anaksor-ocr
Sokheng · 工具包
这个模型从文档、收据和路牌照片里读取高棉语和英语文字,用一个检测器找文本行,再用识别器读每一行。适合需要在 Python 里做高棉语 OCR 的开发者。

Hugging Face 官方为在 Hub 上做 AI 和机器学习工作准备的技能。一个命令行技能带你入门,另外二十四个覆盖训练、评测、数据集、Spaces 和 AWS SageMaker。它们适用于 Claude Code、Codex、Gemini CLI 和 Cursor。
Hugging Face Skills(Hugging Face 官方 AI 技能包) 是一款 GitHub 上的开源项目,属于开发类,由 Mindket 上架。可免费获取。当前为第 2 版,最近更新于 。按它的 README 从 GitHub 安装。Mindket 的设置说明可在你的 Mindket 账户获取,以 zip 压缩包下载。
/plugin marketplace add huggingface/skills /plugin install hf-cli@huggingface-skills
Hugging Face Skills 是 Hugging Face 官方给 AI 编程智能体做的一套技能,专为在 Hugging Face Hub 上工作而设计。README 列出了二十五个。第一个是 hf-cli,它教你的智能体用好每一条 hf 命令,从搜索模型到启动任务。另外二十四个覆盖训练模型、查看基准测试、搭建 Gradio 演示和部署到 AWS SageMaker 等工作。每个技能是一个写着指令的 SKILL.md 文件,你的请求和它的描述对得上时,智能体就会读它。
在 Hub 上用模型、数据集和 Spaces 做开发,并希望智能体熟悉这些工具的人。它适合机器学习工程师、做模型微调和评测的研究人员,以及发布演示或在自己电脑上运行模型的开发者。AWS 技能适合把 Hugging Face 模型部署到 Amazon SageMaker 的团队。
| 谁 | 常用的技能 | 例子 |
|---|---|---|
| 挑选模型的开发者 | huggingface-best、hf-mem、huggingface-local-models | 开发者问哪个编程模型最好、又能装进 16 GB 的笔记本,再查一个候选模型需要多少内存。 |
| 模型训练者 | huggingface-llm-trainer、huggingface-vision-trainer、train-sentence-transformers | 训练者在云端 GPU 上微调一个语言模型,或者训练一个目标检测模型,结果推送到 Hub。 |
| 研究人员 | huggingface-community-evals、huggingface-papers、huggingface-paper-publisher、huggingface-trackio | 研究人员在一个检查点上跑基准测试,记录训练指标,或者把一篇论文关联到模型。 |
| 演示和应用开发者 | huggingface-gradio、huggingface-spaces、huggingface-lora-space-builder、transformers-js | 开发者把一个 LoRA 做成 Spaces 上的 Gradio 演示,或者在 JavaScript 里运行模型。 |
| AWS 上的团队 | hf-cloud-sagemaker-deployment-planner、hf-cloud-sagemaker-iam-preflight、hf-cloud-serving-image-selection | 团队规划一次 SageMaker 部署,检查执行角色,再选好推理容器。 |
README 列出了四种智能体。
hf skills add 添加更多技能.agents/skills 文件夹,或者用 README 提到的备用文件README 还提到,hf-cli 也上架了 Cursor 的插件市场和 Codex 的插件目录。
点“获取”会把一个 zip 压缩包存进你的下载文件夹,里面是 Mindket 写的安装说明,README 提到的每种智能体各占一页。
| 需要 | 说明 |
|---|---|
| 能读取技能的智能体 | Claude Code、Codex、Gemini CLI 或 Cursor。下面的步骤针对 Claude Code |
| hf 程序 | Hugging Face 的命令行工具。README 里的技能都通过它安装,它的安装命令只有一行 |
| 一个 Hugging Face 账号 | 你用浏览器登录一次。上传、训练任务和受限模型都需要它,有些功能还需要付费方案 |
| 带 uv 的 Python | 训练技能的脚本要用,这些脚本用 uv run 运行。AWS 技能需要一个已经能正常使用的 AWS 命令行 |
| 这套技能的账号或密钥 | 安装时不需要。hf 程序会通过你的浏览器让你登录 |
/plugin marketplace add huggingface/skills /plugin install hf-cli@huggingface-skills
第二行是 Hugging Face 的 agents 页面给出的写法,插件市场文件给自己起的名字也是 huggingface-skills。README 给出的写法则是 hf-cli@huggingface/skills。如果其中一种找不到插件,就试另一种。
安装 hf 程序,Hugging Face 的指南给 macOS 和 Linux 的是下面这一行。Windows 的 PowerShell 命令在工具包的 hf-cli-and-first-run.md 里。
curl -LsSf https://hf.co/cli/install.sh | bash hf auth login
第一行会从 hf.co 下载并运行一个脚本,如果你想知道它做什么,先读一读。指南说,它还会为 Claude Code 装上 hf-cli 技能。插件已经装好的话,这就是第二份,工具包里有指南给的带 --exclude-skill 的那一行,可以跳过它。然后按 README 列表里的名字添加技能。
hf skills list hf skills add <skill-name>
把 <skill-name> 换成 README 表格里的一个名字,比如 huggingface-best。Hugging Face 的 agents 页面说,直接运行 hf skills add 会装到当前项目,加上 --global 就装到所有项目。Codex 和 Gemini CLI 各有自己的步骤,都在工具包里。
描述你要做的事,智能体会加载对得上的技能,你也可以自己点名技能。README 自己举的例子都是普通的句子,比如让 HF LLM trainer 技能估算一次 70B 模型训练需要多少 GPU 显存。
| 技能 | 用在哪里 | Claude 做什么 |
|---|---|---|
| hf-cli | 在终端里处理 Hub 上的任何事 | 运行 hf 命令来搜索、下载和上传文件,管理仓库和存储桶,以及启动任务 |
| huggingface-best | 为某项任务挑模型 | 读取 Hub 官方的基准测试排行榜,补上每个模型的大小,按你设备的内存筛选,再返回一张排好名次的表 |
| hf-mem | 一个模型需要多少内存 | 运行 uvx hf-mem --model-id <model-id> --json-output,不下载权重就估算 Safetensors 或 GGUF 权重需要的内存 |
| huggingface-local-models | 在自己电脑上运行模型 | 为 llama.cpp 找 GGUF 文件,挑一个量化版本,再启动 llama-cli 或 llama-server |
| huggingface-llm-trainer | 微调语言模型或视觉模型 | 用 TRL 或 Unsloth 写训练脚本,提交到 Hugging Face Jobs,结果推送到 Hub |
| huggingface-vision-trainer | 目标检测、图像分类和 SAM 模型 | 在 Hugging Face Jobs 的云端 GPU 上训练和微调它们 |
| train-sentence-transformers | 嵌入模型和重排序模型 | 先确定模型类型,再从技能自带的对应模板脚本开始 |
| huggingface-community-evals | 在你自己的硬件上跑基准测试 | 用 inspect-ai 或 lighteval 运行评测,并帮你在 vLLM、Transformers 和 accelerate 之间做选择 |
| huggingface-datasets | 查看数据集的内容 | 调用只读的 Dataset Viewer API,列出拆分、预览行、搜索、筛选和读取统计信息 |
| 技能 | 用在哪里 | Claude 做什么 |
|---|---|---|
| huggingface-gradio | 用 Python 写网页界面或演示 | 用 Interface 和 Blocks 类、布局和流式输出写 Gradio 应用 |
| huggingface-spaces | 在 Spaces 上托管应用 | 构建、部署和调试 Gradio、Docker 或 Static Spaces,并挑选硬件 |
| huggingface-lora-space-builder | 为你的 LoRA 做演示 | 为这个 LoRA 搭一个 Gradio Space 并发布,默认是私有的 |
| huggingface-trackio | 盯着一次训练 | 用 Trackio 记录指标并同步到一个 Space 仪表盘,带提醒,还能用命令行读回来 |
| huggingface-papers | 读一篇论文 | 以 markdown 格式抓取 Hugging Face 的论文页面,或者它的作者以及关联的模型、数据集和 Spaces |
| huggingface-paper-publisher | 发布论文 | 在 Hub 上收录一篇 arXiv 论文,并把它关联到你的模型和数据集 |
| huggingface-tool-builder | 一个可复用的 Hub API 脚本 | 写一个带 --help 选项的命令行脚本,从 HF_TOKEN 读取你的令牌 |
| transformers-js | 在 JavaScript 里用模型 | 用 @huggingface/transformers 在浏览器或 Node.js 里运行模型 |
| hf-cloud-sagemaker-deployment-planner | 把模型部署到 SageMaker | 先问清楚是什么模型,挑一条部署路线,再把之后的每个阶段交给下面的技能 |
另外五个 hf-cloud 技能各负责一个阶段。它们分别处理你的 AWS 配置和区域、一个 Python 环境、执行角色、推理容器,以及一个带自动扩缩容和告警的端点。
你想要一个能在你 16 GB MacBook 上运行的编程模型,却不知道从哪里下手。
What is the best model for coding that runs on my 16 GB MacBook?
Claude 读取 Hub 官方的编程类基准测试排行榜,并查出每个候选模型的大小。它按 16 GB 能装下的范围筛选,并标出只有用 Q4 量化才装得下的模型。你会拿到一张表,有分数、许可证和一列是否装得下,最推荐的那个标上星号。
接着 Claude 会问你,是想在本地运行这个模型,还是在 Hugging Face Jobs 上运行。
新手:技能就是一个文件夹,里面有一个写着指令的 SKILL.md 文件。你的请求对得上时,智能体就会读它。先从 hf-cli 开始,登录,然后提一个小任务,比如列出一个数据集的拆分。遇到会上传文件或启动付费算力的命令,批准之前先读一遍。
专家:仓库里有两个插件市场文件。客户端读取的那个只列了 hf-cli,生成的 marketplace-internal.json 才是完整列表。README 说,发布自动化会把这个文件上传到一个 Hub 存储桶,hf skills list、hf skills add 和 hf skills update 读的就是它。hf-cli 的 SKILL.md 是根据你安装的 hf 版本生成的,hf skills add --force 会重新生成它。还有第二十六个文件夹 hf-mcp,讲的是 Hugging Face 的 MCP 服务器,不在 README 的表格里。
这里有几个技能会花钱或公开发布东西,所以先看看智能体打算运行什么。
HF_TOKEN 作为密钥传进去~/.cache/huggingface/token 读取它来调用 Hub 的 APIhf repos delete,它的文本说这是不可撤销的操作,所以先核对仓库名# Hugging Face Skills:安装说明 这个工具包里是 Mindket 写的安装说明,不包含技能本身、它们的脚本或参考文件。这些要从 Hugging Face 的仓库安装:https://github.com/huggingface/skills 许可证:Apache-2.0,见 plugin.json。全文见 https://github.com/huggingface/skills/blob/main/LICENSE Hugging Face Skills 由 Hugging Face 制作。这个上架页面由 Mindket 制作,Mindket 并非 Hugging Face 制作或背书。 这些说明的来源:README(https://github.com/huggingface/skills/blob/main/README.md),https://github.com/huggingface/skills/tree/main/.claude-plugin 和 https://github.com/huggingface/skills/tree/main/.cursor-plugin 下的插件和插件市场文件,gemini-extension.json、.mcp.json、agentsmd/AGENTS.md 和每个 SKILL.md,以及两个 Hugging Face 文档页面:https://huggingface.co/docs/hub/agents-cli 和 https://huggingface.co/docs/huggingface_hub/guides/cli。关于 Claude Code 和 Codex 的事实出自它们自己的文档,用到的地方都注明了。所有命令都由 Mindket 照抄,一条也没有运行过。 ## 它是什么 在 Hugging Face Hub 上做 AI 和机器学习工作用的技能。README 说它们遵循 Agent Skills 格式,是数据集创建、模型训练和评测等任务的定义。README 的表格列出了二十五个。其中 hf-cli 是起点:它教智能体用好每一条 `hf` 命令,README 说它是根据你本地安装的 `hf` 程序生成的,所以能保持最新。 客户端插件市场只提供 hf-cli。README 说,其他技能按需用 `hf skills add <skill-name>` 安装。 ## README 表格里的技能 | 技能 | README 说它用来做什么 | |---|---| | hf-cli | Hub 的命令行程序:下载、上传和管理模型、数据集、Spaces、存储桶、仓库、论文和任务 | | hf-cloud-aws-context-discovery | 在 AWS 任务开始时找出你本地的 AWS 环境 | | hf-cloud-python-env-setup | 一个用于 SageMaker 和 AWS 工作的隔离 Python 环境 | | hf-cloud-sagemaker-deployment-planner | 规划把模型部署到 Amazon SageMaker AI | | hf-cloud-sagemaker-iam-preflight | 在部署或训练之前,准备好一个可用的 SageMaker 执行角色 | | hf-cloud-sagemaker-production-defaults | 一个默认开启自动扩缩容、CloudWatch 告警和标签的 SageMaker 端点 | | hf-cloud-serving-image-selection | 为 SageMaker 模型部署选择推理容器 | | hf-mem | 估算加载 Safetensors 或 GGUF 模型权重需要多少内存 | | huggingface-best | 根据基准测试分数为某项任务找出最好的模型 | | huggingface-community-evals | 在本地硬件上用 inspect-ai 和 lighteval 评测 Hub 上的模型 | | huggingface-datasets | Dataset Viewer API:拆分、行、搜索、筛选、parquet 链接和统计信息 | | huggingface-gradio | 用 Python 写 Gradio 网页界面和演示 | | huggingface-llm-trainer | 在 Hugging Face Jobs 上用 TRL 或 Unsloth 微调语言模型和视觉模型 | | huggingface-local-models | 挑选用 llama.cpp 和 GGUF 在本地运行的模型 | | huggingface-lora-space-builder | 为你的 LoRA 在 Spaces 上做一个 Gradio 演示 | | huggingface-paper-publisher | 在 Hub 上发布和管理研究论文 | | huggingface-papers | 阅读 Hugging Face 的论文页面和使用论文 API | | huggingface-spaces | 在 Spaces 上构建、部署和维护应用 | | huggingface-tool-builder | 使用 Hugging Face API 数据的脚本 | | huggingface-trackio | 跟踪和可视化机器学习训练实验 | | huggingface-vision-trainer | 训练目标检测、图像分类和 SAM 模型 | | huggingface-zerogpu | 用 Gradio Spaces 和 ZeroGPU 做演示和 GPU 计算 | | train-sentence-transformers | 训练 SentenceTransformer、CrossEncoder 和 SparseEncoder 模型 | | transformers-js | 用 Transformers.js 在 JavaScript 和 TypeScript 里运行模型 | | trl-training | 用 TRL 微调语言模型 | 来源:README 的表格,表格注明它由 scripts/generate_agents.py 生成。仓库里还有 hf-mcp,一个关于 Hub 的 MCP 服务器的技能,放在它自己的文件夹(hf-mcp/skills/hf-mcp)里,不在这张表格中。 ## 工具包里的文件 - setup/claude-code.md:README 给 Claude Code 的三个步骤 - setup/hf-cli-and-first-run.md:安装 `hf` 程序、登录、添加更多技能,以及哪些会产生费用 - setup/codex.md:README 给 Codex 的步骤 - setup/gemini-cli.md:两条 Gemini CLI 安装命令 - setup/cursor.md:README 关于 Cursor 说了什么 - setup/other-agents.md:给不支持技能的智能体用的 AGENTS.md 备用方式 ## 先准备好这些 - 能读取技能的智能体:Claude Code、Codex、Gemini CLI 或 Cursor,也就是 README 提到的四种。 - `hf` 程序,用于 `hf skills add`,也用于 hf-cli 教的那些命令(setup/hf-cli-and-first-run.md)。 - 一个 Hugging Face 账号,上传、训练、部署或读取受限模型时都需要。有些技能需要付费方案:同一个文件写明了是哪些。 - 带 `uv` 的 Python,用于训练技能里的脚本,这是它们的 SKILL.md 文件说的。 ## 装到哪里 - Claude Code:hf-cli 插件,由 Claude Code 自己保管。用 `hf skills add` 添加的技能放在这个命令放的地方:当前项目,或者加上 `--global` 时的所有项目(setup/hf-cli-and-first-run.md)。 - Codex:你复制或链接到 `.agents/skills` 文件夹里的技能文件夹。 - Gemini CLI:一个扩展,带一个上下文文件 agentsmd/AGENTS.md,以及一条指向 Hugging Face 自己服务器的 MCP 配置。 - Cursor:仓库自带的插件和 MCP 文件。 ## 你的数据 这些技能是带脚本和参考资料的指令。其中有几个会让智能体用你的登录身份调用 Hugging Face 的服务器、上传文件、启动付费的云端任务,或者创建公开的 Spaces。Gemini 扩展和 Cursor 插件还会接入 Hugging Face 自己的 MCP 服务器 https://huggingface.co/mcp?login,智能体发给它的内容都会到那里。SageMaker 技能在你的 AWS 账号里工作。智能体读到的内容会发给你选的模型提供方。 ## 更新和卸载 - 用 `hf skills add` 添加的技能:`hf skills update` 会更新它们,`hf skills list` 列出可用的技能。两条命令都在 hf-cli 技能的命令列表里。 - 全局安装的 hf-cli 技能:Hugging Face 的 agents 页面说,`hf update` 会刷新它,`hf skills update -g` 可以单独刷新它。 - Claude Code 插件:Claude Code 的文档说,`/plugin` 的 Installed 标签页里有更新和卸载,卸载命令的写法是 `/plugin uninstall <plugin-name>@<marketplace-name>`。 - Gemini CLI、Codex 和 Cursor:setup/gemini-cli.md、setup/codex.md 和 setup/cursor.md 写明了 README 为每一种给了什么。
README.md 7 KB setup/claude-code.md 3 KB setup/codex.md 3 KB setup/cursor.md 2 KB setup/gemini-cli.md 2 KB setup/hf-cli-and-first-run.md 5 KB setup/other-agents.md 2 KB
Updated by Mindket to the current version of this kit.
Hacker News、Bluesky、X、Reddit、Facebook 和 YouTube 上提到这个项目的帖子和评论,来自每周一次的搜索和 Trendshift。它们不是 Mindket 写的,也未经核实,点开即可在原帖处阅读。
Sokheng · 工具包
这个模型从文档、收据和路牌照片里读取高棉语和英语文字,用一个检测器找文本行,再用识别器读每一行。适合需要在 Python 里做高棉语 OCR 的开发者。
Qwen · 工具包
Qwen2.5-7B-Instruct 的 GGUF 文件,提供八种量化大小,可通过 llama.cpp 在本地聊天。适合想在自己电脑上用 7.6B 强力模型、又不想搭 Python 环境的人。
ACE-Step · 工具包
用 4B 扩散解码器根据文字生成音乐,50 步并带引导控制,音频质量高于基础版。适合拥有 12 GB 或更多显存 GPU 的创作者。
alirezarezvani · 技能
为 Claude Code 和其他编程智能体提供 411 个现成技能,按角色分组,从工程、产品到营销、财务和合规。以插件方式安装。适合开发者和业务团队。
block · 工具包
可自行托管的工作空间,人和 AI 智能体在同样的房间里协作,基于 Nostr 中继,把每个动作记录为签名事件。适合想自己运行中继的团队。
backnotprop · 工具包
把你的 AI 编程智能体的计划、规格和代码改动在浏览器里打开,让你加批注或评论,并把反馈直接发回给智能体。