11.4K Stars25 Skills799 ForksApache-2.011月17日更新Skill 仓库

AI 概览 · 由大模型根据 SKILL.md 与仓库数据生成 · 2026年11月3日

覆盖 Hugging Face 工具与云端工作流的 Agent Skill 集合

仓库提供面向 Hugging Face 生态的 Agent Skill。已采集的 Skill 资料涉及 Hugging Face CLI、模型权重内存估算、模型评估、数据集、Gradio 应用,以及 AWS 上下文发现和 SageMaker 部署准备等具体任务;仓库简介所述的生态覆盖不应视为每个 Skill 都具备的能力。

包含 Skill

25

可以单独安装

GitHub Star

11.4k

仓库累计 Star

近 7 天

+30

新增 Star

代码更新

2026年11月17日

最近一次推送

核心亮点

  • 1任务覆盖

    包含 Hugging Face 工具、模型评估、Gradio 和云端部署准备等不同工作流。

  • 2按任务使用

    Skill 资料分别指向明确场景,可根据当前工作挑选对应入口。

  • 3流程提示

    部分 Skill 提供了具体操作步骤,例如查找 SageMaker 推理镜像。

能做什么

  • 估算从 Hugging Face Hub 获取的 Safetensors 或 GGUF 模型权重推理所需内存。
  • 在本地硬件上使用 inspect-ai 或 lighteval 评估 Hugging Face Hub 模型。
  • 创建或编辑 Gradio Python 应用、组件、事件监听、布局或聊天机器人。
  • 发现本地 AWS 配置上下文,并为 SageMaker 相关任务提供部署准备流程。
  • 依据可用镜像资料查找适用于 SageMaker 的推理镜像。

适用场景

  • 估算某个 Hub 模型的权重加载内存需求。

  • 在本地 GPU 环境评估 Hub 上的模型。

  • 为 Python 项目创建或修改 Gradio 界面。

  • 开始 SageMaker 部署前检查 AWS 上下文和相关准备事项。

用之前和用之后

  • 需要自行判断应查阅哪类 Hugging Face 或云端任务资料。可按具体任务选择对应 Skill 的操作指引。
  • SageMaker 镜像查找步骤可能需要逐项确认。镜像选择 Skill 给出查找镜像资料、筛选平台行及替换区域等步骤。

它是怎么工作的

  1. 第 1 步

    选择对应任务

  2. 第 2 步

    核对环境信息

  3. 第 3 步

    按流程执行

快速上手

安装与复制命令见“安装方式”。

  1. 1

    在仓库的 skills 目录中查找与任务相符的 Skill。

  2. 2

    打开对应的 SKILL.md,确认适用场景和操作要求。

  3. 3

    按 Skill 指引准备所需信息,例如 AWS 配置或目标模型。

  4. 4

    执行前核对云端账号、区域、权限及资源变更相关信息。

适合谁

  • 使用 Hugging Face Hub 模型或数据集的开发者
  • 需要构建 Gradio 应用或聊天机器人的开发者
  • 在本地硬件上进行模型评估的使用者
  • 开展 AWS 或 SageMaker 相关工作的使用者

局限

  • 采集资料中的不少 Skill 只有概括性描述,未提供输入、输出或详细步骤。
  • Skill 的具体用途和适用范围不同,不能仅凭仓库简介推断单个 Skill 的能力。
  • 模型评估 Skill 的资料明确排除 HF Jobs 编排、模型卡 PR、评估结果发布及社区评估自动化。
  • AWS 和 SageMaker 相关任务可能涉及账号、区域、角色或资源操作,需先核对对应 Skill 的完整说明。

使用前注意

  • · 云端操作前核实当前 AWS 配置、账号、区域和调用身份。
  • · 创建 SageMaker 资源前核实执行角色及相关权限要求。
  • · 镜像选择需按对应模型家族和 SageMaker 平台要求核对;具体条件请查看源文件。

包含的 Skills · 25

公开来源

相关 Skills

查看更多