Agent之skillHuggingFaceSkills的简介、安装和使用方法、案例应用之详细攻略目录HuggingFaceSkills的简介1、特点HuggingFaceSkills的安装和使用方法1、安装2、使用方法(1)、重要技能模块(2)、其它技能简要3、使用建议与注意事项HuggingFaceSkills的案例应用1、快速示例—常见操作HuggingFaceSkills的简介HuggingFaceSkills是将多个 技能skills 做为自包含的目录每个目录含 SKILL.md带 YAML frontmatter与辅助脚本/模板描述何时使用该技能、所需依赖、并给出可直接运行的命令或脚本片段便于编码代理按需载入与执行。目标是与主流“编码代理”互操作Claude Code 的 plugin/skills、OpenAI Codex 的 Agent Skills、Google Gemini 的 gemini-extension.json 等都支持或兼容。README 列出了对 Claude Code、Codex、Gemini CLI、Cursor 的安装使用说明。Github地址https://github.com/huggingface/skills1、特点标准化格式遵循 Agent Skill 规范SKILL.md 文件夹使不同代理能发现并加载。可执行脚本 PEP 723 inline 依赖脚本常以 PEP 723 headeruv run方式声明依赖代理/Jobs 在执行时会自动安装依赖。针对 Hugging Face 生态的深度集成包含与 Hub、Jobs、vLLM、lighteval、Trackio、Artificial Analysis 等的互操作脚本与流程。多代理安装方式支持通过 Claude 插件市场、Codex 的 .agents/skills 路径、Gemini CLI 的 extension 安装、Cursor 的 plugin manifests 等多种方式部署/安装。HuggingFaceSkills的安装和使用方法1、安装Claude Code示例注册仓库为 plugin marketplace/plugin marketplace add huggingface/skills安装某个 skill/plugin install skill-namehuggingface/skills例如 hugging-face-clihuggingface/skills。OpenAI Codex将需要的 skill 目录复制或软链到 Codex 的标准 .agents/skills 位置如 $REPO_ROOT/.agents/skills 或 $HOME/.agents/skillsCodex 会基于 Agent Skills 标准发现并加载 SKILL.md。Google Gemini CLI仓库包含 gemini-extension.json可通过 gemini extensions install https://github.com/huggingface/skills.git --consent 安装。Cursor仓库内含 .cursor-plugin/plugin.json 与 .mcp.json可按 Cursor 插件流程从仓库 URL 安装。2、使用方法(1)、重要技能模块下列内容均直接基于仓库中对应 SKILL.md 的说明与脚本片段已标注来源。简介安装与使用案例应用hugging-face-cli — HF CLI 操作SKILL.md用于在终端通过 hf CLI 执行 Hub 操作下载模型/dataset/space、上传文件、创建仓库、管理缓存、运行 Jobs 等。提供全面的命令参考登录、下载、上传、repo 管理、cache 管理、列举模型/数据/space、运行 Jobs 等。典型命令示例摘录登录hf auth login / 非交互hf auth login --token $HF_TOKEN下载hf download repo-id 或 hf download repo-id --local-dir ./models上传hf upload . . --repo-type dataset / hf upload model.safetensorsJobshf jobs run --flavor a10g-small script / 列表 hf jobs ps / 日志 hf jobs logs id。将本地模型发布到 Hubhf repo create username/my-model → hf upload ./output . --commit-messageInitial release。或用 hf download 把模型拉到本地。hugging-face-datasets — 数据集创建与管理SKILL.md管理 Hugging Face Hub 上的数据集初始化数据集仓库、配置包括 system prompts、流式写入新增行、以及基于 SQL 的查询与转换。设计上与 HF MCP server 协同工作。支持流式更新不需下载整个数据集、配置存储、SQL 风格查询/转换、与 MCP server 的互操作。脚本采用 PEP 723 的 inline 依赖格式使用时可通过 uv run scripts/script_name.py 自动安装依赖仓库内脚本会自带 header。具体命令/脚本位于该 skill 的 scripts/下详见 SKILL.md。初始化新数据集 repo、定义数据集配置并通过脚本进行行流式更新或使用 SQL 把多列/多条记录转换为需要的结构SKILL.md 中有示例脚本与说明。hugging-face-evaluation — 模型评估与 model-card 更新SKILL.md将评测结果添加到模型卡从 README 中提取表格、从 Artificial Analysis 导入基准分数、或使用 vLLM / lighteval / inspect-ai 运行自定义评测并生成 model-index 格式的 YAML。支持解析 README 中的 Markdown 表格inspect-tables / extract-readme自动生成 model-index YAML支持导入第三方基准Artificial Analysis支持在 Hugging Face Jobs 上直接运行评测并创建 PR。推荐用 uv run scripts/evaluation_manager.py subcommandinspect-tables列出 README 中的表格结构extract-readme --table N把第 N 个表转换为 YAML默认打印--apply 或 --create-pr 可写回或创建 PR。注意事项在创建 PR 前务必先运行 get-prs 检查是否已有打开的 PR避免重复。从 README 抽取基准表自动生成 model-index 条目并创建 Pull Request或通过 import-aa 从 Artificial Analysis 导入并提交 PR。hugging-face-model-trainer — 在 HF Jobs 上用 TRL 训练SKILL.md面向在 Hugging Face Jobs 上使用 TRLTransformer Reinforcement Learning进行模型训练/微调SFT、DPO、GRPO、reward modeling并支持训练后将模型转为 GGUF 以便本地部署。包含 UVPEP 723脚本模板、Trackio 监控集成、硬件选择建议、成本估算脚本、数据校验工具与 GGUF 转换脚本。强调必须在 Job 配置中安全传递 HF_TOKEN 并将模型 push_to_hubTrue否则作业环境为临时训练结果会丢失。使用 MCP 工具 hf_jobs() 提交脚本内容应以内联字符串形式传入而非把脚本当作本地文件路径。提交时必须在 job config 中包含 secrets{HF_TOKEN: $HF_TOKEN}并在训练 config 中启用 push_to_hub 与 hub_model_id。每个训练脚本应包含 trackio 用于实时监控。训练方式仓库给出三种推荐方法Approach 1推荐直接用 hf_jobs(uv, {...}) 提交内联 UV 脚本PEP 723 header 声明依赖。示例脚本展示如何用 SFTTrainer、LoRA、Trackio 等。Approach 2使用 TRL 官方维护脚本通过 URL 引入的 CLI/Jobs 方式。Approach 3直接使用 hf jobs uv run CLI注意 flag 的位置与 --secrets 用法。重要提示默认 job timeout 很短如 30m训练需显式设置更长超时建议 1-2 小时及以上否则会超时导致训练失败与数据丢失。并提供硬件选择与成本估算脚本 scripts/estimate_cost.py。使用 scripts/train_sft_example.py模板在 a10g-large 上训练并自动 push 到 Hub训练结束后调用 scripts/convert_to_gguf.py 将模型转为 GGUF 以便离线/本地部署。仓库给出示范 Job 提交与常用故障排查建议OOM、timeout、Hub push failure 等。hugging-face-jobs — 通用 Job 提交与管理SKILL.md用于在 Hugging Face Jobs 基础设施上运行任意 Python 工作负载数据处理、批量推理、实验、训练等并给出提交、秘密管理、timeout、硬件选择等规范。推荐用 hf_jobs(uv, {...}) 或 hf jobs uv run脚本可内联或为公开 URL本地脚本需先 push 到 Hub。强调 secretsHF_TOKEN 的正确传递与作业超时时间设置并在提交后返回 job id、监控 url。用 Jobs 运行数据转换脚本、批量推理任务或把某些 CPU/ GPU 作业定时调度为 recurring jobs。(2)、其它技能简要huggingface-gradio用于构建 Gradio Web UI / demo含在 SKILL.md 中的使用建议与示例适合创建 chatbots、组件、布局等。hugging-face-tool-builder帮助构建可复用的 Hugging Face API 脚本/工具用于链式调用或自动化重复任务。hugging-face-paper-publisher帮助在 Hub 发布/管理论文页面、链接模型/数据集、生成 Markdown 形式的研究文章。hugging-face-trackioTrackio 集成记录训练指标并同步到 HF Spaces 仪表板。以上模块均有对应 SKILL.md 和 scripts/ 目录中示例脚本可直接参考与运行。3、使用建议与注意事项在创建/提交 PR 前先检查已有 PRevaluation skill 强调避免重复 PR。Jobs 环境是临时的 → 必须 push_to_hub若忘记配置 HF_TOKEN 或 push_to_hub训练结果会丢失。脚本以内联或公开 URL 形式传入 Jobs本地路径不可直接传入UV 脚本头部会自动安装依赖。在用 hf jobs uv run 时 flag 顺序很重要flags 必须在脚本 URL 之前。HuggingFaceSkills的案例应用1、快速示例—常见操作用 HF CLI 下载模型hf download meta-llama/Llama-3.2-1B-Instruct --local-dir ./model。在 Jobs 提交 UV 内联训练脚本简化示例摘自 model-trainerhf_jobs(uv, { script: # /// script # dependencies [trl0.12.0, peft0.7.0, trackio] # /// from trl import SFTTrainer, SFTConfig # ... (训练脚本内容) , flavor: a10g-large, timeout: 2h, secrets: {HF_TOKEN: $HF_TOKEN} })实际请参考 scripts/train_sft_example.py 模板并确保 push_to_hubTrue 和 hub_model_id 已配置。从 README 提取评测表并生成 YAMLevaluationuv run scripts/evaluation_manager.py inspect-tables --repo-id username/model uv run scripts/evaluation_manager.py extract-readme --repo-id username/model --table 1 --create-pr先用 get-prs 检查是否已有 PR。