这个 Skill 能做什么，适合哪些场景？
该技能为智能体提供 Hugging Face Hub CLI（hf）的完整操作指南，覆盖认证、缓存、仓库、模型、数据集、Spaces、Buckets、论文、作业和推理端点。它适合需要通过命令行执行 Hugging Face Hub 管理与机器学习基础设施操作的用户。技能还涵盖讨论、拉取请求、集合、Webhook、扩展和沙盒管理。它属于 huggingface/skills 多技能仓库中的 hf-cli 技能，不代表其他技能的专用工作流。
安装并使用 hf CLI；登录、切换和管理访问令牌；下载与上传模型、数据集和 Spaces 文件；创建、复制、移动、删除和配置 Hub 仓库；管理 Buckets、缓存、集合、讨论和拉取请求；浏览模型、数据集、Spaces 与论文；执行数据集 SQL 查询；运行、调度、检查和取消 Hugging Face Jobs；创建和管理沙盒、Spaces、Webhook 及 Inference Endpoints；以表格、JSON、agent 或安静格式输出结果。
- 需要批量下载或上传模型、数据集或 Space 文件的机器学习开发者。
- 需要管理 Hugging Face 仓库、分支、标签、权限和拉取请求的团队。
- 需要在 Hugging Face 基础设施上运行或调度训练、推理和数据处理作业的用户。
- 需要查询数据集 Parquet 文件、执行 DuckDB SQL 或验证本地缓存的研究人员。
- 需要部署、暂停、扩缩和维护 Hugging Face Inference Endpoints 或 Spaces 的运营人员。
如何安装这个 Skill？
- 安装命令将远程脚本直接通过curl管道执行，建议固定脚本内容或校验哈希后再运行。
- 该技能包含令牌打印、上传、删除仓库/桶、运行作业、部署和删除端点等高影响操作；使用前应要求逐项确认、限制令牌权限并准备恢复方案。
- 触发描述过宽，可能在仅需一般AI/ML帮助时误触发CLI技能。
- 依赖Hugging Face海外服务；大陆网络可达性、代理配置和离线替代方案未说明。
- Shell / 命令行
- 网络访问
- 本地文件系统
Hugging Face Hub CLI (hf)
安装 CLI：curl -LsSf https://hf.co/cli/install.sh | bash -s。随后将本技能目录放入 Codex 的标准 .agents/skills 位置，或通过 Claude Code 插件市场安装 huggingface/skills 中的 hf-cli。仓库 README 未提供单独的自动安装命令来把该 SKILL.md 安装到所有客户端。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/huggingface/skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/hf-cli" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- 使用 hf-cli 登录 Hugging Face，下载模型 openai-community/gpt2，并列出其文件。
在已安装技能的编码代理中直接提出 Hugging Face Hub 操作，例如：“使用 hf-cli 登录 Hugging Face，下载模型 openai-community/gpt2，并列出其文件。”使用 hf --help 查看命令；认证命令位于 hf auth 下，例如 hf auth whoami。建议通过 HF_TOKEN 环境变量提供令牌。
这个 Skill 有哪些优点和局限？
- 覆盖范围广，包含 Hub 核心资源、作业、沙盒和推理端点。
- 支持 JSON、agent 等适合智能体处理的输出格式。
- README 说明该技能由本地安装的 CLI 生成，可通过 hf skills update 更新。
- 明确替代已弃用的 huggingface-cli 命令。
- 需要 shell、网络连接和本地文件系统访问。
- 许多操作需要 Hugging Face 账户或访问令牌，但源材料未说明具体权限边界或费用。
- 源材料未提供测试套件、平台兼容性矩阵或常见失败处理说明。
- 命令数量和参数很多，初次使用需要依赖 hf --help 进一步查阅。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| Hugging Face Hub CLI 技能 本页 | 42 · 不推荐 | ★ 11k | 18 天前 | Apache-2.0 |
| Hugging Face CLI 技能 | 55 · 谨慎使用 | ★ 38k | 14 天前 | MIT |
| Azure W&B .NET 管理技能 ✓ Microsoft · 官方 | 42 · 不推荐 | ★ 2.7k | 3 个月前 | MIT |
| NeMo AutoModel 模型接入指南 ✓ NVIDIA · 官方 | 60 · 推荐 | ★ 3.6k | 12 天前 | Apache-2.0 |
| Hugging Face ZeroGPU 开发指南 | 56 · 谨慎使用 | ★ 11k | 18 天前 | Apache-2.0 |
该技能使用当前的 hf 命令，替代已弃用的 huggingface-cli。源材料没有提供与其他 CLI 或 SDK 的功能对比。
FollowSkills 如何评估这个 Skill？
证据显示该技能覆盖下载、上传、认证、云端作业、沙箱和端点管理，并为部分删除操作提供--yes、--dry-run或永久删除提示；但安装使用curl管道bash，权限边界、敏感数据流、令牌暴露（hf auth token输出到stdout）、用户确认、回滚和扩展安装安全审查均未充分说明，因此扣分。未验证发布者身份本身不构成额外扣分。
命令分类、参数和已弃用命令替代关系较清楚，并注明由huggingface_hub v1.23.0生成；但仅有静态命令清单，缺少关键路径测试、输入边界、依赖可用性证明和异常失败诊断说明，不能据此确认端到端可运行，因此按静态上限保守扣分。
描述覆盖模型、数据集、Spaces、作业、论文、仓库和云存储等多类场景，触发词也很宽；但“任何AI/ML相关任务”和云存储触发范围过度宽泛，未清楚声明非适用边界、输入输出契约、语义排除条件或中文支持；核心服务依赖huggingface.co及相关海外基础设施，面向中国大陆网络的可达性未说明，因此扣分。
证据显示具备Agent Skills格式、安装说明、命令分组、版本生成信息、README安装路径、Apache-2.0许可证、安全报告渠道以及生成文件CI校验；但技能文档缺少逐步示例、故障排查、已知限制、稳定参数策略、变更日志和明确维护责任，且自动生成更新路径对使用者不够具体，因此未满分。
命令清单直接覆盖大量Hub管理任务，并提供agent/json等输出格式，理论上可完成核心CLI操作；但没有代表性输出、成功结果验证、任务级工作流示例或与手工/API替代方案的比较，且复杂云端和破坏性操作仍需大量上下文判断，因此按静态证据上限给分并扣除完整性与直接可用性分数。
有固定修订版本、生成版本信息、README中的生成与CI校验流程、安全政策和工作流证据，具备一定可追溯性；但没有提交的测试套件覆盖技能关键路径，也没有第三方执行记录或多源结果复现，因此静态评估只能给有限分数。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →