Hugging Face Spaces 构建器
帮助智能体创建、部署和维护 Hugging Face Spaces 应用。
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。
- 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。
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。
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。
如何安装这个 Skill？
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。
如何使用这个 Skill？
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 与同类方案有什么区别？
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。