Hugging Face API 工具构建器
把与 Hugging Face API 的交互打包成可复用、可管道组合的命令行脚本，免去每次重复写一次性抓取代码。
加分：HF_TOKEN 通过环境变量注入而非硬编码，令牌可选（公开数据可匿名访问），脚本以只读 API 调用为主，最小权限、无外部写操作，有临时目录清理（trap cleanup）。扣分：无显式的用户确认与回滚机制，find_models_by_paper.sh 中 AUTH_HEADER 以未加引号字符串拼接（虽主要作为显示用途，实际 curl 分支单独处理），令牌数据流说明部分依赖推断，attribution 与安全边界未系统声明。
加分：多数脚本有 set -euo pipefail、--help、参数校验、jq 依赖检查和结构化错误输出（request_failed/invalid_/not_found）。扣分：find_models_by_paper.sh 存在矛盾逻辑——USE_TOKEN 解析后条件写法混乱（[[ "$USE_TOKEN" == true || -n "$HF_TOKEN" ]] 恒为真时才拼接），构建的 CURL_CMD 字符串从未执行，属于死代码且 --token 标志实际不改变行为；get_paper_title 是占位假实现；无任何已提交测试覆盖关键路径。
加分：场景清晰（构建可复用 HF API 命令行工具），描述明确触发条件（链式/重复 API 调用任务），参考脚本附丰富示例与 --help。扣分：未声明非适用边界，未说明依赖版本要求（hf CLI、jq、python3 版本），核心功能完全依赖 huggingface.co 及 arXiv.org，对中国大陆网络可达性构成实质限制但文档未作任何披露。
加分：SKILL.md 分层清晰（规则→示例→端点→CLI），示例从 baseline 到组合管道渐进披露，仓库级 MIT 许可明确。扣分：技能本身无版本号、无 changelog、无独立维护者声明与更新路径，仓库 README 面向通用教程集合而非此技能，已知限制（如 openapi. 过大这一有用提示之外）披露有限。
加分：技能目标明确且提供了可直接组合的脚本管道（stdin→NDJSON→jq 排序），相对手动编写 cURL 有实际边际价值，脚本可直接使用。扣分：静态审查无法验证输出正确性，openai/gpt-oss-120b 等示例输出未经证实，hf_model_card_frontmatter.sh 依赖自写的简易 YAML 解析器，对复杂 frontmatter（嵌套、多行值）可能解析不完整，需要人工复核。
加分：所有关键声明（脚本行为、依赖、用法）均有可审计的源文件对应。扣分：无 CI 工作流、无已提交测试、无第三方执行证据覆盖本技能路径，仓库中其他项目的测试（build-code-harness、notebook-lm-clone）与本技能无关，不能作为佐证。
- 核心功能完全依赖 huggingface.co，中国大陆网络环境下可能无法直接使用，需自备网络方案。
- find_models_by_paper.sh 的 --token 标志逻辑混乱且存在未使用的死代码，实际行为可能与帮助文本描述不一致，使用前请人工核对。
- 静态审查未执行任何脚本；所有示例输出均未经验证，YAML frontmatter 解析器为自写简易实现，复杂模型卡可能解析不全。
- 技能无独立版本号与变更记录，脚本行为可能随仓库更新而无提示变化。
这个 Skill 能做什么，适合哪些场景？
这个技能指导 AI 助手为 Hugging Face API 生成可复用的命令行工具，支持链式调用、管道传输和中间处理。它内置了 bash、Python 和 TSX 的基线示例脚本，以及模型元数据、论文关联、模型卡 frontmatter 提取等参考实现。技能强调通过 HF_TOKEN 做认证、用 jq 探查 API 结构、并优先交付简单可组合的方案。适合需要反复或自动化获取、丰富和处理 Hugging Face 模型与数据集数据的用户。
技能会让助手编写带 --help 的 shell/Python/TSX 脚本，通过 curl 带 HF_TOKEN Authorization 头调用 https://huggingface.co/api/ 下的端点（models、datasets、spaces、collections、daily_papers、trending 等），可借助 hf CLI 下载模型卡等仓库文件，并用 jq 从 OpenAPI 规范（openapi.）中查询端点定义。产出是可执行、可管道组合的脚本，输出原始 JSON 或 NDJSON，附使用示例。参考脚本包括趋势模型→元数据→模型卡的链式抓取、按论文检索模型、以及提取模型卡 YAML frontmatter 为 NDJSON 摘要（license、pipeline tag、gated 标志等）。
- 数据工程师想批量获取模型元数据并喂给下游流式管道（如 hf_enrich_models.sh 从 stdin 读模型 ID、逐行输出 NDJSON）
- 研究人员想找到与某篇 arXiv 论文关联的所有 Hugging Face 模型，并容忍窄搜索时的重试回退
- 平台运维需要批量审计模型卡的 license、gated 提示标志等元信息用于合规清单
- 自动化脚本作者想要一个带 --help、非破坏性且经过测试的基础 API 抓取脚本，之后自行扩展
- 需要对比趋势模型下载量的分析场景：用管道把热门列表排序取前 N 再丰富元数据
这个 Skill 有哪些优点和局限？
- 自带多种可直接复用的参考脚本（bash/Python/TSX 三种语言基线），覆盖认证、链式调用和 frontmatter 提取
- 强调 --help、非破坏性测试和管道可组合性，产出脚本质量有明确规范
- 通过 HF_TOKEN 认证获得更高限速，并处理 gated/私有内容的授权
- 用 jq 查询 OpenAPI 规范的方式规避了直接读取超大 openapi. 的坑
- 强依赖外部工具：curl、jq、hf CLI 及 HF_TOKEN 环境变量，缺一不可运行
- 技能本身不包含自动化测试套件；仓库 README 未提供针对该子技能的独立文档或安装说明
- 以 shell 脚本为主，Windows 原生环境（无 WSL/bash）未被说明支持
- API 端点列表为技能撰写时的快照，Hugging Face API 变更后可能需要更新脚本
如何安装这个 Skill？
该技能位于 monorepo patchy631/ai-engineering-hub 的 hugging-face-skills/skills/hugging-face-tool-builder/ 目录（仓库整体采用 MIT 许可）。按 Agent Skills 惯例，把整个 hugging-face-tool-builder 文件夹放到你的 Agent Skills 客户端的技能目录下即可被识别；仓库 README 未说明针对该子技能的专门安装命令。使用前需准备：设置 HF_TOKEN 环境变量、安装 jq 和 curl、安装 hf CLI（huggingface_hub）。
如何使用这个 Skill？
触发方式：向具备该技能的助手描述任务，例如"帮我写一个脚本，列出 Hugging Face 上最热门的 25 个模型及其下载量和 license"。技能会让助手生成脚本、在交付前做非破坏性测试，并附上用法示例。也可以直接使用目录内参考脚本，例如：references/baseline_hf_api.sh 25 | jq -r '.[].id' | references/hf_enrich_models.sh | jq -s 'sort_by(.downloads) | reverse | .[:10]'。