用途
本技能是一组通用机器学习推理工具，用于对 HuggingFace 托管的模型执行标准推理任务。资料将其定位为辅助性技能：适合作为其他工作流中的支撑步骤，例如对一批检索到的摘要进行归类、从临床文本中抽取实体、为相似度检索生成句子嵌入，而不是把它当作独立的研究领域。
主要能力
技能包含 10 个 HFInference_* 工具，均需提供规范 model_id（HuggingFace 的 org/name 仓库标识，不能使用裸别名），接受可选的 wait_for_model 布尔参数以等待冷启动。返回结果或 {"error": "..."}，使用前应先检查 error 字段。
- HFInference_classify_text：文本分类/情感分析，需 text，返回 top_label 与各标签分数。
- HFInference_embed_text：稠密文本嵌入，需 text，返回维度、嵌入向量与预览。
- HFInference_fill_mask：掩码填充，需含模型掩码标记的 text。
- HFInference_summarize：摘要，需 text，可选 max_length/min_length。
- HFInference_zero_shot_classify：零样本分类，需 text 与 candidate_labels，可选 multi_label。
- HFInference_ner：命名实体识别，需 text，返回实体数量与实体列表（含词、分数、起止位置）。
- HFInference_question_answering：抽取式问答，需 question 与 context，返回答案及字符偏移。
- HFInference_translate：翻译，需 text，语言对由所选模型决定。
- HFInference_classify_image：图像分类，需 image_url 或 image_path 二者之一。
- HFInference_detect_objects：物体检测，需 image_url 或 image_path 二者之一，返回标签、分数与边界框。
资料还列出若干常用 model_id 起点，涵盖通用情感、通用与生物医学嵌入、蛋白质嵌入与掩码语言模型、生物医学与临床文本掩码语言模型、基因组序列掩码语言模型、生物医学与通用 NER、摘要、零样本分类、抽取式问答、翻译、图像分类与物体检测等类别，并说明这些“已验证”状态来自工具作者而非本资料独立复核。
使用方式
- 先确认已设置 HF_TOKEN。资料强调这是最常见的失败点：无 token 时全部 10 个工具均返回 Unauthorized；无效或占位 token 也返回相同错误。因此需前往 https://huggingface.co/settings/tokens 创建免费 token（读取范围即可），未设置时应如实告知用户并停止，而不是猜测输出。
- 按任务选择对应工具与规范 model_id。
- 调用一次后先检查 error 字段。遇到 Unauthorized 应如实报告 token 或模型门控问题；遇到冷启动 503 可以 wait_for_model: true 重试一次。
- 只报告工具实际返回的分数、标签、片段或边界框，不得编造分类、嵌入、摘要或实体列表。
资料还提供三个无需 token 的 HuggingFace Hub 搜索工具，用于先找到或确认 model_id：HuggingFace_search_models（需 search，可选 limit、pipeline_tag、library）、HuggingFace_get_model（需 author 与 model_name 两个独立字段）、HuggingFace_search_datasets（需 search，可选 limit）。搜索宜用单词或短语，多词长句可能返回零结果。推荐流程是先用搜索工具确认 pipeline_tag、library_name、许可证与门控状态，再把 model_id 传入对应的 HFInference_* 工具。
另有两个 Replicate 平台工具：Replicate_run_prediction（需 input，并提供 model 或 version 之一）与 Replicate_get_prediction（需 prediction_id），均需 REPLICATE_API_TOKEN，注册地址为 https://replicate.com/account/api-tokens。资料仅验证了无 token 时的报错行为，未实际运行预测，也未记录其输出，模型与输入模式需以工具自身 JSON 描述为准。
适用场景
- 对文本进行情感、主题或情绪分类。
- 生成用于语义搜索或相似度打分的稠密嵌入，包括 PubMed 调优与蛋白质序列嵌入模型。
- 预测掩码标记，包括 ESM2 蛋白质语言模型对氨基酸位置的预测；若需致病性评分，应优先使用专门的似然比工具而非原始 fill-mask。
- 使用指定模型对段落做摘要。
- 在无需重训练的情况下按调用方给定标签做零样本分类。
- 从文本中抽取人物、组织、药物、疾病等命名实体。
- 基于给定上下文做抽取式问答。
- 使用语言对固定的模型进行翻译。
- 对图片 URL 或本地路径做图像分类与物体检测。
限制
- 实践中必须提供有效的 HuggingFace token，尽管工具 schema 将其标为可选。
- 部分模型受门控限制，即使 token 有效也需在模型页接受许可；冷启动可能返回 503。
- 仅调用已托管模型进行推理，不包含训练或微调。
- 多源文献综述的综合与总结应交给调用模型自身的推理，而非单文档摘要工具。
- 已有专用生物医学工具覆盖的任务应优先使用专用工具，将 HFInference_* 作为回退方案。
- 资料在构建时无有效 HF_TOKEN，参数与响应文档来自 schema 而非成功调用；具体模型输出质量需用真实 token 复核。
- Replicate 工具的真实预测输出未在资料中记录，不应假设其模型或输入模式。