataset-Erstellung, Modelltraining und -Evaluation. Die Client-Plugin-Marktplätze machen das hf-cli Skill als Einstiegspunkt für grundlegende Hub-Operationen verfügbar; zusätzliche Workflow-Skills können bei Bedarf mit hf skills add <skill-name> installiert oder von skill-fähigen Clients über CLI/MCP-Integrationen entdeckt werden.
Die Skills in diesem Repository folgen dem standardisierten Agent Skills Format.
[!NOTE] Möchtest du deinem Agenten einfach nur Zugriff auf den Hugging Face Hub geben? Beginne mit
hf-cli. Es ist das empfohlene erste zu installierende Skill: Es bringt deinem Agenten jedenhf-Befehl bei (Modelle suchen, Datasets und Buckets verwalten, Spaces starten, Jobs ausführen) und wird aus deiner lokal installierten CLI generiert, sodass es immer aktuell bleibt.
Wie funktionieren Skills?
In der Praxis sind Skills eigenständige Ordner, die Anleitungen, Skripte und Ressourcen für einen bestimmten Anwendungsfall für einen KI-Agenten bündeln. Jeder Ordner enthält eine SKILL.md-Datei mit YAML-Frontmatter (Name und Beschreibung) gefolgt von der Anleitung, die dein Coding-Agent befolgt, während das Skill aktiv ist.
[!TIP] Wenn dein Agent keine Skills unterstützt, kannst du direkt
agentsmd/AGENTS.mdals Fallback verwenden.
Das hf-cli Skill in diesem Repository ist auch verfügbar über:
- Cursor Marketplace (https://cursor.com/marketplace/huggingface)
- Codex Plugins Directory (https://developers.openai.com/codex/plugins)
Installation
Hugging Face Skills sind kompatibel mit Claude Code, Codex, Gemini CLI und Cursor.
Claude Code
- Registriere das Repository als Plugin-Marktplatz:
/plugin marketplace add huggingface/skills
- Installiere das CLI-Skill:
/plugin install hf-cli@huggingface/skills
- Um ein weiteres Hugging Face Skill zu installieren, verwende die
hfCLI:
hf skills add <skill-name>
Codex
-
Kopiere oder verlinke beliebige Skills, die du verwenden möchtest, aus dem
skills/-Verzeichnis dieses Repositories in einen der standardmäßigen.agents/skills-Orte von Codex (z. B.$REPO_ROOT/.agents/skillsoder$HOME/.agents/skills), wie im Codex Skills Guide beschrieben. -
Sobald ein Skill an einem dieser Orte verfügbar ist, wird Codex es mithilfe des Agent Skills Standards erkennen und die
SKILL.md-Anweisungen laden, wenn es sich entscheidet, dieses Skill zu verwenden, oder wenn du es explizit aufrufst. -
Falls deine Codex-Konfiguration immer noch auf
AGENTS.mdangewiesen ist, kannst du die generierte Dateiagentsmd/AGENTS.mdin diesem Repository als Fallback-Bündel von Anweisungen verwenden.
Gemini CLI
-
Dieses Repository enthält
gemini-extension.jsonfür die Integration mit der Gemini CLI. -
Lokal installieren:
gemini extensions install . --consent
oder die GitHub-URL verwenden:
gemini extensions install https://github.com/huggingface/skills.git --consent
- Weitere Hilfe findest du in der Gemini CLI Extensions Dokumentation.
Cursor
Dieses Repository enthält Cursor-Plugin-Manifeste:
.cursor-plugin/plugin.json.mcp.json(konfiguriert mit der Hugging Face MCP Server URL)
Installiere über die Repository-URL (oder einen lokalen Checkout) über den Cursor-Plugin-Flow. Der Marktplatzeintrag ist absichtlich auf hf-cli beschränkt; verwende hf skills add <skill-name>, um zusätzliche Workflow-Skills zu installieren.
Für Mitwirkende: Generiere Manifeste mit:
./scripts/publish.sh
Was macht skills?
Dieses Repository enthält einige Skills für den Einstieg. Du kannst auch eigene Skills zum Repository beitragen.
Verfügbare Skills
| Name | Beschreibung | Dokumentation |
|---|---|---|
hf-cli | Hugging Face Hub CLI (hf) zum Herunterladen, Hochladen und Verwalten von Modellen, Datasets, Spaces, Buckets, Repos, Papers, Jobs und mehr auf dem Hugging Face Hub. | SKILL.md |
hf-cloud-aws-context-discovery | Entdecke den lokalen AWS-Kontext des Benutzers (aktives Profil, Region, Konton-ID, Aufruferidentität) zu Beginn jeder AWS-Aufgabe. | SKILL.md |
hf-cloud-python-env-setup | Richte eine isolierte Python-Umgebung für SageMaker / AWS-Arbeiten mit der richtigen Python-Version und aktuellem boto3 ein. | SKILL.md |
hf-cloud-sagemaker-deployment-planner | Plane und koordiniere die Bereitstellung eines Modells auf Amazon SageMaker AI. | SKILL.md |
hf-cloud-sagemaker-iam-preflight | Stelle sicher, dass eine nutzbare SageMaker-Ausführungsrolle existiert, bevor du bereitstellst oder trainierst. | SKILL.md |
hf-cloud-sagemaker-production-defaults | Erstelle einen SageMaker-Endpunkt (Echtzeit, Echtzeit-Scale-to-Zero oder asynchron) mit standardmäßig aktiviertem Autoscaling, CloudWatch-Alarmen und Tagging. | SKILL.md |
hf-cloud-serving-image-selection | Wähle den richtigen Serving-Container für eine SageMaker-Modellbereitstellung aus und finde seine aktuelle Image-URI. | SKILL.md |
hf-mem | Hugging Face CLI zur Schätzung des erforderlichen Arbeitsspeichers zum Laden von Safetensors- oder GGUF-Modellgewichten für die Inferenz vom Hugging Face Hub. | SKILL.md |
huggingface-best | Verwende dies, wenn der Benutzer nach dem besten, den Top- oder empfohlenen Modell für eine Aufgabe fragt, wissen möchte, welches KI-Modell er verwenden soll, oder Modelle anhand von Benchmark-Ergebnissen vergleichen möchte. | SKILL.md |
huggingface-community-evals | Führe Evaluationen für Hugging Face Hub-Modelle mit inspect-ai und lighteval auf lokaler Hardware durch. | SKILL.md |
huggingface-datasets | Verwende dieses Skill für Workflows mit der Hugging Face Dataset Viewer API, die Subset/Split-Metadaten abrufen, Zeilen paginieren, Text durchsuchen, Filter anwenden, Parquet-URLs herunterladen und Größen oder Statistiken lesen. | SKILL.md |
huggingface-gradio | Erstelle Gradio-Web-Oberflächen und Demos in Python. | SKILL.md |
huggingface-llm-trainer | Trainiere oder feinjustiere Sprach- und Bildmodelle mit TRL (Transformer Reinforcement Learning) oder Unsloth und der Hugging Face Jobs Infrastruktur. | SKILL.md |
huggingface-local-models | Verwende, um Modelle für den lokalen Betrieb mit llama.cpp und GGUF auf CPU, Mac Metal, CUDA oder ROCm auszuwählen. | SKILL.md |
huggingface-lora-space-builder | Erstelle und veröffentliche eine Gradio-Demo auf Hugging Face Spaces für ein vom Benutzer bereitgestelltes LoRA. | SKILL.md |
huggingface-paper-publisher | Veröffentliche und verwalte Forschungsarbeiten auf dem Hugging Face Hub. | SKILL.md |
huggingface-papers | Suche und lese Hugging Face Paper-Seiten im Markdown-Format und verwende die Papers API für strukturierte Metadaten wie Autoren, verknüpfte Modelle/Datasets/Spaces, GitHub-Repository und Projektseite. | SKILL.md |
huggingface-spaces | Erstelle, stelle bereit und warte Anwendungen auf Hugging Face Spaces – Gradio / Docker / Static SDKs, ZeroGPU und dedizierte Hardware, Modellladung, Debugging, Buckets, Inference-Provider, Community-Zuschüsse. | SKILL.md |
huggingface-tool-builder | Verwende dieses Skill, wenn der Benutzer Tools/Skripte erstellen oder eine Aufgabe erledigen möchte, bei der die Verwendung von Daten aus der Hugging Face API hilfreich wäre. | SKILL.md |
huggingface-trackio | Verfolge und visualisiere ML-Trainingsexperimente mit Trackio. | SKILL.md |
huggingface-vision-trainer | Trainiert und feinjustiert Bildverarbeitungsmodelle für Objekterkennung (D-FINE, RT-DETR v2, DETR, YOLOS), Bildklassifikation (timm-Modelle – MobileNetV3, MobileViT, ResNet, ViT/DINOv3 – plus beliebige Transformers-Klassifikatoren) und SAM/SAM2-Segmentierung mit Hugging Face Transformers auf Hugging Face Jobs Cloud-GPUs. | SKILL.md |
huggingface-zerogpu | KI-Demos und GPU-Computing mit Gradio Spaces und Hugging Face Spaces ZeroGPU. | SKILL.md |
train-sentence-transformers | Trainiere oder feinjustiere sentence-transformers-Modelle für SentenceTransformer (Bi-Encoder; dichtes oder statisches Embedding-Modell; für Retrieval, Ähnlichkeit, Clustering, Klassifikation, Paraphrase-Mining, Deduplizierung, multimodal), CrossEncoder (Reranker; Paar-Scoring für zweistufiges Retrieval / Paar-Klassifikation) und SparseEncoder (SPLADE, spärliches Embedding-Modell; für gelerntes spärliches Retrieval). | SKILL.md |
transformers-js | Verwende Transformers.js, um modernste Machine-Learning-Modelle direkt in JavaScript/TypeScript auszuführen. | SKILL.md |
trl-training | Trainiere und feinjustiere Transformer-Sprachmodelle mit TRL (Transformers Reinforcement Learning). | SKILL.md |
Skills in deinem Coding-Agenten verwenden
Sobald ein Skill installiert ist, erwähne es direkt, während du deinem Coding-Agenten Anweisungen gibst:
- „Verwende das HF LLM Trainer Skill, um den benötigten GPU-Speicher für einen 70B-Modelllauf zu schätzen.“
- „Verwende das HF Model Evaluation Skill, um
run_eval_job.pyauf dem neuesten Checkpoint zu starten.“ - „Verwende das HF Dataset Creator Skill, um neue Few-Shot-Klassifikationsvorlagen zu entwerfen.“
- „Verwende das HF Paper Publisher Skill, um meine arXiv-Veröffentlichung zu indexieren und mit meinem Modell zu verknüpfen.“
Dein Coding-Agent lädt automatisch die entsprechenden SKILL.md-Anweisungen und Hilfsskripte, während er die Aufgabe erledigt.
Ein Skill beitragen oder anpassen
- Kopiere einen der vorhandenen Skill-Ordner (z. B.
hf-datasets/) und benenne ihn um. - Aktualisiere das YAML-Frontmatter der neuen
SKILL.md:--- name: my-skill-name description: Beschreibe, was das Skill tut und wann es verwendet werden soll --- # Skill Titel Anleitung + Beispiele + Leitplanken - Füge unterstützende Skripte, Vorlagen und Dokumente, auf die deine Anleitungen verweisen, hinzu oder bearbeite sie.
- Füge das Skill standardmäßig nicht zu
.claude-plugin/marketplace.jsonhinzu. Client-Marktplätze sind absichtlich aufhf-clibeschränkt; der vollständige Hub-CLI-Marktplatz wird unter.claude-plugin/marketplace-internal.jsongeneriert. - Führe Folgendes aus:
um alle generierten Metadaten neu zu generieren und zu validieren../scripts/publish.sh - Installiere das Skill-Bundle in deinem Coding-Agenten neu oder lade es neu, damit der aktualisierte Ordner verfügbar ist.
Marktplatz
Die Dateien .claude-plugin/marketplace.json und .cursor-plugin/marketplace.json legen absichtlich nur hf-cli für die Installation über den Client-Marktplatz offen. Dies hält die Installationsmanifeste auf grundlegende Hub-Operationen konzentriert und verweist Benutzer für den Rest des Repositories auf hf skills add <skill-name>.
Die generierte Datei .claude-plugin/marketplace-internal.json enthält die vollständige Skill-Liste. Die Veröffentlichungsautomatisierung lädt sie als marketplace.json in den Hub-Bucket hoch, sodass hf skills list, hf skills add und hf skills update weiterhin jedes verfügbare Skill sehen.
Neuere skill-fähige Integrationen können Fähigkeiten auch dynamisch abrufen. Der Discovery-Flow von Hugging Face ermöglicht es Clients, Skills, MCP-Server und Spaces zu durchsuchen, während die Skills-over-MCP-Arbeit standardisiert, wie Skills durch MCP-Ressourcen entdeckt und konsumiert werden.
Zusätzliche Referenzen
- Durchstöbere die neuesten Anleitungen, Skripte und Vorlagen direkt auf huggingface/skills.
- Lies die Hugging Face Dokumentation für die spezifischen Bibliotheken oder Workflows, auf die du in jedem Skill verweist.