SKILLEMALL.ai
EN Войти

BF hugging-face-jobs

Этот навык следует использовать, когда пользователи хотят запускать любые рабочие нагрузки в инфраструктуре Hugging Face Jobs. Охватывает скрипты UV, задания на основе Docker, выбор оборудования, оценку затрат, аутентификацию с помощью токенов, управление секретами, настройку времени ожидания и сохранение результатов. Предназначен для универсальных вычислительных нагрузок, включая обработку данных, инференс, эксперименты, пакетные задания и любые задачи на Python. Должен вызываться для задач, связанных с облачными вычислениями, рабочими нагрузками GPU или когда пользователи упоминают запуск заданий в инфраструктуре Hugging Face без локальной настройки.

машинный переводПоказать оригиналСкрыть оригинал«This skill should be used when users want to run any workload on Huggi…»

This skill should be used when users want to run any workload on Hugging Face Jobs infrastructure. Covers UV scripts, Docker-based jobs, hardware selection, cost estimation, authentication with tokens, secrets management, timeout configuration, and result persistence. Designed for general-purpose compute workloads including data processing, inference, experiments, batch jobs, and any Python-based tasks. Should be invoked for tasks involving cloud compute, GPU workloads, or when users mention running jobs on Hugging Face infrastructure without local setup.

modbender/skill-library-mcp Agent Skills автор: modbender MIT 1 файл тело ≈ 7 522 токенов Открыть источникgithub.com↗ проанализирован 2 дн назад

Этот навык следует использовать, когда пользователи хотят запускать любые рабочие нагрузки в инфраструктуре Hugging Face Jobs.

Как процесс F 44/100 · Не запустится — Скилл ссылается на файлы, которых нет в архиве: references/hardware_guide.md, references/hub_saving.md, scripts/generate-responses.py

ПроцедураDockerИнфраструктураДанные и аналитикатип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
B
84/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
61
Прогон на моделях
не было
Процессный рейтинг
F
44/100
Не запустится
Скилл ссылается на файлы, которых нет в архиве: references/hardware_guide.md, references/hub_saving.md, scripts/generate-responses.py
Инструменты и файлы вес 18
0
Результат и критерий готовности вес 14
0
Отчётность по ходу вес 2
0
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
  2. В тексте есть ссылки на отсутствующие файлы: добавьте файлы или уберите ссылки.
Для прогона на моделях — необязательно
  • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
  • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

Находки guard · 0

✓ Критических и высоких находок нет

Просканировано файлов: 1. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение body-long тело SKILL.md ≈ 7522 токенов (рекомендуется < 5000); вынесите детали в references/
  • предупреждение missing-ref ссылка на отсутствующий файл: references/hardware_guide.md
  • предупреждение missing-ref ссылка на отсутствующий файл: references/hub_saving.md
  • предупреждение missing-ref ссылка на отсутствующий файл: scripts/generate-responses.py
  • предупреждение missing-ref ссылка на отсутствующий файл: scripts/cot-self-instruct.py
  • предупреждение missing-ref ссылка на отсутствующий файл: scripts/finepdfs-stats.py
  • предупреждение missing-ref ссылка на отсутствующий файл: references/troubleshooting.md
  • предупреждение missing-ref ссылка на отсутствующий файл: references/token_usage.md
  • заметка frontmatter-key неизвестное поле фронтматтера "source"
  • заметка frontmatter-key неизвестное поле фронтматтера "risk"

Процессный рейтинг: все десять параметров 44/100

Не запустится. Скилл ссылается на файлы, которых нет в архиве: references/hardware_guide.md, references/hub_saving.md, scripts/generate-responses.py
  • 0Инструменты и файлы. Не хватает 7 файла(ов): references/hardware_guide.md, references/hub_saving.md, scripts/generate-responses.py
  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 70Стоимость исполнения. Тело инструкции 7522 токенов
  • 85Шаги. Шагов: 168, расплывчатых формулировок: 1
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Повторный запуск. Изменяющие операции проверяют текущее состояние
  • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
  • low Разделов верхнего уровня: 19. Похоже на несколько доменов в одном скилле

Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

Сигналы качества

  • +5В description нет примеров фраз, по которым скилл должен срабатывать
  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +2Инструкции на одном языке
  • +3Длина description 561 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 59 заголовков
  • +3Пошаговые инструкции: 168 пунктов
  • +4Есть примеры (50 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 61.