Hugging Face CLI 技能
让 AI 助手直接在终端执行 Hugging Face Hub 的模型下载、上传、仓库管理、缓存清理与云端 GPU 任务。
纯文档型技能，不包含可执行脚本，无隐蔽数据外传或凭据窃取风险；文档披露了认证方式（token、环境变量）并提示 --add-to-git-credential 的副作用；对删除类命令（repo delete、repo-files delete、cache rm）默认确认并支持 --dry-run/--yes。扣分项：未说明破坏性操作需用户确认的指引缺失，未覆盖 secrets 传递（--secrets HF_TOKEN）的安全注意事项。
命令语法内部一致，SKILL.md 与 references/commands.md、examples.md 相互印证，失败反馈路径（如 HF_HUB_DOWNLOAD_TIMEOUT）有提及。扣分项：静态评审无法执行验证，未锁定 hf CLI 版本（命令属较新的 huggingface_hub CLI 语法，旧版不可用），无测试或 CI 证据覆盖关键路径。
frontmatter description 触发条件清晰（下载/上传/建仓/缓存/算力任务），范围界定明确，三层文档结构利于语义调用。扣分项：核心功能完全依赖 huggingface.co 及其云服务（jobs、endpoints），中国大陆网络可达性差且未做任何说明或镜像方案，无中文支持。
文档分层良好（SKILL.md → commands.md → examples.md），有目录和快速参考表，仓库 MIT 许可明确。扣分项：未说明 hf CLI 的安装方式与版本要求（隐藏依赖假设），无版本号/变更记录，无 FAQ 或已知限制章节，维护责任仅体现为通用仓库贡献指南。
作为 Agent 技能，命令参考详尽且示例可直接使用（含 CI/CD 模式、批量下载脚本），对代理执行 HF Hub 操作有边际价值。扣分项：静态评审无法验证输出正确性，内容与官方文档高度重叠，边际增益有限，且计费操作（jobs/endpoints）的费用影响未提示。
内容可溯源至 huggingface_hub 官方 CLI，示例使用真实仓库 ID（如 meta-llama/Llama-3.2-1B-Instruct），事实与示例区分清晰。扣分项：无第三方执行证据、无 CI 加测试覆盖该技能路径，跨源佐证仅限与官方命令体系的静态对照，静态评分上限 5。
- 该技能依赖 huggingface.co 及其云端服务（jobs/endpoints），中国大陆网络环境下核心功能可能不可用，需自行准备代理或镜像。
- 文档未锁定 hf CLI 版本；旧版 huggingface_hub 不具备这些命令（如 hf jobs、hf cache），安装时需确保较新版本。
- 包含删除仓库、删除文件等不可逆命令及按量计费操作（GPU jobs、推理端点），代理执行前应逐条确认。
- 将 HF_TOKEN 等机密传入云端任务时注意作用域与泄露风险；未执行过验证，全部结论来自静态阅读。
这个 Skill 能做什么，适合哪些场景？
这项技能教助手使用 Hugging Face 官方 `hf` 命令行工具，覆盖登录认证、模型/数据集/Spaces 的下载与上传、仓库创建与标签管理、本地缓存操作，以及在 HF 基础设施上运行 GPU 作业和部署推理端点。它以速查表加分类命令示例的形式组织，并附有完整的命令参考文件。适合需要频繁与 Hugging Face Hub 交互的开发者，把日常 Hub 操作交给助手代为执行。该技能来自 patchy631/ai-engineering-hub 仓库，该仓库以 MIT 许可证发布，打包了 10 个技能。
读取用户对模型、数据集、缓存或 Hub 仓库的操作意图，生成并执行 hf CLI 命令：hf auth login/whoami 完成认证；hf download（支持 --local-dir、--include、--revision）下载模型或数据集；hf upload（支持 --create-pr、--commit-message）发布文件；hf repo create/tag/branch/settings 管理仓库；hf cache ls/rm/prune/verify 管理本地缓存；hf models/datasets/spaces ls 浏览 Hub；hf jobs run 提交 CPU/GPU 云端作业；hf endpoints deploy/pause/scale-to-zero 管理推理端点。
- 部署工程师需要把某个模型（如 meta-llama/Llama-3.2-1B-Instruct）下载到本地目录用于离线推理服务
- 研究者训练完模型后，需要创建私有仓库、上传权重并打上版本标签发布
- 开发者本地磁盘被 Hugging Face 缓存占满，需要列出并清理特定仓库或失效修订
- ML 从业者想在 HF 云端以 a10g-small 等 GPU 规格运行脚本作业并查看日志
- 团队需要为某个模型部署、暂停或缩容到零的推理端点
- 用户想按任务或关键词搜索 Hub 上热门的模型、数据集或 Spaces 并获取详情
这个 Skill 有哪些优点和局限？
- 覆盖面完整：认证、下载、上传、仓库管理、缓存、浏览、云端作业、推理端点一站覆盖
- 命令速查表结构清晰，便于助手精确选取正确的命令与参数
- 包含真实可用的常见工作流，如本地部署下载、发布打标、Space 同步
- MIT 许可证，附独立参考文档便于扩展查阅
- 完全依赖 `hf` CLI 已在本地安装并可用，SKILL.md 未包含安装 CLI 的步骤
- 认证、上传、删除等操作需要有效的 Hugging Face 账户和 token，且部分操作不可逆
- 仓库 README 中的安装与维护信息针对整个 10 技能合集，未针对本技能单独说明测试情况
- GPU 作业与推理端点会产生 HF 云端费用，SKILL.md 未说明计费细节
如何安装这个 Skill？
该技能位于 ai-engineering-hub 单体仓库的 hugging-face-skills/skills/hugging-face-cli/ 目录下。将整个 hugging-face-cli 文件夹复制到你的 Agent Skills 目录（如 Claude Code 的 ~/.claude/skills/hugging-face-cli/）。SKILL.md 未说明专用的安装脚本或依赖安装步骤；前提是你的环境中已安装 Hugging Face hf CLI。仓库未提供该技能的单独安装命令。
如何使用这个 Skill？
安装后直接用自然语言触发即可，例如："把 meta-llama/Llama-3.2-1B-Instruct 下载到 ./model 目录" 或 "帮我创建一个私有仓库并上传 ./output 权重"。助手会依据 SKILL.md 生成对应的 hf 命令并执行。认证类操作需要先运行 hf auth login（可交互输入或使用 --token $HF_TOKEN）。references/commands.md 与 references/examples.md 提供更完整的命令与工作流参考。