skills

Compétences faciales Hugging Face Skills sont des définitions pour les tâches d'IA/ML comme la création de séries de données, la formation de modèles et l'évaluation. Les marchés de plugins clients exposent la compétence `hf-cli` comme le chemin de bootstrap pour les opérations centrales Hub; des compétences de workflow supplémentaires peuvent être installées sur demande avec `hf compétences ajouter <skill-name>` ou découvert par les clients avertis des compétences sur les intégrations CLI/MCP. Les compétences dans ce dépôt suivent le format normalisé des compétences des agents. [!NOTE] > **Vous voulez juste donner accès à votre agent au Hugging Face Hub?** Commencez par `hf-cli`. C'est la première Skill recommandée à installer : elle enseigne à votre agent chaque commande `hf` (modèles de recherche, gestion des ensembles de données et des seaux, lancement des espaces, exécution des travaux) et est générée à partir de votre CLI installé localement afin qu'il reste à jour. Comment fonctionnent les compétences? Dans la pratique, les compétences sont des dossiers autonomes qui regroupent des instructions, des scripts et des ressources pour un agent d'IA à utiliser dans un cas d'utilisation spécifique. Chaque dossier comprend un fichier `SKILL.md` avec la matière première YAML (nom et description) suivi de l'orientation que suit votre agent de codage pendant que la compétence est active. > [!TIP] > Si votre agent ne supporte pas les compétences, vous pouvez utiliser `agentsmd/AGENTS.md` directement comme un repli. La compétence `hf-cli` dans ce dépôt est également disponible par: - Cursor Marketplace (https://cursor.com/marketplace/huggingface) - Répertoire des plugins Codex (https://developers.openai.com/codex/plugins) Installation Les compétences Hugging Face sont compatibles avec Claude Code, Codex, Gemini CLI et Cursor. Code Claude 1. Enregistrer le dépôt comme un marché de plugins: 2. Installer les compétences de l'ICL : 3. Pour installer une autre compétence Hugging Face, utilisez le `hf` CLI: Codex 1. Copiez ou reliez toutes les compétences que vous souhaitez utiliser à partir du répertoire `skills/` de ce dépôt dans l'un des emplacements `.agents/skills` standards de Codex (par exemple, `$REPO ROOT/.agents/skills` ou `$HOME/.agents/skills`) comme décrit dans le guide des compétences Codex. 2. Une fois qu'une compétence est disponible dans l'un de ces endroits, Codex la découvre en utilisant la norme Agent Skills et charge les instructions `SKILL.md` quand il décide d'utiliser cette compétence ou quand vous l'invoquez explicitement. 3. Si votre configuration Codex repose toujours sur `AGENTS.md`, vous pouvez utiliser le fichier généré `agentsmd/AGENTS.md` dans cette repo comme un paquet d'instructions. Gemini CLI 1. Cette repo inclut "gemini-extension.json" pour s'intégrer à la CLI Gemini. 2. Installez localement : ou utilisez l'URL GitHub : 4. Voir Gemini CLI extensions docs pour plus d'aide. Curseur Ce dépôt comprend les manifestes du plugin Cursor: - `.cursor-plugin/plugin.json` - `.mcp.json` (configuré avec l'URL du serveur Hugging Face MCP) Installez depuis l'URL du dépôt (ou la caisse locale) via le flux de plugin Cursor. L'entrée sur le marché est intentionnellement limitée à `hf-cli`; utiliser `hf compétences ajouter <skill-name>` pour installer des compétences supplémentaires de workflow. Pour les contributeurs, régénérer les manifestes avec : Compétences Ce dépôt contient quelques compétences pour commencer. Vous pouvez également apporter vos propres compétences au dépôt. Compétences disponibles <!-- Cette table est générée automatiquement par scripts/generate agents.py. Ne pas modifier manuellement. --> C'est pas vrai. Nom Description Documentation - C'est quoi ? "hf-cli" Hugging Face Hub CLI (hf`) pour télécharger, télécharger et gérer des modèles, des ensembles de données, des espaces, des seaux, des repos, des papiers, des emplois, etc. - Oui. "hf-cloud-aws-context-discovery" Découvrez le contexte local de l'utilisateur (profil actif, région, identifiant de compte, identité de l'appelant) au début de toute tâche AWS. - Oui. "hf-cloud-python-env-setup" Installez un environnement Python isolé pour le travail SageMaker / AWS, avec la bonne version Python et le boto courant3. - Oui. Planifier et coordonner le déploiement d'un modèle sur Amazon SageMaker AI. - Oui. "hf-cloud-sagemaker-iam-preflight" S'assurer qu'un rôle d'exécution SageMaker utilisable existe avant le déploiement ou la formation. - Oui. "hf-cloud-sagemaker-production-defaults" Créer un paramètre SageMaker (temps réel, échelle en temps réel-à-zéro, ou async) avec calibrage automatique, alarmes CloudWatch et marquage activé par défaut. - Oui. `hf-cloud-serving-image-selection`=Choisir le conteneur de service droit pour un déploiement de modèle SageMaker et trouver son image actuelle URI. - Oui. "hf-mem" "Hugging Face CLI" pour estimer la mémoire nécessaire pour charger des Safetensors ou des poids du modèle GGUF