Agent之skill：HuggingFaceSkills的简介、安装和使用方法、案例应用之详细攻略

简介

安装与使用

案例应用

hugging-face-cli — HF CLI 操作（SKILL.md）

用于在终端通过 hf CLI 执行 Hub 操作：下载模型/dataset/space、上传文件、创建仓库、管理缓存、运行 Jobs 等。

提供全面的命令参考（登录、下载、上传、repo 管理、cache 管理、列举模型/数据/space、运行 Jobs 等）。

典型命令示例（摘录）：

登录：hf auth login / 非交互：hf auth login --token $HF_TOKEN

下载：hf download <repo-id> 或 hf download <repo-id> --local-dir ./models

上传：hf upload . . --repo-type dataset / hf upload model.safetensors

Jobs：hf jobs run --flavor a10g-small <script> / 列表 hf jobs ps / 日志 hf jobs logs <id>。

将本地模型发布到 Hub：hf repo create username/my-model → hf upload ./output . --commit-message="Initial release"。或用 hf download 把模型拉到本地。

hugging-face-datasets — 数据集创建与管理（SKILL.md）

管理 Hugging Face Hub 上的数据集：初始化数据集仓库、配置（包括 system prompts）、流式写入新增行、以及基于 SQL 的查询与转换。设计上与 HF MCP server 协同工作。

支持流式更新（不需下载整个数据集）、配置存储、SQL 风格查询/转换、与 MCP server 的互操作。

脚本采用 PEP 723 的 inline 依赖格式，使用时可通过 uv run scripts/script_name.py 自动安装依赖（仓库内脚本会自带 header）。具体命令/脚本位于该 skill 的 scripts/下（详见 SKILL.md）。

初始化新数据集 repo、定义数据集配置并通过脚本进行行流式更新，或使用 SQL 把多列/多条记录转换为需要的结构（SKILL.md 中有示例脚本与说明）。

hugging-face-evaluation — 模型评估与 model-card 更新（SKILL.md）

将评测结果添加到模型卡：从 README 中提取表格、从 Artificial Analysis 导入基准分数、或使用 vLLM / lighteval / inspect-ai 运行自定义评测并生成 model-index 格式的 YAML。

支持解析 README 中的 Markdown 表格（inspect-tables / extract-readme），自动生成 model-index YAML；支持导入第三方基准（Artificial Analysis）；支持在 Hugging Face Jobs 上直接运行评测并创建 PR。

推荐用 uv run scripts/evaluation_manager.py <subcommand>：

inspect-tables：列出 README 中的表格结构；

extract-readme --table N：把第 N 个表转换为 YAML（默认打印，--apply 或 --create-pr 可写回或创建 PR）。

注意事项：在创建 PR 前务必先运行 get-prs 检查是否已有打开的 PR（避免重复）。

从 README 抽取基准表，自动生成 model-index 条目并创建 Pull Request；或通过 import-aa 从 Artificial Analysis 导入并提交 PR。

hugging-face-model-trainer — 在 HF Jobs 上用 TRL 训练（SKILL.md）

面向在 Hugging Face Jobs 上使用 TRL（Transformer Reinforcement Learning）进行模型训练/微调（SFT、DPO、GRPO、reward modeling），并支持训练后将模型转为 GGUF 以便本地部署。

包含 UV（PEP 723）脚本模板、Trackio 监控集成、硬件选择建议、成本估算脚本、数据校验工具与 GGUF 转换脚本。强调必须在 Job 配置中安全传递 HF_TOKEN 并将模型 push_to_hub=True，否则作业环境为临时，训练结果会丢失。

使用 MCP 工具 hf_jobs() 提交（脚本内容应以内联字符串形式传入），而非把脚本当作本地文件路径。

提交时必须在 job config 中包含 secrets={"HF_TOKEN": "$HF_TOKEN"}，并在训练 config 中启用 push_to_hub 与 hub_model_id。

每个训练脚本应包含 trackio 用于实时监控。

训练方式（仓库给出三种推荐方法）：

Approach 1（推荐）：直接用 hf_jobs("uv", {...}) 提交内联 UV 脚本（PEP 723 header 声明依赖）。示例脚本展示如何用 SFTTrainer、LoRA、Trackio 等。

Approach 2：使用 TRL 官方维护脚本（通过 URL 引入）的 CLI/Jobs 方式。

Approach 3：直接使用 hf jobs uv run CLI（注意 flag 的位置与 --secrets 用法）。

重要提示：默认 job timeout 很短（如 30m），训练需显式设置更长超时（建议 1-2 小时及以上），否则会超时导致训练失败与数据丢失。并提供硬件选择与成本估算脚本 scripts/estimate_cost.py。

使用 scripts/train_sft_example.py（模板）在 a10g-large 上训练并自动 push 到 Hub；训练结束后调用 scripts/convert_to_gguf.py 将模型转为 GGUF 以便离线/本地部署。仓库给出示范 Job 提交与常用故障排查建议（OOM、timeout、Hub push failure 等）。

hugging-face-jobs — 通用 Job 提交与管理（SKILL.md）

用于在 Hugging Face Jobs 基础设施上运行任意 Python 工作负载（数据处理、批量推理、实验、训练等），并给出提交、秘密管理、timeout、硬件选择等规范。

推荐用 hf_jobs("uv", {...}) 或 hf jobs uv run；脚本可内联或为公开 URL（本地脚本需先 push 到 Hub）。

强调 secrets（HF_TOKEN） 的正确传递与作业超时时间设置；并在提交后返回 job id、监控 url。

用 Jobs 运行数据转换脚本、批量推理任务，或把某些 CPU/ GPU 作业定时调度为 recurring jobs。