这个 Skill 能做什么，适合哪些场景？
该技能面向希望分享 LoRA 效果的用户，帮助在 Hugging Face Spaces 上构建并发布 Gradio 演示。它会读取 LoRA 仓库和模型卡，判断基础模型、任务、触发词及推理参数，再据此设计 UI 和 diffusers 推理流程。默认目标是私有 Space 与 ZeroGPU 硬件。当前对 Qwen-Image、LTX 和 Krea 2 系列提供一等支持，其他基础模型需要类比处理或停止。
读取 Hugging Face Hub 上的 LoRA 仓库文件和模型卡；选择并验证基础模型的 pipeline 类；根据 LoRA 任务设计 Gradio 界面；编写 app.py、requirements.txt 和 README.md；创建私有 Gradio Space 并上传文件；为私有或受限模型配置 HF_TOKEN；等待构建、检查端点并执行一次实际推理烟雾测试。
- 训练了一个 Qwen-Image LoRA，想快速制作可在浏览器中试用的图像生成演示。
- 拥有一个 LTX 视频 LoRA，需要根据姿态控制、扩展画幅或其他具体用途设计专用输入界面。
- 在 Hub 上托管私有或受限 LoRA，需要带认证下载并发布为私有 Space。
- 希望把 LoRA 模型卡中的触发词、步数、引导尺度和示例输入准确带入演示。
如何安装这个 Skill？
- 不要在普通聊天中直接粘贴 write 权限 HF token；应使用受保护的凭据输入，并尽量采用最小权限、短期 token。
- 发布是外部副作用，必须在 app.py、requirements.txt 和 README.md 全部审阅后再执行；文档未提供明确撤销或回滚流程。
- 核心服务依赖 Hugging Face Hub/Spaces、ZeroGPU、远程模型和可能的 CDN，未证明中国大陆网络环境下可稳定访问。
- git diffusers、Gradio 和模型管线接口可能漂移；应固定已验证版本并补充真实 CI、启动和端到端测试。
- Shell / 命令行
- 网络访问
- 本地文件系统
PythonHugging Face HubGradioPyTorchdiffuserstransformersacceleratepeftsafetensorsspaces
从 huggingface/skills 仓库的 skills/ 目录复制或 symlink huggingface-lora-space-builder 文件夹到 Codex 的标准 .agents/skills 位置，例如 $REPO_ROOT/.agents/skills 或 $HOME/.agents/skills。README 未提供该单个技能的独立安装命令。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/huggingface/skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/huggingface-lora-space-builder" ~/.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：
- 为 Hugging Face 上的 `username/my-lora` 创建并发布一个私有 Gradio Space。
安装后，向编码代理提出类似请求："为 Hugging Face 上的 username/my-lora 创建并发布一个私有 Gradio Space。" 使用私有或受限 LoRA 时，技能会先检查现有认证；若确实需要，会要求具有 write 权限的 Hugging Face token。发布前会将 app.py、requirements.txt 和 README.md 一并提交审核。
这个 Skill 有哪些优点和局限？
- 围绕具体 LoRA 的任务和输入设计界面，而不是套用通用模板。
- 检查基础模型卡中的 pipeline 类，降低版本或变体不匹配的风险。
- 默认使用私有 Space，并覆盖 ZeroGPU 配置、依赖、认证和发布流程。
- 要求构建后进行端点检查和实际推理烟雾测试。
- 需要 LoRA 已存在于 Hugging Face Hub，且发布通常需要具有 write 权限的 token。
- 一等支持范围主要是 Qwen-Image、LTX 和 Krea 2；其他模型需要用户同意按近似方案处理。
- ZeroGPU 需要 PRO、Team 或 Enterprise 账户，否则可能回退到 CPU。
- 源材料没有展示独立测试套件或跨平台验证结果。
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 |
|---|---|---|---|---|
| LoRA Space Demo Builder 本页 | 51 · 谨慎使用 | ★ 11k | 18 天前 | Apache-2.0 |
| Hugging Face Spaces 构建器 | 50 · 谨慎使用 | ★ 11k | 18 天前 | Apache-2.0 |
| Hugging Face ZeroGPU 开发指南 | 56 · 谨慎使用 | ★ 11k | 18 天前 | Apache-2.0 |
| HF 模型训练器（TRL on Hugging Face Jobs） | 52 · 谨慎使用 | ★ 38k | 14 天前 | MIT |
| Azure OpenAI 模型部署助手 ✓ Microsoft · 官方 | 52 · 谨慎使用 | ★ 2.7k | 3 个月前 | MIT |
与 README 中推荐用于通用 Hub 操作的 hf-cli 相比，本技能范围更窄，专注于为用户提供的 LoRA 构建和发布 Gradio Space，而不是管理模型、数据集、作业等 Hub 资源。
FollowSkills 如何评估这个 Skill？
文档要求私有 Space、批量审批、输入校验，并说明部分数据流和依赖；但要求用户粘贴具有 write 权限的 HF token，权限范围偏宽，缺少安全输入、撤销/回滚、发布后清理和完整数据处理说明。未见恶意、窃取凭据或隐蔽外传证据，因此保留中等分数但扣除较多。
流程、管线选择、依赖推导和多类加载失败处理写得较细，异常类别也有诊断建议；但本次仅静态阅读，没有可执行测试，且依赖 git 主分支、动态 Gradio API 和外部模型卡，关键路径可重复性有限，按静态上限给分。
触发条件、五类任务、LoRA 子任务适配和不支持模型时的边界较清楚；但未提供中文界面或中文使用说明，核心功能依赖 Hugging Face Spaces、Hub 和 ZeroGPU，未说明中国大陆网络可达性，且部分版本判断需联网确认。
信息架构、渐进式披露、示例、依赖说明和已知陷阱较充分，仓库提供 Apache-2.0 元数据；但未明确维护负责人、版本策略、变更日志、稳定依赖快照或更新承诺，外部链接和 moving target 依赖增加维护风险。
目标输出、文件组成、审批流程和发布结果定义明确，理论上可直接生成私有 Gradio Space；但没有提交的示例产物、运行结果或测试覆盖，实际可用性、发布成功率和相对手工实现的收益无法静态验证，因此不超过静态上限。
文档包含具体代码片段、错误类别和参数依据，具备有限审计线索；但没有针对该技能的测试套件、CI、固定版本复现记录或第三方执行证据，关键结论主要依赖文档作者陈述，故仅给低分。
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 →