Que fait Compétences Hugging Face ?
Les compétences Hugging Face sont des définitions pour des tâches d'IA/ML comme la création de jeux de données, l'entraînement de modèles et l'évaluation. Les marketplaces de plugins clients exposent la compétence hf-cli comme chemin d'accès de base pour les opérations centrales du Hub ; des compétences de workflow supplémentaires peuvent être installées à la demande avec hf skills add <nom-compétence> ou découvertes par des clients compatibles avec les compétences via des intégrations CLI/MCP.
Les compétences de ce dépôt suivent le format standardisé Agent Skills.
[!NOTE] Vous voulez simplement donner à votre agent un accès au Hugging Face Hub ? Commencez par
hf-cli. C'est la première compétence recommandée à installer : elle apprend à votre agent chaque commandehf(recherche de modèles, gestion de jeux de données et buckets, lancement de Spaces, exécution de jobs) et est générée à partir de votre CLI installée localement pour rester à jour.
Comment fonctionnent les compétences ?
En pratique, les compétences sont des dossiers autonomes qui regroupent des instructions, des scripts et des ressources pour qu'un agent d'IA les utilise dans un cas d'usage spécifique. Chaque dossier comprend un fichier SKILL.md avec un en-tête YAML (nom et description) suivi des instructions que votre agent de codage suit lorsque la compétence est active.
[!TIP] Si votre agent ne prend pas en charge les compétences, vous pouvez utiliser directement
agentsmd/AGENTS.mdcomme solution de repli.
La compétence hf-cli de ce dépôt est également disponible via :
- Cursor Marketplace (https://cursor.com/marketplace/huggingface)
- Codex Plugins Directory (https://developers.openai.com/codex/plugins)
Installation
Les compétences Hugging Face sont compatibles avec Claude Code, Codex, Gemini CLI et Cursor.
Claude Code
- Enregistrez le dépôt en tant que marketplace de plugins :
/plugin marketplace add huggingface/skills
- Installez la compétence CLI :
/plugin install hf-cli@huggingface/skills
- Pour installer une autre compétence Hugging Face, utilisez le CLI
hf:
hf skills add <nom-compétence>
Codex
-
Copiez ou créez un lien symbolique pour les compétences que vous souhaitez utiliser du répertoire
skills/de ce dépôt vers l'un des emplacements standards de Codex pour les compétences.agents/skills(par exemple,$REPO_ROOT/.agents/skillsou$HOME/.agents/skills) comme décrit dans le guide des compétences Codex. -
Une fois qu'une compétence est disponible dans l'un de ces emplacements, Codex la découvrira en utilisant la norme Agent Skills et chargera les instructions
SKILL.mdlorsqu'il décidera d'utiliser cette compétence ou lorsque vous l'invoquerez explicitement. -
Si votre configuration Codex repose encore sur
AGENTS.md, vous pouvez utiliser le fichier généréagentsmd/AGENTS.mdde ce dépôt comme ensemble d'instructions de repli.
Gemini CLI
-
Ce dépôt inclut
gemini-extension.jsonpour l'intégration avec Gemini CLI. -
Installez localement :
gemini extensions install . --consent
ou utilisez l'URL GitHub :
gemini extensions install https://github.com/huggingface/skills.git --consent
- Consultez la documentation des extensions Gemini CLI pour plus d'aide.
Cursor
Ce dépôt inclut les manifestes de plugin Cursor :
.cursor-plugin/plugin.json.mcp.json(configuré avec l'URL du serveur MCP Hugging Face)
Installez à partir de l'URL du dépôt (ou de la copie locale) via le flux de plugin Cursor. L'entrée sur le marketplace est intentionnellement limitée à hf-cli ; utilisez hf skills add <nom-compétence> pour installer des compétences de workflow supplémentaires.
Pour les contributeurs, régénérez les manifestes avec :
./scripts/publish.sh
Compétences
Ce dépôt contient quelques compétences pour vous aider à démarrer. Vous pouvez également contribuer avec vos propres compétences.
Compétences disponibles
| Nom | Description | Documentation |
|---|---|---|
hf-cli | CLI Hugging Face Hub (hf) pour télécharger, uploader et gérer les modèles, jeux de données, espaces, buckets, dépôts, articles, jobs, etc. sur le Hub Hugging Face. | SKILL.md |
hf-cloud-aws-context-discovery | Découvrir le contexte AWS local de l'utilisateur (profil actif, région, ID de compte, identité de l'appelant) au début de toute tâche AWS. | SKILL.md |
hf-cloud-python-env-setup | Configurer un environnement Python isolé pour du travail SageMaker / AWS, avec la bonne version de Python et un boto3 à jour. | SKILL.md |
hf-cloud-sagemaker-deployment-planner | Planifier et coordonner le déploiement d'un modèle sur Amazon SageMaker AI. | SKILL.md |
hf-cloud-sagemaker-iam-preflight | S'assurer qu'un rôle d'exécution SageMaker utilisable existe avant de déployer ou d'entraîner. | SKILL.md |
hf-cloud-sagemaker-production-defaults | Créer un endpoint SageMaker (temps réel, temps réel scale-to-zero, ou asynchrone) avec mise à l'échelle automatique, alarmes CloudWatch et tagging activés par défaut. | SKILL.md |
hf-cloud-serving-image-selection | Choisir le bon conteneur de service pour un déploiement de modèle SageMaker et trouver son URI d'image actuelle. | SKILL.md |
hf-mem | CLI Hugging Face pour estimer la mémoire requise pour charger les poids de modèles Safetensors ou GGUF pour l'inférence depuis le Hub Hugging Face. | SKILL.md |
huggingface-best | À utiliser lorsque l'utilisateur demande quel est le meilleur modèle, le top, ou un modèle recommandé pour une tâche, veut savoir quel modèle d'IA utiliser, ou veut comparer des modèles par scores de benchmark. | SKILL.md |
huggingface-community-evals | Exécuter des évaluations pour les modèles du Hub Hugging Face en utilisant inspect-ai et lighteval sur du matériel local. | SKILL.md |
huggingface-datasets | Utiliser cette compétence pour les workflows de l'API Dataset Viewer de Hugging Face qui récupèrent les métadonnées des sous-ensembles/splits, paginent les lignes, recherchent du texte, appliquent des filtres, téléchargent des URLs Parquet, et lisent la taille ou les statistiques. | SKILL.md |
huggingface-gradio | Construire des interfaces utilisateur Web et des démos Gradio en Python. | SKILL.md |
huggingface-llm-trainer | Entraîner ou affiner des modèles de langage et de vision en utilisant TRL (Transformer Reinforcement Learning) ou Unsloth avec l'infrastructure Hugging Face Jobs. | SKILL.md |
huggingface-local-models | Utiliser pour sélectionner des modèles à exécuter localement avec llama.cpp et GGUF sur CPU, Mac Metal, CUDA ou ROCm. | SKILL.md |
huggingface-lora-space-builder | Construire et publier une démo Gradio sur Hugging Face Spaces pour un LoRA fourni par l'utilisateur. | SKILL.md |
huggingface-paper-publisher | Publier et gérer des articles de recherche sur le Hub Hugging Face. | SKILL.md |
huggingface-papers | Consulter et lire les pages d'articles Hugging Face en markdown, et utiliser l'API papers pour des métadonnées structurées telles que les auteurs, les modèles/jeux de données/spaces liés, le dépôt Github et la page du projet. | SKILL.md |
huggingface-spaces | Construire, déployer et maintenir des applications sur Hugging Face Spaces — Gradio / Docker / SDKs statiques, ZeroGPU et matériel dédié, chargement de modèles, débogage, buckets, fournisseurs d'inférence, subventions communautaires. | SKILL.md |
huggingface-tool-builder | Utiliser cette compétence lorsque l'utilisateur souhaite construire des outils/scripts ou accomplir une tâche où l'utilisation de données provenant de l'API Hugging Face serait utile. | SKILL.md |
huggingface-trackio | Suivre et visualiser les expériences d'entraînement en ML avec Trackio. | SKILL.md |
huggingface-vision-trainer | Entraîne et affine les modèles de vision pour la détection d'objets (D-FINE, RT-DETR v2, DETR, YOLOS), la classification d'images (modèles timm — MobileNetV3, MobileViT, ResNet, ViT/DINOv3 — plus tout classifieur Transformers), et la segmentation SAM/SAM2 en utilisant Hugging Face Transformers sur les GPU cloud Hugging Face Jobs. | SKILL.md |
huggingface-zerogpu | Démonstrations IA et calcul GPU avec Gradio Spaces et Hugging Face Spaces ZeroGPU. | SKILL.md |
train-sentence-transformers | Entraîner ou affiner des modèles sentence-transformers sur SentenceTransformer (bi-encodeur ; modèle d'embedding dense ou statique ; pour la recherche, la similarité, le clustering, la classification, l'extraction de paraphrases, la déduplication, le multimodal), CrossEncoder (re-rankeur ; scoring de paires pour la recherche en deux étapes / classification de paires), et SparseEncoder (SPLADE, modèle d'embedding sparse ; pour la recherche sparse apprise). | SKILL.md |
transformers-js | Utiliser Transformers.js pour exécuter des modèles d'apprentissage automatique de pointe directement en JavaScript/TypeScript. | SKILL.md |
trl-training | Entraîner et affiner des modèles de langage transformers en utilisant TRL (Transformers Reinforcement Learning). | SKILL.md |
Utiliser les compétences dans votre agent de codage
Une fois une compétence installée, mentionnez-la directement en donnant des instructions à votre agent de codage :
- "Utilise la compétence HF LLM trainer pour estimer la mémoire GPU nécessaire pour l'exécution d'un modèle 70B."
- "Utilise la compétence d'évaluation de modèles HF pour lancer
run_eval_job.pysur le dernier checkpoint." - "Utilise la compétence de création de jeux de données HF pour rédiger de nouveaux modèles de classification few-shot."
- "Utilise la compétence de publication d'articles HF pour indexer mon article arXiv et le lier à mon modèle."
Votre agent de codage charge automatiquement les instructions SKILL.md correspondantes et les scripts d'aide pendant qu'il accomplit la tâche.
Contribuer ou personnaliser une compétence
- Copiez l'un des dossiers de compétences existants (par exemple,
hf-datasets/) et renommez-le. - Mettez à jour l'en-tête du
SKILL.mddu nouveau dossier :--- name: mon-nom-compétence description: Décrivez ce que fait la compétence et quand l'utiliser --- # Titre de la compétence Instructions + exemples + garde-fous - Ajoutez ou modifiez les scripts, modèles et documents de support référencés par vos instructions.
- N'ajoutez pas la compétence à
.claude-plugin/marketplace.jsonpar défaut. Les marketplaces clients sont intentionnellement limités àhf-cli; le marketplace complet du CLI Hub est généré dans.claude-plugin/marketplace-internal.json. - Exécutez :
pour régénérer et valider toutes les métadonnées générées../scripts/publish.sh - Réinstallez ou rechargez le bundle de compétences dans votre agent de codage pour que le dossier mis à jour soit disponible.
Marketplace
Les fichiers .claude-plugin/marketplace.json et .cursor-plugin/marketplace.json exposent intentionnellement uniquement hf-cli pour l'installation via le marketplace client. Cela permet de garder les manifestes d'installation concentrés sur les opérations centrales du Hub et oriente les utilisateurs vers hf skills add <nom-compétence> pour le reste du dépôt.
Le fichier généré .claude-plugin/marketplace-internal.json contient la liste complète des compétences. L'automatisation de publication le télécharge vers le bucket du Hub sous le nom marketplace.json afin que hf skills list, hf skills add et hf skills update continuent de voir toutes les compétences disponibles.
Les intégrations plus récentes et compatibles avec les compétences peuvent également récupérer les capacités de manière dynamique. Le flux de découverte de Hugging Face permet aux clients de rechercher des compétences, des serveurs MCP et des Spaces, tandis que le travail sur Skills-over-MCP standardise la façon dont les compétences sont découvertes et consommées via les ressources MCP.
Références supplémentaires
- Parcourez les dernières instructions, scripts et modèles directement sur huggingface/skills.
- Consultez la documentation Hugging Face pour les bibliothèques ou workflows spécifiques que vous référencez dans chaque compétence.