Designing the hf CLI for AI agent workflows

•Hugging Face 的 hf CLI 現在支援 --json 旗標，可輸出機器可讀的結構化 JSON 格式，這對於大型語言模型（LLM）代理和自動化腳本至關重要，能有效提升程式化消費能力。
•CLI 已從 huggingface-cli 更名為更簡潔的 hf，並採用 hf <資源> <動作> 的命令模式（例如 hf auth login），以提高人體工學和命令的可發現性。
•Hugging Face 引入了「技能」（Skills）機制，為 AI 代理提供使用 hf CLI 命令的上下文，使代理能夠搜尋模型、管理資料集、啟動 Spaces 和執行任務。
•hf CLI 為專業用戶新增了 hf jobs 功能，允許在 Hugging Face 的基礎設施上執行腳本或 Docker 映像，並可自訂硬體，按使用時間計費。
•hf CLI 的底層是 huggingface_hub Python 函式庫，並利用 Rust 編寫的 hf_transfer 函式庫來實現閃電般的下載速度，解決了大型模型下載的瓶頸問題。

輸出格式: CLI 支援人類可讀（預設）和 JSON 輸出（透過 --json 旗標），這對於 LLM 代理和自動化腳本特別有用。
命令結構: 從 huggingface-cli 過渡到 hf，遵循 hf <資源> <動作> 模式（例如 hf auth login、hf repo、hf cache）。
底層函式庫: hf CLI 隨 huggingface_hub Python 套件一起發布。
效能增強: 利用基於 Rust 的 hf_transfer 函式庫實現快速下載，解決了大型模型尺寸帶來的瓶頸。
錯誤處理: 包含針對不存在的專案、執行、指標或非唯讀查詢的全面驗證和錯誤處理。
技能整合: 代理可以安裝「CLI 技能」，這些技能是從本地安裝的 CLI 版本生成的，為代理提供 hf 命令的知識。
快取管理: hf cache scan 和 hf cache delete 等命令允許有效管理本地快取模型和資料集。
大型檔案處理: hf upload-large-folder 支援透過將檔案分割成較小的區塊來實現大型檔案的可續傳上傳。 hf lfs-enable-largefiles 有助於使用 Git LFS 管理大型檔案。
任務功能: hf jobs 允許在 Hugging Face 的基礎設施上執行腳本或 Docker 映像，並根據使用時間計費。
身份驗證: hf auth login 使用戶存取令牌進行身份驗證，該令牌可以儲存為 Git 憑證。

AI 代理將在 Hugging Face Hub 上更自主地管理機器學習工作流程。

增強的 CLI 具有機器可讀的輸出和「技能」直接使代理能夠程式化地發現、管理和執行模型選擇、微調和任務提交等任務。

Hugging Face 將進一步鞏固其作為開源 AI 開發和部署核心平台的地位，特別是對於代理系統。

透過不斷改進代理互動工具並提供模型、資料集和 Spaces 的生態系統，Hugging Face 降低了開發人員建構和部署複雜 AI 代理的門檻。

AI 代理的發展將越來越注重模組化和工具整合，其中 CLI 將扮演基礎角色。

hf CLI 的重新設計強調結構化的命令模式和與「技能」的整合，反映了代理利用定義明確的工具執行特定任務的更廣泛趨勢。

2016

Hugging Face 成立為 AI 聊天機器人新創公司。

2017

發布首批用於自然語言處理的開源函式庫。

2019

推出 Transformers 函式庫，統一存取最先進的模型。

2020-10

`huggingface_hub v0.0.1` 發布，旨在統一 Hugging Face Hub 上的模型和資料集存取方式。

2024-05

Hugging Face 推出 Transformers Agents 2.0，專注於代理工作流程的清晰度和模組化。

2025-07

`huggingface-cli` 正式更名為 `hf`，採用 `hf <資源> <動作>` 模式以提高可用性。

2025-10

`huggingface_hub v1.0` 發布，包含簡化的 `hf` 命令和全面的機器學習操作介面。

2026-03

Hugging Face 展示如何利用「技能」來指導 AI 代理支援機器學習實驗，並將其整合到 CLI 中。

為 AI 代理工作流程設計的 hf CLI