这个 Skill 能做什么，适合哪些场景？
hf-mem 是 Hugging Face Skills 仓库中的独立技能，用于估算 Hugging Face Hub 上模型权重的推理内存需求。它支持 Safetensors 和 GGUF，并通过 HTTP Range 请求读取远程文件信息，无需在本地下载或加载权重。默认估算模型权重内存；使用 --experimental 时，还可为支持的 LLM、VLM 和 GGUF 模型估算 KV 缓存。它适合在部署前判断模型是否适合目标 GPU 或计算实例。
运行 hf-mem CLI，检查指定 Hugging Face Hub 仓库中的 Safetensors 或 GGUF 权重，并输出 JSON 格式的内存估算结果。对于包含多个 GGUF 精度或量化文件的仓库，可按文件估算，也可使用 --gguf-file 指定目标文件或分片路径。使用 --experimental 时，根据上下文长度、批大小和 KV 缓存精度计算额外的 KV 缓存内存。
- 用户想在运行某个 Hugging Face 模型前了解所需 VRAM 或内存时使用。
- 用户需要判断模型是否能装入指定 GPU 或云实例时使用。
- 用户提供 Hugging Face 模型 ID 或 URL，并询问推理资源需求时使用。
- 用户需要比较同一 GGUF 仓库中不同量化文件的内存估算时使用。
如何安装这个 Skill？
- 运行 uvx 可能从外部源获取未固定版本的工具；应确认包来源、版本和执行环境。
- 该技能会访问 Hugging Face Hub；私有或 gated 模型涉及 HF_TOKEN，需避免在命令、日志或输出中泄露令牌。
- 文档未说明中国大陆网络可达性、失败处理、估算误差和结果字段语义；部署前应补充这些限制并进行实际验证。
- Shell / 命令行
- 网络访问
uv
将仓库中的 skills/hf-mem/ 文件夹复制或符号链接到客户端支持的 Agent Skills 目录，例如 Codex 的 $REPO_ROOT/.agents/skills 或 $HOME/.agents/skills。README 还说明可通过 hf skills add <skill-name> 添加其他 Hugging Face 技能，但未提供 hf-mem 的独立安装包或版本信息。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/huggingface/skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/hf-mem" ~/.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？
先确保已安装 uv，然后运行：
uvx hf-mem --model-id <model-id> --json-output
对于指定 GGUF 文件，运行：
uvx hf-mem --model-id <model-id> --gguf-file <file-or-path> --json-output
要估算 KV 缓存，可加入 --experimental，并按需设置 --max-model-len、--batch-size 和 --kv-cache-dtype。访问 gated 或 private 模型时，设置 HF_TOKEN 环境变量或传入 --hf-token。
这个 Skill 有哪些优点和局限？
- 支持 Safetensors 和 GGUF。
- 通过 HTTP Range 请求工作，无需下载或本地加载模型权重。
- 可输出 JSON，便于自动化处理。
- 实验性模式可将 KV 缓存纳入估算，并支持上下文长度、批大小和缓存精度参数。
- 依赖 uv 和网络访问 Hugging Face Hub。
- GGUF 仓库包含多个量化文件时，可能需要手动指定目标文件。
- KV 缓存估算标记为 experimental。
- 源材料没有提供测试套件、性能数据或跨平台验证信息。
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 模型内存估算器 本页 | 44 · 不推荐 | ★ 11k | 19 天前 | Apache-2.0 |
| Sentence Transformers 训练助手 | 47 · 谨慎使用 | ★ 11k | 19 天前 | Apache-2.0 |
| Hugging Face LLM 训练器 | 48 · 谨慎使用 | ★ 11k | 19 天前 | Apache-2.0 |
| Trackio 实验追踪技能 | 53 · 谨慎使用 | ★ 38k | 14 天前 | MIT |
| Hugging Face 数据集探索助手 | 49 · 谨慎使用 | ★ 11k | 19 天前 | Apache-2.0 |
FollowSkills 如何评估这个 Skill？
文档明确说明通过 Hugging Face Hub 的 HTTP Range 请求读取权重元数据，并说明 HF_TOKEN 仅用于 gated/private 模型，数据流边界基本可见；但要求使用 uvx 获取并运行未固定版本的外部 CLI，未说明令牌保护、用户确认、权限隔离、失败恢复或回滚，因此扣除 12 分。未发现凭据窃取、隐蔽外泄或破坏性默认行为。
命令、Safetensors/GGUF 分支及主要参数说明相互一致，正常路径看似可运行；但未提供版本锁定、测试套件、错误输出示例、异常输入处理或诊断指引，且本次未执行验证，按静态校准限制为 7 分。
使用场景、模型 ID、GGUF 文件、实验模式和 JSON 输出均有明确说明，覆盖 Transformers、Diffusers、Sentence Transformers、LLM/VLM；但非适用范围、估算误差边界、触发排除条件、中文支持及中国大陆网络可达性未说明，核心功能依赖 Hugging Face Hub 和 uv 获取包，故扣分。
SKILL.md 结构简洁，包含触发条件、需求、运行方式、参数和示例；仓库提供 Apache-2.0 许可证及 CI 生成校验。但该技能没有版本、变更记录、明确维护责任人或更新路径，也缺少故障排查、限制说明和输出字段解释，因此为中等分数。
命令直接生成 JSON 内存估算，且涵盖权重与可选 KV cache，目标结果具有直接可用性；但没有提交的实际运行结果、准确性验证或与其他方法的比较，估算适用边界也不完整，按静态校准仅给 5 分。
源文件提供了可审计的命令、参数和示例，仓库 CI 能验证生成文件一致性；但未见覆盖 hf-mem 关键路径的测试、真实输出、第三方复核或多源交叉证据，静态证据有限，故为 3 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 →