26 skills publiées par Hugging Face dans son dépôt officiel, résumées en français à partir de leur SKILL.md. 26 d’entre elles indiquent, selon l’éditeur, la compatibilité avec Claude Code. C’est quoi une skill (SKILL.md) ?
Skills pour les tâches d’IA/ML sur l’écosystème Hugging Face (création de datasets, entraînement, évaluation, Spaces, CLI hf).
/plugin marketplace add huggingface/skills puis /plugin install hf-cli@huggingface/skills, les autres via hf skills add <nom>.agents/skillsgemini extensions install https://github.com/huggingface/skills.git --consenthf-cloud-aws-context-discovery
À lancer avant tout travail AWS : découvre le profil actif, la région, l’identifiant de compte et l’identité de l’appelant, surtout quand l’utilisateur ne les a pas précisés.
hf-cloud-python-env-setup
La skill prépare un environnement Python isolé pour un travail SageMaker ou AWS, avec une version de Python adéquate et un boto3 à jour.
huggingface-datasets
La skill s’emploie pour des flux Dataset Viewer du Hub : métadonnées de sous-ensembles et de découpages, pagination de lignes, recherche de texte, filtres, téléchargement d’URL parquet, tailles et statistiques.
hf-cli
Apprend à l’agent toutes les commandes de la CLI `hf` : télécharger et publier modèles, datasets et Spaces, gérer le cache, les buckets, les dépôts, les jobs, les articles, les webhooks et les Inference Endpoints.
trl-training
La skill post-entraîne des LLM avec TRL (Transformers Reinforcement Learning) : SFT, DPO, GRPO, KTO et entraînement de modèle de récompense, que ce soit par l’API Python ou la CLI trl.
hf-cloud-serving-image-selection
La skill choisit le bon conteneur de service pour un déploiement SageMaker et en trouve l’URI d’image à jour, dès que l’on va poser un point de terminaison et qu’une image doit être choisie (LLM, modèle Hugging Face, fine-tune, embeddings, reranker, sentence-transformers), ou avant de figer un URI dans le code.
hf-cloud-sagemaker-production-defaults
Dernière étape du flux de déploiement SageMaker : créer un point de terminaison (temps réel, temps réel scale-to-zero, ou asynchrone) avec, par défaut, l’autoscaling, des alarmes CloudWatch et des étiquettes.
train-sentence-transformers
La skill entraîne ou affine des modèles sentence-transformers : SentenceTransformer (bi-encodeur, dense ou statique, pour la recherche, la similarité, le clustering, la classification, la paraphrase, la déduplication, le multimodal), CrossEncoder (reranker, score de paires), SparseEncoder (SPLADE, plongements creux) et MultiVectorEncoder (ColBERT / interaction tardive, MaxSim).
huggingface-spaces
La skill construit, déploie et maintient une application sur Hugging Face Spaces : SDK Gradio, Docker ou statique, ZeroGPU ou matériel dédié, chargement de modèles, débogage, buckets, fournisseurs d’inférence, subventions communautaires.
hf-cloud-sagemaker-deployment-planner
Cette skill est le point d’entrée pour planifier et coordonner le déploiement d’un modèle sur Amazon SageMaker AI, même si la demande est vague (« fais-le tourner sur AWS »).
huggingface-best
La skill aide à trouver le meilleur modèle, ou une comparaison par scores de benchmark, pour une tâche donnée, y compris « quel modèle tourne sur mon portable ».
huggingface-llm-trainer
Entraîne ou affine des modèles de langage et de vision avec TRL ou Unsloth sur l’infrastructure Hugging Face Jobs : SFT, DPO, GRPO, modèles de récompense, conversion GGUF, choix du matériel et estimation des coûts.
huggingface-trackio
Trackio suit et visualise des expériences d’entraînement : journalisation de métriques (API Python), alertes de diagnostic, et lecture ou analyse des métriques (CLI).
hf-mem
hf-mem est une CLI Hugging Face qui estime la mémoire nécessaire pour charger, en inférence, des poids Safetensors ou GGUF depuis le Hub.
huggingface-zerogpu
La skill encadre les démos et le calcul GPU sur ZeroGPU, dans Gradio Spaces et Hugging Face Spaces.
huggingface-local-models
La skill aide à choisir et à faire tourner un modèle en local avec llama.cpp et GGUF, sur CPU, Mac Metal, CUDA ou ROCm.
transformers-js
La skill utilise Transformers.js pour faire tourner des modèles d’apprentissage automatique directement en JavaScript ou TypeScript, dans le navigateur ou côté serveur (Node.js, Bun, Deno), via WebGPU ou WASM, à partir de modèles préentraînés du Hub.
huggingface-tool-builder
La skill construit un script réutilisable pour aller chercher, enrichir ou traiter des données via l’API Hugging Face, surtout lorsque plusieurs appels doivent être enchaînés ou qu’une tâche va se répéter.
huggingface-gradio
La skill aide à construire des interfaces et des démos Gradio en Python : applications, composants, écouteurs d’événements, mises en page et chatbots.
huggingface-vision-trainer
Entraîne et affine des modèles de vision (détection d’objets, classification d’images, segmentation SAM/SAM2) avec Transformers sur les GPU cloud des Jobs Hugging Face : préparation des données COCO, augmentation, évaluation.
huggingface-community-evals
La skill lance des évaluations de modèles du Hub avec inspect-ai et lighteval, sur du matériel local.
huggingface-papers
La skill cherche et lit les pages d’articles Hugging Face en Markdown, et interroge l’API papers pour des métadonnées structurées (auteurs, modèles, datasets, Spaces liés, dépôt GitHub, page projet).
huggingface-paper-publisher
La skill publie et gère des articles de recherche sur le Hugging Face Hub : pages d’article, liens vers des modèles ou des jeux de données, revendication d’autoria, et génération d’articles professionnels en Markdown.
hf-mcp
Sert à utiliser le Hub Hugging Face à travers les outils du serveur MCP : chercher des modèles, des jeux de données, des Spaces et des articles, consulter un dépôt ou de la documentation, lancer des tâches de calcul, et se servir de Spaces Gradio comme outils d’IA.
hf-cloud-sagemaker-iam-preflight
Cette skill s’assure qu’un rôle d’exécution SageMaker utilisable existe avant de déployer ou d’entraîner.
huggingface-lora-space-builder
La skill construit et publie une démo Gradio sur Spaces pour un LoRA fourni par l’utilisateur (Qwen-Image, Qwen-Image-Edit, LTX-Video, Wan, FLUX, SDXL ou autre base de diffusion), ou lorsqu’on veut partager un LoRA entraîné ou déjà sur le Hub.