这个 Skill 能做什么，适合哪些场景？
该技能帮助用户规划将模型部署到 Amazon SageMaker AI。它先确认模型来源、模型类型和流量形态，再在实时端点、无服务器、异步推理、批量转换和 Bedrock Custom Model Import 之间选择路径。它会根据延迟、流量、模型规模和成本因素给出部署建议，并协调 AWS 上下文、IAM、镜像选择和生产部署等后续技能。实时推理和异步推理是当前提供脚本支持的主要路径。
询问模型 ID、S3 工件路径或模型名称，并在必要时确认模型类型、调用频率、延迟容忍度和成本敏感度；根据请求特点选择 SageMaker 部署路径；提供实例类型建议，并要求通过 AWS CLI 检查 SageMaker 端点配额；在用户确认后，将工作交接给 AWS 上下文发现、Python 环境、IAM 预检、服务镜像选择和生产默认配置等技能。
- 希望把 Hugging Face 文本生成模型部署为 AWS 在线推理端点的团队。
- 需要在 SageMaker 上托管 embedding 或 reranker 模型的开发者。
- 需要为长时间运行、请求突发的文生图或视频生成任务规划异步推理的用户。
- 希望根据流量是否稳定、延迟要求和 GPU 配额选择实例类型的 AWS 用户。
- 只知道“把我微调的模型运行在 AWS 上”但尚未确定部署方案的用户。
如何安装这个 Skill？
- 这是静态源文件审查，未执行任何命令、部署或测试；可靠性、效果和可验证性结论应谨慎解读。
- 使用前应确认 AWS 区域、SageMaker 配额、IAM 角色权限、模型和推理数据的敏感性，以及 AWS/Hugging Face 服务在目标网络环境中的可达性。
- 创建端点会产生费用并可能产生外部资源变更；必须保留用户确认、成本边界和失败后的清理/回滚方案。
- Shell / 命令行
- 网络访问
AWS CLI
从仓库的 skills/ 目录复制或建立符号链接，将 skills/hf-cloud-sagemaker-deployment-planner/ 放入 Codex 标准的 .agents/skills 位置，例如 $REPO_ROOT/.agents/skills 或 $HOME/.agents/skills。README 未提供该单个技能的独立安装命令；仓库整体也可按其说明通过 Claude Code 插件市场注册后安装，或使用 hf skills add <skill-name> 安装其他技能。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/huggingface/skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/hf-cloud-sagemaker-deployment-planner" ~/.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：
- Deploy my fine-tuned model to SageMaker
- Host this embedding model on AWS
安装后直接提出 SageMaker 部署请求，例如：“Deploy my fine-tuned model to SageMaker”或“Host this embedding model on AWS”。技能通常会先询问模型和大致调用频率，然后给出部署路径和实例建议；在创建资源前等待用户确认。
这个 Skill 有哪些优点和局限？
- 覆盖 LLM、embedding、reranker、分类器和扩散模型等明确场景。
- 根据流量、延迟、推理时长和成本选择实时、异步等部署路径。
- 明确提醒先检查区域级端点配额，减少因 GPU 配额为零导致的部署失败。
- 遵循少量澄清问题和用户确认后再创建资源的流程。
- 技能本身主要负责发现和路径规划，后续部署依赖仓库中的其他技能。
- 无服务器、批量转换和 Bedrock Custom Model Import 在该工作流中没有脚本化部署路径。
- 未提供独立的测试套件、平台测试结果或当前 SageMaker 镜像 URI。
- 使用 AWS CLI 检查配额并部署到 SageMaker 需要相应 AWS 环境和权限。
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 |
|---|---|---|---|---|
| SageMaker 模型部署规划器 本页 | 50 · 谨慎使用 | ★ 11k | 18 天前 | Apache-2.0 |
| SageMaker 生产部署默认配置 | 46 · 谨慎使用 | ★ 11k | 18 天前 | Apache-2.0 |
| Agent Platform 模型部署助手 ✓ Google · 官方 | 43 · 不推荐 | ★ 21k | 12 天前 | Apache-2.0 |
| AI Runway AKS 部署向导 ✓ Microsoft · 官方 | 51 · 谨慎使用 | ★ 2.7k | 3 个月前 | MIT |
| SageMaker 服务镜像选择器 | 47 · 谨慎使用 | ★ 11k | 18 天前 | Apache-2.0 |
实时端点适合稳定流量和较低延迟，但稀疏流量可能产生闲置成本；无服务器适合间歇性流量，但冷启动和内存限制不适合较大的 LLM。异步推理适合长时间运行、大载荷或突发请求；批量转换适合离线数据集评分。Bedrock Custom Model Import 适合需要 Bedrock API 且模型架构受支持的场景，但不适合自定义推理逻辑。
FollowSkills 如何评估这个 Skill？
技能要求在创建端点前明确说明成本并等待用户确认，也要求检查配额并先进行 AWS/IAM 预检，降低未经同意的外部影响。扣分原因是未规定最小 IAM 权限、敏感模型或数据处理、凭证保护、部署失败回滚和完整数据流披露；发布者身份也未被验证。
工作流阶段和路径选择规则基本一致，并要求对未知的镜像 URI、SDK API 和配额进行检查。扣分原因是依赖多个未提供的技能，未给出本技能关键路径的测试、异常输入处理、失败诊断或可复现结果；静态证据不足以超过 10 分。
触发条件、目标用户、模型类型、流量与延迟问题及实时/异步边界描述较清晰，也明确说明 serverless、batch 和 Bedrock 路径未脚本化。扣分原因是非适用范围仍不完整，缺少中文支持说明，并依赖 Amazon SageMaker、AWS CLI 和相关海外服务，未说明中国大陆网络可达性。
文档按发现、路径选择、预检和部署分层，包含参数线索、实例选择示例、成本确认和仓库 README 中的 Apache-2.0 许可及生成校验流程。扣分原因是技能自身没有版本、变更记录、维护责任人、更新路径、FAQ、依赖安装说明或系统化限制与故障排查信息。
该技能能完成部署需求澄清、路径推荐、配额检查提示和向专用技能移交，核心规划价值明确。扣分原因是它不直接部署，最终输出依赖其他技能和外部环境；没有代表性输出、实际部署证据或与手工流程相比的效果验证，静态评估上限为 7 分。
固定 revision、README 的生成文件校验工作流、安全政策和明确的命令示例提供了有限审计线索。扣分原因是没有覆盖本技能关键路径的提交测试、第三方执行证据或多来源交叉验证，且静态阅读无法复现结论；因此不超过 5 分。
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 →