Hugging Face Skills
Hugging Face Skills 是面向 AI/ML 任务的定义,例如数据集创建、模型训练和评估。客户端插件市场将 hf-cli 技能作为核心 Hub 操作的引导路径;其他工作流技能可以通过 hf skills add <skill-name> 按需安装,或由支持技能感知的客户端通过 CLI/MCP 集成进行发现。
本仓库中的技能遵循标准化的 Agent Skills 格式。
[!NOTE] 只想让您的智能体访问 Hugging Face Hub? 从
hf-cli开始。这是推荐安装的第一个技能:它教会您的智能体所有hf命令(搜索模型、管理数据集和存储桶、启动 Spaces、运行任务),并且由本地安装的 CLI 生成,始终保持最新。
技能如何运作?
在实践中,技能是自包含的文件夹,将指令、脚本和资源打包在一起,供 AI 智能体在特定用例中使用。每个文件夹包含一个 SKILL.md 文件,其中包含 YAML 前置元数据(名称和描述),后跟当技能激活时代码智能体遵循的指导。
[!TIP] 如果您的智能体不支持技能,您可以直接使用
agentsmd/AGENTS.md作为备选方案。
hf-cli 技能也可通过以下途径获取:
- Cursor Marketplace (https://cursor.com/marketplace/huggingface)
- Codex Plugins Directory (https://developers.openai.com/codex/plugins)
安装
Hugging Face 技能兼容 Claude Code、Codex、Gemini CLI 和 Cursor。
Claude Code
- 将仓库注册为插件市场:
/plugin marketplace add huggingface/skills
- 安装 CLI 技能:
/plugin install hf-cli@huggingface/skills
- 要安装另一个 Hugging Face 技能,请使用
hfCLI:
hf skills add <skill-name>
Codex
-
将本仓库
skills/目录中您想使用的任何技能复制或符号链接到 Codex 的标准.agents/skills位置之一(例如$REPO_ROOT/.agents/skills或$HOME/.agents/skills),如 Codex Skills 指南 所述。 -
一旦技能在这些位置之一可用,Codex 将使用 Agent Skills 标准发现它,并在决定使用该技能或您显式调用它时加载
SKILL.md指令。 -
如果您的 Codex 设置仍然依赖
AGENTS.md,您可以使用本仓库中生成的agentsmd/AGENTS.md文件作为指令的备用捆绑包。
Gemini CLI
-
本仓库包含
gemini-extension.json以与 Gemini CLI 集成。 -
本地安装:
gemini extensions install . --consent
或使用 GitHub URL:
gemini extensions install https://github.com/huggingface/skills.git --consent
- 有关更多帮助,请参阅 Gemini CLI extensions 文档。
Cursor
本仓库包含 Cursor 插件清单:
.cursor-plugin/plugin.json.mcp.json(配置了 Hugging Face MCP 服务器 URL)
通过 Cursor 插件流程从仓库 URL(或本地检出)安装。市场条目有意仅限于 hf-cli;使用 hf skills add <skill-name> 安装其他工作流技能。
对于贡献者,使用以下命令重新生成清单:
./scripts/publish.sh
技能列表
本仓库包含一些技能帮助您入门。您也可以贡献自己的技能到仓库中。
可用技能
| 名称 | 描述 | 文档 |
|---|---|---|
hf-cli | Hugging Face Hub CLI (hf),用于在 Hugging Face Hub 上下载、上传和管理模型、数据集、Spaces、存储桶、仓库、论文、任务等。 | SKILL.md |
hf-cloud-aws-context-discovery | 在任何 AWS 任务开始时发现用户本地的 AWS 上下文(活动配置文件、区域、账户 ID、调用者身份)。 | SKILL.md |
hf-cloud-python-env-setup | 为 SageMaker / AWS 工作设置独立的 Python 环境,配备正确的 Python 版本和最新的 boto3。 | SKILL.md |
hf-cloud-sagemaker-deployment-planner | 规划和协调模型到 Amazon SageMaker AI 的部署。 | SKILL.md |
hf-cloud-sagemaker-iam-preflight | 在部署或训练之前确保存在可用的 SageMaker 执行角色。 | SKILL.md |
hf-cloud-sagemaker-production-defaults | 创建 SageMaker 端点(实时、实时缩放到零或异步),默认启用自动缩放、CloudWatch 警报和标签。 | SKILL.md |
hf-cloud-serving-image-selection | 为 SageMaker 模型部署选择合适的推理容器并查找其当前镜像 URI。 | SKILL.md |
hf-mem | Hugging Face CLI,用于估算从 Hugging Face Hub 加载 Safetensors 或 GGUF 模型权重进行推理所需的内存。 | SKILL.md |
huggingface-best | 当用户询问关于为任务寻找最佳、顶级或推荐模型,想知道使用什么 AI 模型,或想要按基准分数比较模型时使用。 | SKILL.md |
huggingface-community-evals | 使用 inspect-ai 和 lighteval 在本地硬件上对 Hugging Face Hub 模型运行评估。 | SKILL.md |
huggingface-datasets | 将此技能用于 Hugging Face Dataset Viewer API 工作流,这些工作流获取子集/拆分元数据、分页行、搜索文本、应用过滤器、下载 parquet URL 以及读取大小或统计信息。 | SKILL.md |
huggingface-gradio | 使用 Python 构建 Gradio 网页 UI 和演示。 | SKILL.md |
huggingface-llm-trainer | 使用 TRL(Transformer 强化学习)或 Unsloth 结合 Hugging Face Jobs 基础设施训练或微调语言和视觉模型。 | SKILL.md |
huggingface-local-models | 用于选择在本地使用 llama.cpp 和 GGUF 在 CPU、Mac Metal、CUDA 或 ROCm 上运行模型。 | SKILL.md |
huggingface-lora-space-builder | 在 Hugging Face Spaces 上为用户提供的 LoRA 构建并发布一个 Gradio 演示。 | SKILL.md |
huggingface-paper-publisher | 在 Hugging Face Hub 上发布和管理研究论文。 | SKILL.md |
huggingface-papers | 以 markdown 格式查找和阅读 Hugging Face 论文页面,并使用 papers API 获取结构化元数据,例如作者、关联的模型/数据集/Spaces、GitHub 仓库和项目页面。 | SKILL.md |
huggingface-spaces | 在 Hugging Face Spaces 上构建、部署和维护应用程序 —— Gradio / Docker / 静态 SDK、ZeroGPU 和专用硬件、模型加载、调试、存储桶、推理提供商、社区资助。 | SKILL.md |
huggingface-tool-builder | 当用户想要构建工具/脚本或完成某个任务,而使用 Hugging Face API 的数据会有帮助时,使用此技能。 | SKILL.md |
huggingface-trackio | 使用 Trackio 跟踪和可视化 ML 训练实验。 | SKILL.md |
huggingface-vision-trainer | 使用 Hugging Face Transformers 在 Hugging Face Jobs 云 GPU 上训练和微调视觉模型,用于目标检测(D-FINE、RT-DETR v2、DETR、YOLOS)、图像分类(timm 模型 —— MobileNetV3、MobileViT、ResNet、ViT/DINOv3 —— 以及任何 Transformers 分类器),以及 SAM/SAM2 分割。 | SKILL.md |
huggingface-zerogpu | 使用 Gradio Spaces 和 Hugging Face Spaces ZeroGPU 进行 AI 演示和 GPU 计算。 | SKILL.md |
train-sentence-transformers | 训练或微调 sentence-transformers 模型,涵盖 SentenceTransformer(双编码器;密集或静态嵌入模型;用于检索、相似度、聚类、分类、释义挖掘、去重、多模态)、CrossEncoder(重排序器;对偶检索 / 成对分类的成对评分)和 SparseEncoder(SPLADE,稀疏嵌入模型;用于学习型稀疏检索)。 | SKILL.md |
transformers-js | 使用 Transformers.js 直接在 JavaScript/TypeScript 中运行最先进的机器学习模型。 | SKILL.md |
trl-training | 使用 TRL(Transformer 强化学习)训练和微调 Transformer 语言模型。 | SKILL.md |
在编码智能体中使用技能
安装技能后,在向您的编码智能体提供指令时直接提及它:
- “使用 HF LLM 训练技能来估算运行 70B 模型所需的 GPU 内存。”
- “使用 HF 模型评估技能来在最新的检查点上启动
run_eval_job.py。” - “使用 HF 数据集创建技能来起草新的少样本分类模板。”
- “使用 HF 论文发布技能来索引我的 arXiv 论文并将其链接到我的模型。”
您的编码智能体会在执行任务时自动加载相应的 SKILL.md 指令和辅助脚本。
贡献或自定义技能
- 复制现有技能文件夹之一(例如
hf-datasets/)并重命名。 - 更新新文件夹的
SKILL.md前置元数据:--- name: my-skill-name description: 描述该技能的作用及何时使用 --- # 技能标题 指导 + 示例 + 防护措施 - 添加或编辑指令引用的辅助脚本、模板和文档。
- 默认不要将技能添加到
.claude-plugin/marketplace.json中。客户端市场有意仅限于hf-cli;完整的 Hub CLI 市场在.claude-plugin/marketplace-internal.json中生成。 - 运行:
以重新生成并验证所有生成的元数据。./scripts/publish.sh - 在编码智能体中重新安装或重新加载技能包,以便更新后的文件夹可用。
市场
.claude-plugin/marketplace.json 和 .cursor-plugin/marketplace.json 文件有意只暴露 hf-cli 用于客户端市场安装。这使安装时的清单专注于核心 Hub 操作,并引导用户通过 hf skills add <skill-name> 获取仓库中的其余部分。
生成的 .claude-plugin/marketplace-internal.json 文件包含完整的技能列表。发布自动化将其作为 marketplace.json 上传到 Hub 存储桶,以便 hf skills list、hf skills add 和 hf skills update 继续看到所有可用的技能。
新的技能感知集成也可以动态拉取能力。Hugging Face 的发现流程允许客户端搜索技能、MCP 服务器和 Spaces,而 Skills-over-MCP 工作正在标准化通过 MCP 资源发现和消费技能的方式。
其他参考资料
- 直接在 huggingface/skills 浏览最新的指令、脚本和模板。
- 查阅 Hugging Face 文档,了解您在每个技能中引用的特定库或工作流。