用途：该技能围绕 HuggingFace Hub 的模型生命周期展开，帮助智能体按任务类型检索模型注册表、评估候选模型、配置推理管线，并编排微调流程做领域适配。适用于模型选型、搭建本地或 API 推理、基于领域数据微调预训练模型、按自定义基准评测模型质量，以及使用优化服务部署到生产；当用户提到 HuggingFace、Transformers 或模型选择时也可使用。
主要能力：发现阶段按任务、库、下载量、许可证过滤并按下载量排序；评估阶段在测试数据上运行推理，测量准确率、平均延迟与 P95 延迟；部署阶段支持本地 Transformers pipeline、HuggingFace Inference API，或以 TGI/vLLM 自托管；微调阶段使用 LoRA 适配器，以较少训练数据做定制，脚本中会打印可训练参数占比。量化方面提到 GPTQ、AWQ、bitsandbytes 可降低消费级硬件推理门槛。
使用方式：工作流从任务定义开始，而非先选模型。先搜索 HuggingFace Hub，按许可证、体积、下载量过滤，产出前三候选，再在基准数据上评估，质量不足才微调。实现依赖 transformers、huggingface_hub、peft、torch 等库，示例函数如 discover_models、setup_inference、evaluate_model、finetune_lora；部署目标分本地、API、自托管三种。
适用场景与限制：适合文本生成、图像分类、目标检测、语音识别、翻译、摘要等任务。建议先按许可证兼容性筛选，再用自有数据评估而非仅看公开榜单，微调优先 LoRA，并用提交哈希固定模型版本以保证推理可复现。平台方面 Cursor、VS Code、Windsurf、Claude Code、Cline 为完全支持，aider 仅部分支持代码生成。具体收费、价格、性能数字与完整安装命令暂未提供。