1. 基本信息
| 项目 | 内容 |
|---|---|
| 名称 | huggingface-best-huggingface-skills |
| 作者/维护者 | Hugging Face（官方 huggingface/skills 仓库） |
| 来源链接 | https://github.com/huggingface/skills/tree/main/skills/huggingface-best |
| 许可证 | 仓库根 LICENSE 声明 Apache-2.0（GitHub API 已确认） |
| GitHub Stars / Forks | 合集仓库整体 10,909 stars / 724 forks（GitHub API）；该数字属整个 huggingface/skills 合集，不代表本技能自身热度 |
| 最新版本 | SKILL.md frontmatter 未声明版本号；该技能内容最后一次实质更新于 2026-08-03（GitHub commits API） |
| 安装方式 | Claude Code：/plugin marketplace add huggingface/skills 后 /plugin install huggingface-best@huggingface/skills；或将 skills/huggingface-best/ 目录复制进本地 agent 的 skills 目录 |
2. 功能介绍与亮点
huggingface-best 教 agent 自动完成“该用哪个开源模型”这个选型决策：
- 解析需求：从用户的话里提取任务类型（编码、推理、OCR、多模态、语音识别等）与设备约束（Mac 统一内存、GPU 显存、纯 CPU 等），未提设备时直接按性能排序不做过滤。
- 官方基准检索：调用 Hugging Face 官方
benchmark:official数据集接口，按任务匹配相关的基准榜单，一次可综合多个榜单而不局限于 2-3 个。 - 拉取排行榜并去重合并：从每个相关基准的 leaderboard 接口取 Top 15，跨榜单合并同一模型的多项分数；榜单请求失败时跳过并在结果中注明，不中断流程。
- 模型元数据增强：为候选模型批量查询参数量（safetensors 字段或从模型名解析）与开源协议，供后续按显存过滤。
- 设备适配过滤：按 fp16≈显存÷2、Q4≈显存×2 的经验公式换算可承载参数量，超预算但排名靠前的模型标注“需 Q4”而非直接丢弃；不区分本地/云端时跳过该步。
- 结构化输出：产出带 ⭐ 标星推荐、License、是否适配设备的对比表，并主动询问是本地跑还是用 HF Jobs 云端跑，给出对应后续指引。
- 明确的错误处理：榜单缺失、模型信息拿不到、任务无对应基准等情形均有文档化的兜底路径（含退化为按热度排序的
hub_repo_search）。
亮点：官方出品、单文件 SKILL.md 零外部脚本依赖，且是仓库内 25 个子技能中近期唯一有实质性专项提交（2026-08-03）的一个——同批次候选普遍停留在 3-4 个月前的批量重命名提交。
3. 适用场景
所属固定分类：数据分析与可视化。 该技能的核心产出是“从官方基准数据出发、经过筛选与排序得到的模型对比结论”——查询结构化基准数据、按设备约束过滤、按分数排序生成对比表，属于典型的数据检索、筛选与呈现工作，不涉及连接/操作某个外部业务系统，也不落在安全审计、部署运维、办公文档或前端界面这几个领域。
具体场景：
- 初中级开发者不知道某个任务（比如“识别发票里的表格”）该选哪个开源模型，想要一份带官方基准分数的对比表而不是自己去逐个榜单翻；
- 想在自己的 MacBook 或某张显卡上本地跑模型，需要先知道哪些模型的量化版本能塞进现有显存；
- 团队做模型选型评审，需要一份可复现、引用官方数据源的对比材料，而不是凭印象挑模型。
4. 跨Agent兼容性
- Claude Code：原生支持。Hugging Face 官方文档明确列出该仓库的插件市场安装命令。
- Codex：官方支持，安装方式为把
skills/目录复制或符号链接进 Codex 的.agents/skills标准位置，Codex 通过 Agent Skills 标准自动发现。 - OpenClaw：未验证。官方文档未提及该平台；本技能是标准 SKILL.md + 纯 curl/jq 指令，不含任何 Claude Code 专属清单文件，理论上可手动安装，但无官方材料佐证。
- Hermes Agent：未验证，理由同上。
（官方文档同时列出 Google Gemini CLI 与 Cursor 的安装方式，但两者不在本报告的四个评估对象范围内。）
5. 推荐理由
选模型这件事目前大多靠“凭印象+搜一下 Hugging Face 排行榜”，而榜单本身分散在几十个不同的 benchmark 数据集页面，还要手动核对参数量是否塞得进自己的设备。这个技能把整条链路——找相关榜单、拉分数、查参数量与协议、按显存过滤、出对比表——压缩成 agent 可以直接执行的固定流程，且全程走 Hugging Face 官方公开接口，不需要额外注册第三方服务。对刚开始用 agent 做技术选型调研的用户，这类“给结论且能看到证据来源”的技能比让 agent 凭训练数据里的旧印象随口推荐更可靠。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 7 | Hugging Face 官方发布；合集仓库 stars 不计入本技能个体热度，未检索到该子技能自身独立于官方渠道的第三方评测或讨论，仅被第三方 Agent Skills 目录网站收录展示 |
| 可用性 | 9 | 单文件 SKILL.md，无需额外脚本或环境搭建，仅需标准 hf auth login 完成一次性鉴权；步骤、公式与输出格式均给出具体示例；内容最后一次实质更新于 2026-08-03，处于近期活跃维护状态 |
| 安全性 | 9 | 检查清单逐项见下 |
综合评分：8.3（三项均值）
安全检查清单逐项结果：
① Shell 命令：全部为 curl/jq 调用公开文档化的 Hugging Face REST 端点，范围明确 — 通过
② 联网外发：仅与 huggingface.co 交互，不涉及未声明的第三方域名 — 通过
③ 凭据存储：读取本地 ~/.cache/huggingface/token（hf auth login 生成的标准凭据文件），以 Authorization: Bearer 头传入，用途透明 — 通过
④ 可疑指令：全文为公开 API 调用说明与格式化输出规则，未发现隐藏指令或混淆代码 — 通过
⑤ 作者信誉：Hugging Face 官方仓库直接维护 — 通过
⑥ License：仓库根 LICENSE 为 Apache-2.0，明确 — 通过
⑦ 最近维护：该子目录最后一次实质提交为 2026-08-03，仓库整体持续活跃更新 — 通过
7. 跟同类Skills相比的优势
| 竞品 | 定位 | 与本skill的差异 |
|---|---|---|
| huggingface-local-models | 同仓库子技能，专注“把某个已选定的模型用 llama.cpp/GGUF 跑起来”的量化选择与本地部署 | 解决的是选完模型之后“怎么跑”的问题；本技能解决的是跑之前“该选哪个模型”，二者是选型与部署两个先后阶段，不重叠 |
| LMSYS Chatbot Arena / Hugging Face Open LLM Leaderboard（网页版排行榜） | 人工浏览的网页榜单，用户自己筛选对比 | 需要人工打开多个榜单页面、自己判断哪些基准跟任务相关、自己核对模型参数量与设备是否匹配；本技能把这一整套人工操作交给 agent 自动完成并直接给出可执行结论 |
| 直接向通用 LLM 问“XX任务用什么模型好” | 依赖模型训练数据里的旧印象，无实时数据支撑 | 答案可能过时且给不出具体基准分数或设备适配依据；本技能每次都现查官方最新榜单数据，结论可追溯到具体分数来源 |
核心差异化：多数模型选型方式要么依赖人工翻阅多个榜单页面，要么依赖 agent 自身可能过时的训练记忆；huggingface-best 用官方结构化接口现查现算，还额外做了本地硬件适配这一层，同类技能中少见。
8. 用户评价
该技能目前在第三方平台尚无具名用户评价，但已被第三方 Agent Skills 目录网站 mcpservers.org 收录展示。
9. 其他补充
无。
10. 安装使用方式
- Claude Code：
/plugin marketplace add huggingface/skills/plugin install huggingface-best@huggingface/skills
- Codex：将仓库
skills/huggingface-best/目录复制或符号链接进.agents/skills（项目根目录或用户主目录下均可），Codex 会自动发现。 - 通用方式（任意支持 Agent Skills 格式的平台）：将
skills/huggingface-best/目录复制进本地 agent 的 skills 目录。 - 使用前置条件：需先执行一次
hf auth login完成鉴权（免费账号即可，无需付费订阅）；未设置设备信息时技能会跳过硬件过滤，直接按基准分数排序。 - 安装后注意事项：无需重启 agent；当用户提出“XX任务用什么模型好”“推荐一个能在我的设备上跑的模型”之类的问题时会被触发调用。
11. 注意事项
- 依赖 Hugging Face 官方基准数据集与 leaderboard 接口的覆盖范围，冷门任务可能查不到对应的官方基准，此时会退化为按 Hub 热度排序，参考价值低于有基准背书的结果。
- 设备参数预算公式（fp16≈显存÷2、Q4≈显存×2）是经验估算，不同模型架构、上下文长度与推理框架的显存占用会有出入，仅供初筛参考。
- 结果依赖调用当时的榜单快照，模型生态更新较快，同一问题在不同时间调用可能得到不同排名。