这个 Skill 能做什么，适合哪些场景？
该技能面向在 Hugging Face Spaces 上创建、构建、调试和维护机器学习应用的任务。它覆盖 Gradio、Docker 和 Static SDK，以及 ZeroGPU、专用硬件、模型加载、持久化存储、推理提供商和社区资助。技能会指导智能体使用 hf CLI、Space README 前置元数据、Python spaces 包和在线 Space 环境完成迭代与验证。适合需要实际托管 Hugging Face 应用的开发者，但部分 GPU 和存储功能受账户权限与费用限制。
检查 hf CLI 与 Hugging Face 登录状态；搜索已有 Spaces 作为实现参考；根据模型和应用需求选择 SDK 与硬件；创建 Space、编写 README 前置元数据、应用代码和 requirements.txt；指导 ZeroGPU 的 spaces.GPU 装饰器、模型加载与 Gradio MCP 服务配置；使用 hf upload 推送文件；读取构建和运行日志；调用 Gradio API 验证输出；配置 buckets 持久化存储；根据已知错误和调试阶梯处理构建或运行故障。
- 需要发布公开机器学习演示的开发者，想用 Gradio 和 ZeroGPU 创建 Space。
- 已有 GitHub 模型项目的开发者，想把推理代码改造成 Hugging Face Space。
- Space 构建失败或运行异常的维护者，需要按日志和 API 响应定位问题。
- 需要非 Python 容器或前端项目的开发者，想选择 Docker 或 Static SDK。
- 需要保存上传文件、生成结果或日志的 Space 作者，想配置 Hugging Face bucket。
如何安装这个 Skill？
- 该技能会指导创建、上传、重启 Space、设置 Secrets/环境变量和付费 Bucket；执行前应逐项确认目标、可见性、令牌权限、费用和数据是否会公开，并预先准备可恢复方案。
- 核心流程依赖 huggingface.co、Hugging Face CLI、Spaces 运行时及外部推理提供商；文档未证明其在中国大陆网络环境中的稳定可达性。
- 文档建议查询“当前最新”版本，但示例和硬件、Python、Torch 兼容性声明可能随平台变化；应在实际操作前重新核验。
- 不要把真实令牌、PII 或其他敏感数据写入公开环境变量或公开 Bucket。
- Shell / 命令行
- 网络访问
- 本地文件系统
- MCP Server
PythonHugging Face CLI (hf)GradioDocker (for Docker Spaces)Git
从仓库的 skills/huggingface-spaces/ 目录获取该技能，并将其复制或符号链接到兼容 Agent Skills 客户端的技能目录。对 Codex，可放入仓库或用户级 .agents/skills 目录。README 还说明可通过 hf skills add <skill-name> 按需安装技能；仓库整体也支持 Claude Code、Codex、Gemini CLI 和 Cursor。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/huggingface/skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/huggingface-spaces" ~/.claude/skills/
rm -rf "$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：
- 使用 Hugging Face Spaces 技能，把这个 PyTorch 模型部署为 ZeroGPU Gradio Space，并验证线上 API。
在编码代理中明确触发，例如：“使用 Hugging Face Spaces 技能，把这个 PyTorch 模型部署为 ZeroGPU Gradio Space，并验证线上 API。”开始前检查 hf CLI 和登录状态；创建 Space 时使用 hf repos create，上传时使用 hf upload <namespace>/<name> . --repo-type space。具体应用仍需根据模型、SDK、硬件和账户权限决定。
这个 Skill 有哪些优点和局限？
- 覆盖从 Space 创建到线上验证的完整工作流。
- 提供 Gradio、Docker、Static 和多种硬件方案的选择依据。
- 包含 ZeroGPU、日志调试、API 冒烟测试和持久化 bucket 等具体操作。
- 明确指出常见配置陷阱，例如 ZeroGPU 导入顺序和 hf upload 的仓库类型。
- ZeroGPU 仅支持 Gradio、以 PyTorch 为主，并要求创建者使用 PRO、Team 或 Enterprise 计划。
- 专用 GPU 和 bucket 属于付费能力，并受 canPay 等账户权限限制。
- 技能依赖可用的 hf CLI、网络访问和线上 Space 环境；本地测试建议非常有限。
- 提供的材料未说明自动化测试套件或跨平台运行测试。
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 Spaces 构建器 本页 | 50 · 谨慎使用 | ★ 11k | 18 天前 | Apache-2.0 |
| LoRA Space Demo Builder | 51 · 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 |
| TAO Sparse4D 训练技能 ✓ NVIDIA · 官方 | 54 · 谨慎使用 | ★ 3.6k | 12 天前 | Apache-2.0 |
| Agents Observe | 54 · 谨慎使用 | ★ 696 | 1 个月前 | MIT |
与仓库中的 hf-cli 技能相比，huggingface-spaces 专注于 Space 应用的创建、部署、调试和维护；README 将 hf-cli 定位为覆盖 Hugging Face Hub 命令的推荐配套技能。
FollowSkills 如何评估这个 Skill？
文档说明了登录、令牌范围、用户确认付费存储、Secrets 与公开环境变量的区别，并警告公开 Bucket 不应存放 PII；但部署、上传、重启、创建资源和外部推理会产生明显外部影响，缺少统一的逐步确认、回滚方案、权限最小化检查和完整数据流披露，因此扣分。
内容覆盖 CLI 检查、依赖冲突、日志诊断、已知错误和端到端烟测流程，且静态阅读下主路径基本自洽；但存在依赖平台当前状态、CLI 版本和外部服务的假设，未提供提交的测试套件或 CI 覆盖，部分版本与硬件声明可能过时，因此不超过静态上限并扣分。
Frontmatter 明确列出创建、托管、调试、ZeroGPU、Docker、Static SDK 和 hf spaces 场景，触发条件较具体；但非适用边界、输入输出契约和语义误触发防护仍不完整，未提供中文支持，并且核心能力依赖 Hugging Face 外部服务，面向中国大陆网络的可达性未说明，因此扣分。
目录结构清晰，主文档通过 references 实现渐进披露，包含安装、依赖、示例、故障排查、限制、许可证和更新建议；但未明确维护责任人、版本策略、变更日志或正式更新路径，README 主要是安装说明，若干引用内容依赖外部文档，因此扣分。
技能为 Space 的创建、实现、调试和验证提供了大量可直接复用的命令、代码模式和故障处理建议，核心任务价值明确；但本次仅静态审查，没有执行或真实 Space 输出证据，且用户仍需按具体模型、依赖和账户条件调整方案，因此按静态上限扣分。
文档包含命令、错误字符串、配置示例和指向 Hugging Face 官方资料的引用，具备一定审计性；但没有提交的测试套件、CI 结果、版本锁定证据或独立复现记录，关键声明主要仍是文档作者提供的指导，因此不超过静态上限并扣分。
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 →