Habilidades do Agente HuggingFace: Definições Padronizadas de Tarefas de IA para Agentes de Programação

HuggingFace Skills são definições padronizadas para tarefas de IA/ML que funcionam com as principais ferramentas de agentes de codificação. Cada skill empacota instruções, scripts e recursos em uma pasta com um arquivo SKILL.md contendo frontmatter YAML (nome e descrição) seguido de orientações para o agente de codificação.
Como as Skills Funcionam
As skills seguem um formato padronizado e são compatíveis com várias ferramentas de agentes. O repositório inclui suporte para diferentes sistemas de agentes:
- Claude Code usa o termo "Skills" e requer registro de plugin
- OpenAI Codex usa um arquivo AGENTS.md para instruções
- Google Gemini usa 'extensions' definidas em gemini-extension.json
- Cursor usa manifestos de plugin (.cursor-plugin/plugin.json e .mcp.json)
Métodos de Instalação
Claude Code:/plugin marketplace add huggingface/skills/plugin install <skill-name>@huggingface/skills
Exemplo: /plugin install hugging-face-cli@huggingface/skills
Codex:
Codex identifica skills via AGENTS.md. Verifique com:codex --ask-for-approval never "Resuma as instruções atuais."
Gemini CLI:
Instale localmente:gemini extensions install . --consent
Ou do GitHub:gemini extensions install https://github.com/huggingface/skills.git --consent
Cursor:
Instale a partir da URL do repositório via fluxo de plugin do Cursor. Para contribuidores, regenere os manifestos com:./scripts/publish.sh
Skills Disponíveis
- hugging-face-cli: Execute operações do Hugging Face Hub usando o CLI hf. Baixe modelos/conjuntos de dados, faça upload de arquivos, gerencie repositórios e execute trabalhos de computação em nuvem.
- hugging-face-datasets: Crie e gerencie conjuntos de dados no Hugging Face Hub. Suporta inicialização de repositórios, definição de configurações/prompts do sistema, atualizações de linhas em streaming e consulta/transformação de conjuntos de dados baseada em SQL.
- hugging-face-evaluation: Adicione e gerencie resultados de avaliação em cartões de modelo do Hugging Face. Suporta extração de tabelas de avaliação do conteúdo do README, importação de pontuações da API Artificial Analysis e execução de avaliações personalizadas com vLLM/lighteval.
- hugging-face-jobs: Execute trabalhos de computação na infraestrutura do Hugging Face. Execute scripts Python, gerencie trabalhos agendados e monitore o status dos trabalhos.
- hugging-face-model-trainer: Treine ou ajuste modelos de linguagem usando TRL na infraestrutura do Hugging Face Jobs. Abrange métodos de treinamento SFT, DPO, GRPO e modelagem de recompensa, além de conversão GGUF para implantação local. Inclui seleção de hardware, estimativa de custos, monitoramento Trackio e persistência no Hub.
- hugging-face-paper-publisher: Publique e gerencie artigos de pesquisa no Hugging Face Hub. Suporta criação de páginas de artigos, vinculação de artigos a modelos/conjuntos de dados, reivindicação de autoria e geração de artigos de pesquisa profissionais baseados em markdown.
- hugging-face-tool-builder: Crie scripts reutilizáveis para operações da API do Hugging Face.
Se seu agente não suportar skills, você pode usar agents/AGENTS.md diretamente como alternativa. O repositório está aberto para contribuições de novas skills.
📖 Leia a fonte completa: HN AI Agents
👀 See Also

cowork-session-sync v1.0.0 fornece continuidade de sessão para o Claude Cowork
cowork-session-sync v1.0.0 é uma ferramenta que mantém a continuidade da sessão para o Claude Cowork, arquivando transcrições brutas, destilando-as para Markdown e permitindo a inicialização com uma frase usando 'catchup-bunny' para restaurar o contexto completo.

Conduid: Camada de Infraestrutura de Confiança para Servidores MCP Construídos com Claude
O Conduid indexa mais de 25.000 servidores MCP no GitHub, npm, PyPI e diretórios principais, atribuindo uma pontuação de 0 a 100 com base na atividade no GitHub, postura de segurança, qualidade da documentação e sinais de manutenção. Todo o código foi escrito com o Claude por um fundador solo.

Resultados de Benchmark: Quando Usar Claude Opus com Codex vs. Opus Puro para Geração de Código
Um benchmark controlado testou a abordagem 'Planejar com Opus, Executar com Codex' em três tarefas reais de programação. Os resultados mostram um ponto de equilíbrio de custo em aproximadamente 600 linhas de código, com recomendações específicas baseadas no tamanho do projeto.

n8n-mcp-lite: Servidor MCP reduz o uso de tokens em 80% para o Claude com fluxos de trabalho n8n
Um novo servidor de Protocolo de Contexto de Modelo de código aberto chamado n8n-mcp-lite ajuda o Claude a raciocinar sobre fluxos de trabalho de automação do n8n enquanto reduz o uso de tokens em aproximadamente 80%. A ferramenta aborda a natureza pesada em tokens das automações visuais de nós, fornecendo varredura direcionada de fluxos de trabalho e atualizações cirúrgicas.