HF-MCP Skill：让 AI Agent 直连 Hugging Face Hub 的官方工具箱

Skill超级捕获手 技术创作者 2026-08-04 9 阅读

HF-MCP Skill：让 AI Agent 直连 Hugging Face Hub 的官方工具箱

功能与设计原则

Hugging Face MCP（hf-mcp）是一套基于 Model Context Protocol 的官方工具集，赋予 AI Agent 直接操作 Hugging Face Hub 的能力——搜索模型、数据集、Spaces，查阅文档，运行 GPU 任务，调用 Gradio 应用，甚至直接在终端提交训练任务。所有操作均通过 MCP 协议执行，无需 Agent 自行调用 HTTP 接口，真正实现”让 AI 学会用 Hugging Face”。

设计原则：工具粒度单一、输入输出可预测、兼容所有主流 Agent 客户端。

认可度

  • GitHub Stars：huggingface/skills 仓库 10,894 stars（截至 2026-08-04），hf-mcp 为其子模块
  • SkillHub 安装量：10,000 次（2026-08-04），B 档评分
  • 兼容 Agent 数：16 个，包括 Claude Code、Codex CLI、Gemini CLI、OpenClaw、Cursor、Windsurf、Cline、 Roo Code、Kiro、Junie、Augment Code、Warp、Goose 等
  • 维护状态：2026-08-04 仍有 commit（scale-to-zero inference 组件），活跃维护中

链接

GitHub：https://github.com/huggingface/skills

MCP 配置：https://huggingface.co/settings/mcp

原作者

Hugging Face（@huggingface）— AI 开源生态的领军组织，累计星标数百万，HF Skills 是其官方出品的 Agent 工具链项目。

介绍

Hugging Face Skills 项目旨在将 HF 平台的核心能力封装为可被 AI Agent 调用的 Skill 规范格式，hf-mcp 是其中最核心的一个 MCP 服务器实现。

它提供的工具覆盖了 HF 平台的主要内容类型：

模型搜索与对比：调用 model_search 按任务类型、作者、下载量或 trendingScore 排序，找到最合适的模型；再通过 hub_repo_details 获取完整 README 和模型卡。

数据集检索：dataset_search 支持按语言、任务类别、下载量过滤，hub_repo_details 读取数据集详情，帮助快速找到训练语料。

AI 应用发现：space_search 可搜索 MCP 化的 Gradio Spaces，定位”可用作工具”的 AI 应用（如语音转写、图像处理），再通过 dynamic_space 直接调用。

文献调研：paper_search 检索 HF Papers，配合 hub_repo_details 追踪论文关联模型。

GPU 任务执行：hf_jobs 支持提交 Python 脚本到 HF 托管的 GPU/T4 环境，指定 flavor（t4-small / a10g-small 等），支持 cron 定时调度、查看日志和运行状态。

图像生成：集成 FLUX.1 schnell 图像生成，通过 gr1_flux1_schnell_infer 直接用 prompt 生成图片。

文档查询：hf_doc_search + hf_doc_fetch 组合搜索和抓取 HF 官方文档（PEFT、Transformers 等），无需 Agent 自己检索浏览器。

特点

  • 官方出品：Hugging Face 亲儿子，MCP 协议标准实现，权威可信
  • 全平台覆盖：模型 / 数据集 / Spaces / Papers / 文档 / GPU 任务，一套工具全搞定
  • 多 Agent 兼容：16 个主流 Agent 客户端直接安装使用，不锁定生态
  • 零配置启动：连接 HF MCP Server 即可，无需本地安装任何 HF 库
  • 定时任务支持：hf_jobs 支持 cron 表达式，自动化数据同步和定时训练

使用方法

第一步：配置 MCP Server

访问 https://huggingface.co/settings/mcp，按指引授权连接。

第二步：安装 Skill（以 Claude Code 为例）

/plugin marketplace add huggingface/skills
/plugin install hf-cli@huggingface/skills

其他 Agent 客户端可从 HF Skills 仓库的对应插件目录（.claude-plugin、.cursor-plugin、.mcp.json 等）安装。

第三步：调用工具示例

Agent 收到”帮我找 Llama 3 的 GGUF 量化版本”后：

model_search(query="Llama 3 GGUF", sort="downloads", limit=10)
hub_repo_details(repo_ids=["meta-llama/Llama-3.2-1B"], include_readme=true)

使用场景与人群

适用场景：AI 研究者对比模型、数据工程师检索训练集、AI 应用开发者查找可复用的 Gradio Spaces、开发者提交 GPU 训练任务、团队调研最新论文与模型进展。

目标用户：LLM 应用开发者、AI/ML 研究员、想在 Agent 工作流里集成 HF 能力的工程师、PEFT/微调实践者。

输入与输出案例

案例 1：找最佳代码生成模型

Input："帮我找目前最流行的代码生成模型"

Agent 调用：

model_search(task="text-generation", query="code", sort="trendingScore", limit=10)
hub_repo_details(repo_ids=["top-result-id"], include_readme=true)

Output：返回 trendingScore 最高的代码模型列表，含模型名、作者、下载量、README 摘要，Agent 自动整理成对比报告。

案例 2：在 GPU 上跑训练脚本

Input："帮我用 A10G 跑一个 PyTorch 训练任务，脚本是 train.py"

Agent 调用：

hf_jobs(operation="run", args={
  "image": "pytorch/pytorch:2.5.1-cuda12.4-cudnn9-runtime",
  "command": ["/bin/sh", "-lc", "pip install transformers trl && python train.py"],
  "flavor": "a10g-small",
  "secrets": {"HF_TOKEN": "$HF_TOKEN"}
})

Output：返回 job_id、提交状态，Agent 告知如何查询进度：hf_jobs(operation="ps") 或 hf_jobs(operation="logs", args={"job_id": "job-xxxxx"})。

GitHub: https://github.com/huggingface/skills

评论区

0 条评论

登录后可评论。

Skill超级捕获手 9 阅读