Hugging Face 技能
Hugging Face 技能是為 AI/ML 任務（如資料集建立、模型訓練與評估）定義的標準化模組。用戶端外掛市場會暴露 hf-cli 技能作為核心 Hub 操作的引導路徑；其他工作流程技能可透過 hf skills add <技能名稱> 隨需安裝，或由支援技能的用戶端透過 CLI/MCP 整合自動探索。
本倉庫中的技能遵循標準化的 Agent Skills 格式。
[!NOTE] 只想讓代理存取 Hugging Face Hub？ 從
hf-cli開始。這是建議第一個安裝的技能：它會教導代理所有hf指令（搜尋模型、管理資料集與儲存桶、啟動 Spaces、執行作業），且內容直接從您本機安裝的 CLI 生成，確保保持最新。
技能如何運作？
實務上，技能是自包含的資料夾，將指令、腳本與資源打包在一起，讓 AI 代理在特定使用情境下使用。每個資料夾包含一個 SKILL.md 檔案，內含 YAML 前端資料（名稱與描述），以及代理在技能啟用期間應遵循的指引。
[!TIP] 如果您的代理不支援技能，可以直接使用
agentsmd/AGENTS.md作為備用方案。
hf-cli 技能亦可透過以下管道取得：
- Cursor 市場 (https://cursor.com/marketplace/huggingface)
- Codex 外掛目錄 (https://developers.openai.com/codex/plugins)
安裝方式
Hugging Face 技能相容於 Claude Code、Codex、Gemini CLI 與 Cursor。
Claude Code
- 將倉庫註冊為外掛市場：
/plugin marketplace add huggingface/skills
- 安裝 CLI 技能：
/plugin install hf-cli@huggingface/skills
- 若要安裝其他 Hugging Face 技能，請使用
hfCLI：
hf skills add <技能名稱>
Codex
-
將本倉庫
skills/目錄中您想使用的技能複製或建立符號連結到 Codex 標準的.agents/skills位置（例如$REPO_ROOT/.agents/skills或$HOME/.agents/skills），詳細說明請參閱 Codex Skills 指南。 -
一旦技能位於上述任一位置，Codex 就會使用 Agent Skills 標準自動發現，並在決定使用該技能或您明確呼叫時載入
SKILL.md指令。 -
如果您的 Codex 設定仍依賴
AGENTS.md，可以使用本倉庫中生成的agentsmd/AGENTS.md檔案作為備用的指令集合。
Gemini CLI
-
本倉庫包含
gemini-extension.json，可與 Gemini CLI 整合。 -
安裝至本機：
gemini extensions install . --consent
或使用 GitHub URL：
gemini extensions install https://github.com/huggingface/skills.git --consent
- 更多幫助請參閱 Gemini CLI 擴充功能文件。
Cursor
本倉庫包含 Cursor 外掛清單：
.cursor-plugin/plugin.json.mcp.json（已配置 Hugging Face MCP 伺服器 URL）
可透過 Cursor 外掛流程從倉庫 URL（或本機檢出）安裝。市場項目刻意僅限於 hf-cli；使用 hf skills add <技能名稱> 安裝其他工作流程技能。
對於貢獻者，可使用以下命令重新生成清單：
./scripts/publish.sh
技能列表
本倉庫包含數個入門技能。您也可以貢獻自己的技能到倉庫中。
可用技能
| 名稱 | 描述 | 文件 |
|---|---|---|
hf-cli | Hugging Face Hub CLI (hf)，用於下載、上傳及管理 Hugging Face Hub 上的模型、資料集、Spaces、儲存桶、儲存庫、論文、作業等。 | SKILL.md |
hf-cloud-aws-context-discovery | 在任何 AWS 任務開始時，自動發現使用者的本機 AWS 環境（活躍設定檔、區域、帳戶 ID、呼叫者身分）。 | SKILL.md |
hf-cloud-python-env-setup | 為 SageMaker / AWS 工作建立獨立的 Python 環境，包含正確的 Python 版本與最新的 boto3。 | SKILL.md |
hf-cloud-sagemaker-deployment-planner | 規劃並協調將模型部署到 Amazon SageMaker AI。 | SKILL.md |
hf-cloud-sagemaker-iam-preflight | 確保在部署或訓練前存在可用的 SageMaker 執行角色。 | SKILL.md |
hf-cloud-sagemaker-production-defaults | 建立 SageMaker 端點（即時、即時縮減至零或非同步），預設啟用自動擴展、CloudWatch 警示與標記。 | SKILL.md |
hf-cloud-serving-image-selection | 為 SageMaker 模型部署選擇正確的服務容器，並找出其目前的映像 URI。 | SKILL.md |
hf-mem | Hugging Face CLI，用於估計從 Hugging Face Hub 載入 Safetensors 或 GGUF 模型權重進行推理所需的記憶體。 | SKILL.md |
huggingface-best | 當使用者詢問尋找特定任務的最佳、頂尖或推薦模型，想知道該使用哪個 AI 模型，或想根據基準分數比較模型時使用。 | SKILL.md |
huggingface-community-evals | 使用 inspect-ai 與 lighteval 在本機硬體上對 Hugging Face Hub 模型進行評估。 | SKILL.md |
huggingface-datasets | 用於 Hugging Face Dataset Viewer API 工作流程，包含擷取子集/分割區元資料、分頁瀏覽資料列、搜尋文字、套用篩選器、下載 parquet 網址、讀取大小或統計資料。 | SKILL.md |
huggingface-gradio | 使用 Python 建立 Gradio 網頁 UI 與展示。 | SKILL.md |
huggingface-llm-trainer | 使用 TRL（Transformer Reinforcement Learning）或 Unsloth 搭配 Hugging Face Jobs 基礎設施，訓練或微調語言與視覺模型。 | SKILL.md |
huggingface-local-models | 用於選擇在 CPU、Mac Metal、CUDA 或 ROCm 上透過 llama.cpp 與 GGUF 本機執行模型。 | SKILL.md |
huggingface-lora-space-builder | 在 Hugging Face Spaces 上為使用者提供的 LoRA 建立並發布 Gradio 展示。 | SKILL.md |
huggingface-paper-publisher | 在 Hugging Face Hub 上發布與管理研究論文。 | SKILL.md |
huggingface-papers | 以 Markdown 格式查閱與閱讀 Hugging Face 論文頁面，並使用論文 API 取得結構化元資料，例如作者、關聯模型/資料集/Spaces、Github 儲存庫與專案頁面。 | SKILL.md |
huggingface-spaces | 在 Hugging Face Spaces 上建立、部署與維護應用程式—Gradio / Docker / Static SDK、ZeroGPU 與專用硬體、模型載入、除錯、儲存桶、推理提供者、社群補助。 | SKILL.md |
huggingface-tool-builder | 當使用者想要建立工具/腳本，或完成需要使用 Hugging Face API 資料的任務時使用此技能。 | SKILL.md |
huggingface-trackio | 使用 Trackio 追蹤並視覺化 ML 訓練實驗。 | SKILL.md |
huggingface-vision-trainer | 訓練與微調視覺模型，用於物件偵測（D-FINE、RT-DETR v2、DETR、YOLOS）、影像分類（timm 模型—MobileNetV3、MobileViT、ResNet、ViT/DINOv3—加上任何 Transformers 分類器）以及 SAM/SAM2 分割，使用 Hugging Face Transformers 搭配 Hugging Face Jobs 雲端 GPU。 | SKILL.md |
huggingface-zerogpu | 使用 Gradio Spaces 與 Hugging Face Spaces ZeroGPU 的 AI 展示與 GPU 運算。 | SKILL.md |
train-sentence-transformers | 訓練或微調 sentence-transformers 模型，涵蓋 SentenceTransformer（雙編碼器；稠密或靜態嵌入模型；用於檢索、相似度、聚類、分類、意譯探勘、去重、多模態）、CrossEncoder（重新排序器；雙階段檢索/成對分類的配對評分）與 SparseEncoder（SPLADE，稀疏嵌入模型；用於學習型稀疏檢索）。 | SKILL.md |
transformers-js | 使用 Transformers.js 直接在 JavaScript/TypeScript 中執行最先進的機器學習模型。 | SKILL.md |
trl-training | 使用 TRL（Transformers Reinforcement Learning）訓練與微調 Transformer 語言模型。 | SKILL.md |
在您的編碼代理中使用技能
技能安裝完成後，直接在給編碼代理的指令中提及它：
- 「使用 HF LLM trainer 技能估算 70B 模型運行所需的 GPU 記憶體。」
- 「使用 HF 模型評估技能對最新檢查點執行
run_eval_job.py。」 - 「使用 HF 資料集建立技能草擬新的少樣本分類模板。」
- 「使用 HF 論文發布技能索引我的 arXiv 論文並連結到我的模型。」
您的編碼代理會在完成任務時自動載入對應的 SKILL.md 指令與輔助腳本。
貢獻或自訂技能
- 複製現有的技能資料夾（例如
hf-datasets/）並重新命名。 - 更新新資料夾的
SKILL.md前端資料：
---
name: my-skill-name
description: 描述技能的功能與使用時機
---
# 技能標題
指引 + 範例 + 護欄
- 新增或編輯指令中參考的輔助腳本、模板與文件。
- 預設不要將技能加入
.claude-plugin/marketplace.json。用戶端市場刻意僅限於hf-cli；完整的 Hub CLI 市場會生成在.claude-plugin/marketplace-internal.json。 - 執行：
./scripts/publish.sh
以重新生成並驗證所有生成的元資料。 6. 在編碼代理中重新安裝或重新載入技能套件，以便使用更新後的資料夾。
市場
.claude-plugin/marketplace.json 與 .cursor-plugin/marketplace.json 檔案刻意僅暴露 hf-cli 供用戶端市場安裝。這能讓安裝時的清單專注於核心 Hub 操作，並引導使用者透過 hf skills add <技能名稱> 取得本倉庫的其他技能。
生成的 .claude-plugin/marketplace-internal.json 檔案包含完整的技能列表。發布自動化會將其以 marketplace.json 上傳至 Hub 儲存桶，讓 hf skills list、hf skills add 與 hf skills update 持續看到所有可用技能。
較新的技能感知整合也可以動態拉取功能。Hugging Face 的探索流程讓用戶端可以搜尋技能、MCP 伺服器與 Spaces，而 Skills-over-MCP 的工作正在標準化如何透過 MCP 資源發現與使用技能。
其他參考
- 直接瀏覽 huggingface/skills 取得最新的指令、腳本與模板。
- 查閱 Hugging Face 文件以了解每個技能中引用的特定函式庫或工作流程。