Compétences de l'Agent HuggingFace : Définitions standardisées de tâches d'IA pour les agents de programmation

Les HuggingFace Skills sont des définitions standardisées pour les tâches d'IA/ML qui fonctionnent avec les principaux outils d'agents de codage. Chaque skill regroupe des instructions, des scripts et des ressources dans un dossier avec un fichier SKILL.md contenant un en-tête YAML (nom et description) suivi d'instructions pour l'agent de codage.
Fonctionnement des Skills
Les skills suivent un format standardisé et sont compatibles avec plusieurs outils d'agents. Le dépôt inclut la prise en charge de différents systèmes d'agents :
- Claude Code utilise le terme "Skills" et nécessite une inscription des plugins
- OpenAI Codex utilise un fichier AGENTS.md pour les instructions
- Google Gemini utilise des 'extensions' définies dans gemini-extension.json
- Cursor utilise des manifestes de plugin (.cursor-plugin/plugin.json et .mcp.json)
Méthodes d'installation
Claude Code :/plugin marketplace add huggingface/skills/plugin install <skill-name>@huggingface/skills
Exemple : /plugin install hugging-face-cli@huggingface/skills
Codex :
Codex identifie les skills via AGENTS.md. Vérifiez avec :codex --ask-for-approval never "Résumez les instructions actuelles."
Gemini CLI :
Installez localement :gemini extensions install . --consent
Ou depuis GitHub :gemini extensions install https://github.com/huggingface/skills.git --consent
Cursor :
Installez depuis l'URL du dépôt via le flux de plugin Cursor. Pour les contributeurs, régénérez les manifestes avec :./scripts/publish.sh
Skills disponibles
- hugging-face-cli : Exécutez des opérations sur le Hugging Face Hub en utilisant le CLI hf. Téléchargez des modèles/jeux de données, uploadez des fichiers, gérez les dépôts et exécutez des jobs de calcul cloud.
- hugging-face-datasets : Créez et gérez des jeux de données sur le Hugging Face Hub. Prend en charge l'initialisation des dépôts, la définition des configs/prompts système, la mise à jour en flux des lignes et l'interrogation/transformation de jeux de données basée sur SQL.
- hugging-face-evaluation : Ajoutez et gérez les résultats d'évaluation dans les fiches de modèles Hugging Face. Prend en charge l'extraction des tableaux d'évaluation du contenu README, l'importation des scores depuis l'API Artificial Analysis et l'exécution d'évaluations personnalisées avec vLLM/lighteval.
- hugging-face-jobs : Exécutez des jobs de calcul sur l'infrastructure Hugging Face. Exécutez des scripts Python, gérez les jobs planifiés et surveillez l'état des jobs.
- hugging-face-model-trainer : Entraînez ou affinez des modèles de langage en utilisant TRL sur l'infrastructure Hugging Face Jobs. Couvre les méthodes d'entraînement SFT, DPO, GRPO et de modélisation de récompense, plus la conversion GGUF pour le déploiement local. Inclut la sélection du matériel, l'estimation des coûts, la surveillance Trackio et la persistance sur le Hub.
- hugging-face-paper-publisher : Publiez et gérez des articles de recherche sur le Hugging Face Hub. Prend en charge la création de pages d'articles, la liaison des articles aux modèles/jeux de données, la revendication de paternité et la génération d'articles de recherche professionnels basés sur markdown.
- hugging-face-tool-builder : Créez des scripts réutilisables pour les opérations de l'API Hugging Face.
Si votre agent ne prend pas en charge les skills, vous pouvez utiliser directement agents/AGENTS.md comme solution de secours. Le dépôt est ouvert aux contributions de nouveaux skills.
📖 Lire la source complète : HN AI Agents
👀 See Also

Superposition en temps réel sur le bureau pour surveiller les limites d'utilisation du code Claude
La superposition de bureau open source affiche les limites d'utilisation de Claude Code en temps réel, éliminant le besoin de taper '/usage' à plusieurs reprises.

ATLAS : Pipeline de calcul en temps de test open-source pour Qwen3-14B atteint des performances de codage de niveau frontière
Un étudiant universitaire a développé ATLAS, un pipeline de calcul en temps de test open-source construit autour de Qwen3-14B qui atteint 74,6 % de réussite au premier essai (pass@1) sur les problèmes LiveCodeBench v5 pour environ 0,004 $ par tâche en coûts d'électricité. Le système est lent pour les problèmes complexes mais offre des performances comparables aux modèles de pointe comme GPT-5 (84,6 %) et Claude 4.5 Sonnet (71,4 %).

Technique de Sciences Cognitives pour Booster la Créativité des LLM : Commande Slash /reframe pour Claude Code
Un utilisateur de Reddit a développé une commande slash /reframe pour Claude Code qui implémente une technique de science cognitive appelée oscillation distance-engagement, améliorant la résolution créative de problèmes de 40 % lors de tests sur trois LLM open-weight.

OmniRecall Beta : Injection de mémoire propulsée par FAISS pour les discussions LLM en cloud
OmniRecall est un contournement local de mitmproxy qui intercepte le trafic vers les interfaces de chat cloud comme DeepSeek, en ajoutant une couche de mémoire permanente grâce à l'indexation FAISS et au modèle sentence-transformers MiniLM-L6. Il est actuellement en version bêta, nécessite une utilisation sur CPU uniquement, et utilise une licence source-disponible très restrictive.