Hugging Face 命令行工具

要解决什么问题

在 Hugging Face Hub 上拉模型、推数据集、管 Space，如果只靠网页或零散 Python API，很难在脚本和 CI 里复现同一套流程。本地磁盘上还会堆满 ~/.cache/huggingface 里的重复下载，你也需要清楚登录态、revision 和 repo-type 在命令里怎么传。

技能如何工作

本技能围绕官方 hf CLI：在终端直接访问 Hub，覆盖认证、下载/上传、仓库与缓存、浏览资源，以及在 HF 基础设施上跑任务。

认证与下载

• hf auth login 处理 Hub 认证
• hf download 拉取模型/数据集/空间；--local-dir ./path 指定落盘目录
• --repo-type 可选 model（默认）、dataset、space；--revision 指定分支、标签或提交

上传与仓库

• hf upload . . 上传目录到仓库
• hf repo create 创建仓库；hf repo tag create 打标签
• hf repo-files delete 从远端仓库删文件

缓存与浏览

• hf cache ls / hf cache rm 查看与清理本地缓存
• hf models ls|info、hf datasets ls|info、hf spaces ls|info 浏览 Hub 资源
• hf endpoints ls 查看推理端点

云端计算

• hf jobs run --flavor a10g-small 等在 HF 上跑 GPU 任务；规格从 cpu-basic 到 h100x8 等可选
• hf env 查看当前环境信息

常见模式包括：下载后在本地推理、发布模型/数据集、Space 与本地同步、检查缓存占用。需要完整子命令时可对照技能内的 references/commands.md 与 references/examples.md。

适用边界

• CLI 面向 Hub 与 HF 托管计算，不能替代你在本机用 PyTorch/Transformers 写训练代码的全部细节。
• 上传、删文件、跑 jobs 通常需要有效 token；--token 可临时覆盖默认认证。
• --quiet 只保留路径/URL 等必要输出，适合管道脚本，但排错时要少依赖静默模式。