# huggingface-hub - Doramagic AI Context Pack

> 定位：安装前体验与判断资产。它帮助宿主 AI 有一个好的开始，但不代表已经安装、执行或验证目标项目。

## 充分原则

- **充分原则，不是压缩原则**：AI Context Pack 应该充分到让宿主 AI 在开工前理解项目价值、能力边界、使用入口、风险和证据来源；它可以分层组织，但不以最短摘要为目标。
- **压缩策略**：只压缩噪声和重复内容，不压缩会影响判断和开工质量的上下文。

## 给宿主 AI 的使用方式

你正在读取 Doramagic 为 huggingface-hub 编译的 AI Context Pack。请把它当作开工前上下文：帮助用户理解适合谁、能做什么、如何开始、哪些必须安装后验证、风险在哪里。不要声称你已经安装、运行或执行了目标项目。

## Claim 消费规则

- **事实来源**：Repo Evidence + Claim/Evidence Graph；Human Wiki 只提供显著性、术语和叙事结构。
- **事实最低状态**：`supported`
- `supported`：可以作为项目事实使用，但回答中必须引用 claim_id 和证据路径。
- `weak`：只能作为低置信度线索，必须要求用户继续核实。
- `inferred`：只能用于风险提示或待确认问题，不能包装成项目事实。
- `unverified`：不得作为事实使用，应明确说证据不足。
- `contradicted`：必须展示冲突来源，不得替用户强行选择一个版本。

## 它最适合谁

- **希望把专业流程带进宿主 AI 的用户**：仓库包含 Skill 文档。 证据：`.opencode/skills/hf-release-notes/SKILL.md` Claim：`clm_0003` supported 0.86

## 它能做什么

- **AI Skill / Agent 指令资产库**（可做安装前预览）：项目包含可被宿主 AI 读取的 Skill 或 Agent 指令文件，可用于把专业流程带入 Claude、Codex、Cursor 等宿主。 证据：`.opencode/skills/hf-release-notes/SKILL.md` Claim：`clm_0001` supported 0.86
- **命令行启动或安装流程**（需要安装后验证）：项目文档中存在可执行命令，真实使用需要在本地或宿主环境中运行这些命令。 证据：`README.md` Claim：`clm_0002` supported 0.86

## 怎么开始

- `pip install huggingface_hub` 证据：`README.md` Claim：`clm_0004` supported 0.86, `clm_0005` supported 0.86
- `pip install "huggingface_hub[mcp]"` 证据：`README.md` Claim：`clm_0005` supported 0.86

## 继续前判断卡

- **当前建议**：仅建议沙盒试装
- **为什么**：项目存在安装命令、宿主配置或本地写入线索，不建议直接进入主力环境，应先在隔离环境试装。

### 30 秒判断

- **现在怎么做**：仅建议沙盒试装
- **最小安全下一步**：先跑 Prompt Preview；若仍要安装，只在隔离环境试装
- **先别相信**：真实输出质量不能在安装前相信。
- **继续会触碰**：命令执行、宿主 AI 配置、本地环境或项目文件

### 现在可以相信

- **适合人群线索：希望把专业流程带进宿主 AI 的用户**（supported）：有 supported claim 或项目证据支撑，但仍不等于真实安装效果。 证据：`.opencode/skills/hf-release-notes/SKILL.md` Claim：`clm_0003` supported 0.86
- **能力存在：AI Skill / Agent 指令资产库**（supported）：可以相信项目包含这类能力线索；是否适合你的具体任务仍要试用或安装后验证。 证据：`.opencode/skills/hf-release-notes/SKILL.md` Claim：`clm_0001` supported 0.86
- **能力存在：命令行启动或安装流程**（supported）：可以相信项目包含这类能力线索；是否适合你的具体任务仍要试用或安装后验证。 证据：`README.md` Claim：`clm_0002` supported 0.86
- **存在 Quick Start / 安装命令线索**（supported）：可以相信项目文档出现过启动或安装入口；不要因此直接在主力环境运行。 证据：`README.md` Claim：`clm_0004` supported 0.86, `clm_0005` supported 0.86

### 现在还不能相信

- **真实输出质量不能在安装前相信。**（unverified）：Prompt Preview 只能展示引导方式，不能证明真实项目中的结果质量。
- **宿主 AI 版本兼容性不能在安装前相信。**（unverified）：Claude、Cursor、Codex、Gemini 等宿主加载规则和版本差异必须在真实环境验证。
- **不会污染现有宿主 AI 行为，不能直接相信。**（inferred）：Skill、plugin、AGENTS/CLAUDE/GEMINI 指令可能改变宿主 AI 的默认行为。 证据：`.opencode/skills/hf-release-notes/SKILL.md`, `AGENTS.md`
- **可安全回滚不能默认相信。**（unverified）：除非项目明确提供卸载和恢复说明，否则必须先在隔离环境验证。
- **真实安装后是否与用户当前宿主 AI 版本兼容？**（unverified）：兼容性只能通过实际宿主环境验证。
- **项目输出质量是否满足用户具体任务？**（unverified）：安装前预览只能展示流程和边界，不能替代真实评测。
- **安装命令是否需要网络、权限或全局写入？**（unverified）：这影响企业环境和个人环境的安装风险。 证据：`README.md`

### 继续会触碰什么

- **命令执行**：包管理器、网络下载、本地插件目录、项目配置或用户主目录。 原因：运行第一条命令就可能产生环境改动；必须先判断是否值得跑。 证据：`README.md`
- **宿主 AI 配置**：Claude/Codex/Cursor/Gemini/OpenCode 等宿主的 plugin、Skill 或规则加载配置。 原因：宿主配置会改变 AI 后续工作方式，可能和用户已有规则冲突。 证据：`.opencode/skills/hf-release-notes/SKILL.md`, `AGENTS.md`
- **本地环境或项目文件**：安装结果、插件缓存、项目配置或本地依赖目录。 原因：安装前无法证明写入范围和回滚方式，需要隔离验证。 证据：`README.md`
- **宿主 AI 上下文**：AI Context Pack、Prompt Preview、Skill 路由、风险规则和项目事实。 原因：导入上下文会影响宿主 AI 后续判断，必须避免把未验证项包装成事实。

### 最小安全下一步

- **先跑 Prompt Preview**：用安装前交互式试用判断工作方式是否匹配，不需要授权或改环境。（适用：任何项目都适用，尤其是输出质量未知时。）
- **只在隔离目录或测试账号试装**：避免安装命令污染主力宿主 AI、真实项目或用户主目录。（适用：存在命令执行、插件配置或本地写入线索时。）
- **先备份宿主 AI 配置**：Skill、plugin、规则文件可能改变 Claude/Cursor/Codex 的默认行为。（适用：存在插件 manifest、Skill 或宿主规则入口时。）
- **安装后只验证一个最小任务**：先验证加载、兼容、输出质量和回滚，再决定是否深用。（适用：准备从试用进入真实工作流时。）

### 退出方式

- **保留安装前状态**：记录原始宿主配置和项目状态，后续才能判断是否可恢复。
- **准备移除宿主 plugin / Skill / 规则入口**：如果试装后行为异常，可以把宿主 AI 恢复到试装前状态。
- **记录安装命令和写入路径**：没有明确卸载说明时，至少要知道哪些目录或配置需要手动清理。
- **如果没有回滚路径，不进入主力环境**：不可回滚是继续前阻断项，不应靠信任或运气继续。

## 哪些只能预览

- 解释项目适合谁和能做什么
- 基于项目文档演示典型对话流程
- 帮助用户判断是否值得安装或继续研究

## 哪些必须安装后验证

- 真实安装 Skill、插件或 CLI
- 执行脚本、修改本地文件或访问外部服务
- 验证真实输出质量、性能和兼容性

## 边界与风险判断卡

- **把安装前预览误认为真实运行**：用户可能高估项目已经完成的配置、权限和兼容性验证。 处理方式：明确区分 prompt_preview_can_do 与 runtime_required。 Claim：`clm_0006` inferred 0.45
- **命令执行会修改本地环境**：安装命令可能写入用户主目录、宿主插件目录或项目配置。 处理方式：先在隔离环境或测试账号中运行。 证据：`README.md` Claim：`clm_0007` supported 0.86
- **待确认**：真实安装后是否与用户当前宿主 AI 版本兼容？。原因：兼容性只能通过实际宿主环境验证。
- **待确认**：项目输出质量是否满足用户具体任务？。原因：安装前预览只能展示流程和边界，不能替代真实评测。
- **待确认**：安装命令是否需要网络、权限或全局写入？。原因：这影响企业环境和个人环境的安装风险。

## 开工前工作上下文

### 加载顺序

- 先读取 how_to_use.host_ai_instruction，建立安装前判断资产的边界。
- 读取 claim_graph_summary，确认事实来自 Claim/Evidence Graph，而不是 Human Wiki 叙事。
- 再读取 intended_users、capabilities 和 quick_start_candidates，判断用户是否匹配。
- 需要执行具体任务时，优先查 role_skill_index，再查 evidence_index。
- 遇到真实安装、文件修改、网络访问、性能或兼容性问题时，转入 risk_card 和 boundaries.runtime_required。

### 任务路由

- **AI Skill / Agent 指令资产库**：先基于 role_skill_index / evidence_index 帮用户挑选可用角色、Skill 或工作流。 边界：可做安装前 Prompt 体验。 证据：`.opencode/skills/hf-release-notes/SKILL.md` Claim：`clm_0001` supported 0.86
- **命令行启动或安装流程**：先说明这是安装后验证能力，再给出安装前检查清单。 边界：必须真实安装或运行后验证。 证据：`README.md` Claim：`clm_0002` supported 0.86

### 上下文规模

- 文件总数：475
- 重要文件覆盖：40/475
- 证据索引条目：80
- 角色 / Skill 条目：1

### 证据不足时的处理

- **missing_evidence**：说明证据不足，要求用户提供目标文件、README 段落或安装后验证记录；不要补全事实。
- **out_of_scope_request**：说明该任务超出当前 AI Context Pack 证据范围，并建议用户先查看 Human Manual 或真实安装后验证。
- **runtime_request**：给出安装前检查清单和命令来源，但不要替用户执行命令或声称已执行。
- **source_conflict**：同时展示冲突来源，标记为待核实，不要强行选择一个版本。

## Prompt Recipes

### 适配判断

- 目标：判断这个项目是否适合用户当前任务。
- 预期输出：适配结论、关键理由、证据引用、安装前可预览内容、必须安装后验证内容、下一步建议。

```text
请基于 huggingface-hub 的 AI Context Pack，先问我 3 个必要问题，然后判断它是否适合我的任务。回答必须包含：适合谁、能做什么、不能做什么、是否值得安装、证据来自哪里。所有项目事实必须引用 evidence_refs、source_paths 或 claim_id。
```

### 安装前体验

- 目标：让用户在安装前感受核心工作流，同时避免把预览包装成真实能力或营销承诺。
- 预期输出：一段带边界标签的体验剧本、安装后验证清单和谨慎建议；不含真实运行承诺或强营销表述。

```text
请把 huggingface-hub 当作安装前体验资产，而不是已安装工具或真实运行环境。

请严格输出四段：
1. 先问我 3 个必要问题。
2. 给出一段“体验剧本”：用 [安装前可预览]、[必须安装后验证]、[证据不足] 三种标签展示它可能如何引导工作流。
3. 给出安装后验证清单：列出哪些能力只有真实安装、真实宿主加载、真实项目运行后才能确认。
4. 给出谨慎建议：只能说“值得继续研究/试装”“先补充信息后再判断”或“不建议继续”，不得替项目背书。

硬性边界：
- 不要声称已经安装、运行、执行测试、修改文件或产生真实结果。
- 不要写“自动适配”“确保通过”“完美适配”“强烈建议安装”等承诺性表达。
- 如果描述安装后的工作方式，必须使用“如果安装成功且宿主正确加载 Skill，它可能会……”这种条件句。
- 体验剧本只能写成“示例台词/假设流程”：使用“可能会询问/可能会建议/可能会展示”，不要写“已写入、已生成、已通过、正在运行、正在生成”。
- Prompt Preview 不负责给安装命令；如用户准备试装，只能提示先阅读 Quick Start 和 Risk Card，并在隔离环境验证。
- 所有项目事实必须来自 supported claim、evidence_refs 或 source_paths；inferred/unverified 只能作风险或待确认项。

```

### 角色 / Skill 选择

- 目标：从项目里的角色或 Skill 中挑选最匹配的资产。
- 预期输出：候选角色或 Skill 列表，每项包含适用场景、证据路径、风险边界和是否需要安装后验证。

```text
请读取 role_skill_index，根据我的目标任务推荐 3-5 个最相关的角色或 Skill。每个推荐都要说明适用场景、可能输出、风险边界和 evidence_refs。
```

### 风险预检

- 目标：安装或引入前识别环境、权限、规则冲突和质量风险。
- 预期输出：环境、权限、依赖、许可、宿主冲突、质量风险和未知项的检查清单。

```text
请基于 risk_card、boundaries 和 quick_start_candidates，给我一份安装前风险预检清单。不要替我执行命令，只说明我应该检查什么、为什么检查、失败会有什么影响。
```

### 宿主 AI 开工指令

- 目标：把项目上下文转成一次对话开始前的宿主 AI 指令。
- 预期输出：一段边界明确、证据引用明确、适合复制给宿主 AI 的开工前指令。

```text
请基于 huggingface-hub 的 AI Context Pack，生成一段我可以粘贴给宿主 AI 的开工前指令。这段指令必须遵守 not_runtime=true，不能声称项目已经安装、运行或产生真实结果。
```


## 角色 / Skill 索引

- 共索引 1 个角色 / Skill / 项目文档条目。

- **hf-release-notes**（skill）：Generate Hugging Face Hub huggingface hub release notes from cached PR JSON files. Use when asked to draft release notes from PR files. 激活提示：当用户任务与“hf-release-notes”描述的流程高度相关时，先用它做安装前体验，再决定是否安装。 证据：`.opencode/skills/hf-release-notes/SKILL.md`

## 证据索引

- 共索引 80 条证据。

- **Generating the documentation**（documentation）：<!--- Copyright 2023 The HuggingFace Team. All rights reserved. 证据：`docs/README.md`
- **Agent Guide for huggingface hub**（documentation）：Python client library for the Hugging Face Hub. Source code is in src/huggingface hub/ , tests in tests/ . 证据：`AGENTS.md`
- **Welcome to the huggingface hub library**（documentation）：The official Python client for the Huggingface Hub. 证据：`README.md`
- **Running Tests**（documentation）：To run the test suite, please perform the following from the root directory of this repository: 证据：`tests/README.md`
- **Hugging Face Hub Client library**（documentation）：The hf hub download function is the main function to download files from the Hub. One advantage of using it is that files are cached locally, so you won't have to download the files multiple times. If there are changes in the repository, the files will be automatically downloaded again. 证据：`src/huggingface_hub/README.md`
- **Usage**（documentation）：The official Python client for the Huggingface Hub. 证据：`utils/hf/README.md`
- **How to contribute to huggingface hub, the GitHub repository?**（documentation）：<!--- Copyright 2020 The HuggingFace Team. All rights reserved. 证据：`CONTRIBUTING.md`
- **HF Release Notes**（skill_instruction）：Generate release notes for huggingface hub from cached PR JSON files. This skill reads PR metadata, categorizes entries, and produces a formatted markdown release notes document. 证据：`.opencode/skills/hf-release-notes/SKILL.md`
- **License**（source_file）：Apache License Version 2.0, January 2004 http://www.apache.org/licenses/ 证据：`LICENSE`
- **Translating the huggingface hub documentation into your language**（documentation）：Translating the huggingface hub documentation into your language 证据：`docs/TRANSLATING.md`
- **Release**（documentation）：This document covers all steps that need to be done in order to do a release of the huggingface hub library. 证据：`docs/dev/release.md`
- **集合（Collections）**（documentation）：集合（collection）是 Hub 上将一组相关项目（模型、数据集、Spaces、论文）组织在同一页面上的一种方式。利用集合，你可以创建自己的作品集、为特定类别的内容添加书签，或呈现你想要分享的精选条目。要了解更多关于集合的概念及其在 Hub 上的呈现方式，请查看这篇 指南 https://huggingface.co/docs/hub/collections 证据：`docs/source/cn/guides/collections.md`
- **互动讨论与拉取请求（Pull Request）**（documentation）：huggingface hub 库提供了一个 Python 接口，用于与 Hub 上的拉取请求（Pull Request）和讨论互动。 访问 相关的文档页面 https://huggingface.co/docs/hub/repositories-pull-requests-discussions ，了解有关 Hub 上讨论和拉取请求（Pull Request）的更深入的介绍及其工作原理。 证据：`docs/source/cn/guides/community.md`
- **通过文件系统 API 与 Hub 交互**（documentation）：除了 HfApi ， huggingface hub 库还提供了 HfFileSystem ，这是一个符合 fsspec https://filesystem-spec.readthedocs.io/en/latest/ 规范的 Python 文件接口，用于与 Hugging Face Hub 交互。 HfFileSystem 基于 HfApi 构建，提供了典型的文件系统操作，如 cp 、 mv 、 ls 、 du 、 glob 、 get file 和 put file 。 证据：`docs/source/cn/guides/hf_file_system.md`
- **操作指南**（documentation）：在本节中，您将找到帮助您实现特定目标的实用指南。 查看这些指南，了解如何使用 huggingface hub 解决实际问题： 证据：`docs/source/cn/guides/overview.md`
- **创建和管理存储库**（documentation）：Hugging Face Hub是一组 Git 存储库。 Git https://git-scm.com/ 是软件开发中广泛使用的工具，可以在协作工作时轻松对项目进行版本控制。本指南将向您展示如何与 Hub 上的存储库进行交互，特别关注以下内容： 证据：`docs/source/cn/guides/repository.md`
- **搜索 Hub**（documentation）：在本教程中，您将学习如何使用 huggingface hub 在 Hub 上搜索模型、数据集和Spaces。 证据：`docs/source/cn/guides/search.md`
- **🤗 Hub 客户端库**（documentation）：通过 huggingface hub 库，您可以与面向机器学习开发者和协作者的平台 Hugging Face Hub https://huggingface.co/ 进行交互，找到适用于您所在项目的预训练模型和数据集，体验在平台托管的数百个机器学习应用，还可以创建或分享自己的模型和数据集并于社区共享。以上所有都可以用Python在 huggingface hub 库中轻松实现。 证据：`docs/source/cn/index.md`
- **安装**（documentation）：huggingface hub 在 Python 3.10 或更高版本上进行了测试，可以保证在这些版本上正常运行。如果您使用的是 Python 3.9 或更低版本，可能会出现兼容性问题 证据：`docs/source/cn/installation.md`
- **快速入门**（documentation）：Hugging Face Hub https://huggingface.co/ 是分享机器学习模型、演示、数据集和指标的首选平台 huggingface hub 库帮助你在不离开开发环境的情况下与 Hub 进行交互。你可以轻松地创建和管理仓库,下载和上传文件,并从 Hub 获取有用的模型和数据集元数据 证据：`docs/source/cn/quick-start.md`
- **Interaktion mit Diskussionen und Pull-Requests**（documentation）：Interaktion mit Diskussionen und Pull-Requests 证据：`docs/source/de/guides/community.md`
- **Dateien aus dem Hub herunterladen**（documentation）：Die huggingface hub -Bibliothek bietet Funktionen zum Herunterladen von Dateien aus den auf dem Hub gespeicherten Repositories. Sie können diese Funktionen unabhängig verwenden oder in Ihre eigene Bibliothek integrieren, um es Ihren Benutzern zu erleichtern, mit dem Hub zu interagieren. In diesem Leitfaden erfahren Sie, wie Sie: 证据：`docs/source/de/guides/download.md`
- **Interagieren mit dem Hub über die Filesystem API**（documentation）：Interagieren mit dem Hub über die Filesystem API 证据：`docs/source/de/guides/hf_file_system.md`
- **Inferenz auf Servern ausführen**（documentation）：Inferenz ist der Prozess, bei dem ein trainiertes Modell verwendet wird, um Vorhersagen für neue Daten zu treffen. Da dieser Prozess rechenintensiv sein kann, kann die Ausführung auf einem dedizierten Server eine interessante Option sein. Die huggingface hub Bibliothek bietet eine einfache Möglichkeit, einen Dienst aufzurufen, der die Inferenz für gehostete Modelle durchführt. Es gibt mehrere Dienste, mit denen Sie sich verbinden können: - Inferenz API https://huggingface.co/docs/api-inference/index : ein Service, der Ihnen ermöglicht, beschleunigte Inferenz auf der Infrastruktur von Hugging Face kostenlos auszuführen. Dieser Service ist eine schnelle Möglichkeit, um anzufangen, verschieden… 证据：`docs/source/de/guides/inference.md`
- **Integrieren Sie jedes ML-Framework mit dem Hub**（documentation）：Integrieren Sie jedes ML-Framework mit dem Hub 证据：`docs/source/de/guides/integrations.md`
- **Verwalten des huggingface hub Cache-Systems**（documentation）：Verwalten des huggingface hub Cache-Systems 证据：`docs/source/de/guides/manage-cache.md`
- **Verwalten Ihres Spaces Bereiches**（documentation）：In diesem Leitfaden werden wir sehen, wie man den Laufzeitbereich eines Space Geheimnisse Secrets https://huggingface.co/docs/hub/spaces-overview managing-secrets , Hardware https://huggingface.co/docs/hub/spaces-gpus und Speicher Storage mit huggingface hub verwaltet. 证据：`docs/source/de/guides/manage-spaces.md`
- **Erstellen und Teilen von Model Cards**（documentation）：Erstellen und Teilen von Model Cards 证据：`docs/source/de/guides/model-cards.md`
- **Anleitungen**（documentation）：In diesem Abschnitt finden Sie praktische Anleitungen, die Ihnen helfen, ein bestimmtes Ziel zu erreichen. Schauen Sie sich diese Anleitungen an, um zu lernen, wie Sie huggingface hub verwenden, um reale Probleme zu lösen: 证据：`docs/source/de/guides/overview.md`
- **Ein Repository erstellen und verwalten**（documentation）：Ein Repository erstellen und verwalten 证据：`docs/source/de/guides/repository.md`
- **Den Hub durchsuchen**（documentation）：In diesem Tutorial lernen Sie, wie Sie Modelle, Datensätze und Spaces auf dem Hub mit huggingface hub durchsuchen können. 证据：`docs/source/de/guides/search.md`
- **Dateien auf den Hub hochladen**（documentation）：Das Teilen Ihrer Dateien und Arbeiten ist ein wichtiger Aspekt des Hubs. Das huggingface hub bietet mehrere Optionen, um Ihre Dateien auf den Hub hochzuladen. Sie können diese Funktionen unabhängig verwenden oder sie in Ihre Bibliothek integrieren, um es Ihren Benutzern zu erleichtern, mit dem Hub zu interagieren. In dieser Anleitung erfahren Sie, wie Sie Dateien hochladen: 证据：`docs/source/de/guides/upload.md`
- **Webhooks Server**（documentation）：Webhooks sind ein Grundpfeiler für MLOps-bezogene Funktionen. Sie ermöglichen es Ihnen, auf neue Änderungen in bestimmten Repos oder auf alle Repos, die bestimmten Benutzern/Organisationen gehören, die Sie interessieren, zu hören. Dieser Leitfaden erklärt, wie Sie den huggingface hub nutzen können, um einen Server zu erstellen, der auf Webhooks hört und ihn in einen Space zu implementieren. Es wird davon ausgegangen, dass Sie mit dem Konzept der Webhooks auf dem Huggingface Hub vertraut sind. Um mehr über Webhooks selbst zu erfahren, können Sie zuerst diesen Leitfaden https://huggingface.co/docs/hub/webhooks lesen. 证据：`docs/source/de/guides/webhooks_server.md`
- **🤗 Hub client bibliothek**（documentation）：Die huggingface hub Bibliothek ermöglicht die Interaktion mit dem Hugging Face Hub https://hf.co , einer Plattform für maschinelles Lernen, die für Entwickler und Mitwirkende konzipiert ist. Hier können Sie vorab trainierte Modelle und Datensätze entdecken, mit zahlreichen Apps für maschinelles Lernen experimentieren und eigene Modelle sowie Datensätze mit der Community teilen. Die huggingface hub Bibliothek macht es einfach, all das in Python umzusetzen. 证据：`docs/source/de/index.md`
- **Installation**（documentation）：Bevor Sie beginnen, müssen Sie Ihre Umgebung vorbereiten, indem Sie die entsprechenden Pakete installieren. 证据：`docs/source/de/installation.md`
- **Kurzanleitung**（documentation）：Der Hugging Face Hub https://huggingface.co/ ist die erste Anlaufstelle für das Teilen von Maschinenlernmodellen, Demos, Datensätzen und Metriken. Die huggingface hub -Bibliothek hilft Ihnen, mit dem Hub zu interagieren, ohne Ihre Entwicklungs-Umgebung zu verlassen. Sie können Repositories einfach erstellen und verwalten, Dateien herunterladen und hochladen und nützliche Model- und Datensatz-Metadaten vom Hub abrufen. 证据：`docs/source/de/quick-start.md`
- **Git vs HTTP paradigm**（documentation）：The huggingface hub library is a library for interacting with the Hugging Face Hub, which is a collection of git-based repositories models, datasets or Spaces . There are two main ways to access the Hub using huggingface hub . 证据：`docs/source/en/concepts/git_vs_http.md`
- **Migrating to huggingface hub v1.0**（documentation）：The v1.0 release is a major milestone for the huggingface hub library. It marks our commitment to API stability and the maturity of the library. We have made several improvements and breaking changes to make the library more robust and easier to use. 证据：`docs/source/en/concepts/migration.md`
- **Buckets**（documentation）：Buckets provide S3-like object storage on Hugging Face, powered by the Xet storage backend. Unlike repositories which are git-based and track file history , buckets are remote object storage containers designed for large-scale files with content-addressable deduplication. They are designed for use cases where you need simple, fast, mutable storage such as storing training checkpoints, logs, intermediate artifacts, or any large collection of files that doesn't need version control. 证据：`docs/source/en/guides/buckets.md`
- **Create a CLI extension**（documentation）：The hf CLI supports extensions, custom commands provided by the community that integrate seamlessly into the CLI. Extensions are hosted as public GitHub repositories and can be installed with a single command. Once installed, they appear as top-level hf commands just like built-in ones. 证据：`docs/source/en/guides/cli-extensions.md`
- **Command Line Interface CLI**（documentation）：The huggingface hub Python package comes with a built-in CLI called hf . This tool allows you to interact with the Hugging Face Hub directly from a terminal. For example, you can log in to your account, create a repository, upload and download files, etc. It also comes with handy features to configure your machine or manage your cache. In this guide, we will have a look at the main features of the CLI and how to use them. 证据：`docs/source/en/guides/cli.md`
- **Collections**（documentation）：A collection is a group of related items on the Hub models, datasets, Spaces, papers, collections, buckets that are organized together on the same page. Collections are useful for creating your own portfolio, bookmarking content in categories, or presenting a curated list of items you want to share. Check out this guide https://huggingface.co/docs/hub/collections to understand in more detail what collections are and how they look on the Hub. 证据：`docs/source/en/guides/collections.md`
- **Interact with Discussions and Pull Requests**（documentation）：Interact with Discussions and Pull Requests 证据：`docs/source/en/guides/community.md`
- **Download files from the Hub**（documentation）：The huggingface hub library provides functions to download files from the repositories stored on the Hub. You can use these functions independently or integrate them into your own library, making it more convenient for your users to interact with the Hub. This guide will show you how to: 证据：`docs/source/en/guides/download.md`
- **Interact with the Hub through the Filesystem API**（documentation）：Interact with the Hub through the Filesystem API 证据：`docs/source/en/guides/hf_file_system.md`
- **Run Inference on servers**（documentation）：Inference is the process of using a trained model to make predictions on new data. Because this process can be compute-intensive, running on a dedicated or external service can be an interesting option. The huggingface hub library provides a unified interface to run inference across multiple services for models hosted on the Hugging Face Hub: 证据：`docs/source/en/guides/inference.md`
- **Inference Endpoints**（documentation）：Inference Endpoints provides a secure production solution to easily deploy any transformers , sentence-transformers , and diffusers models on a dedicated and autoscaling infrastructure managed by Hugging Face. An Inference Endpoint is built from a model from the Hub https://huggingface.co/models . In this guide, we will learn how to programmatically manage Inference Endpoints with huggingface hub . For more information about the Inference Endpoints product itself, check out its official documentation https://huggingface.co/docs/inference-endpoints/index . 证据：`docs/source/en/guides/inference_endpoints.md`
- **Integrate any ML framework with the Hub**（documentation）：Integrate any ML framework with the Hub 证据：`docs/source/en/guides/integrations.md`
- **Run and manage Jobs**（documentation）：The Hugging Face Hub provides compute for AI and data workflows via Jobs. 证据：`docs/source/en/guides/jobs.md`
- **Understand caching**（documentation）：huggingface hub utilizes the local disk as two caches, which avoid re-downloading items again. The first cache is a file-based cache, which caches individual files downloaded from the Hub and ensures that the same file is not downloaded again when a repo gets updated. The second cache is a chunk cache, where each chunk represents a byte range from a file and ensures that chunks that are shared across files are only downloaded once. 证据：`docs/source/en/guides/manage-cache.md`
- **Manage your Space**（documentation）：In this guide, we will see how to manage your Space runtime secrets https://huggingface.co/docs/hub/spaces-overview managing-secrets , hardware https://huggingface.co/docs/hub/spaces-gpus , and volumes using huggingface hub . 证据：`docs/source/en/guides/manage-spaces.md`
- **Create and share Model Cards**（documentation）：The huggingface hub library provides a Python interface to create, share, and update Model Cards. Visit the dedicated documentation page https://huggingface.co/docs/hub/models-cards for a deeper view of what Model Cards on the Hub are, and how they work under the hood. 证据：`docs/source/en/guides/model-cards.md`
- **How-to guides**（documentation）：In this section, you will find practical guides to help you achieve a specific goal. Take a look at these guides to learn how to use huggingface hub to solve real-world problems: 证据：`docs/source/en/guides/overview.md`
- **Create and manage a repository**（documentation）：The Hugging Face Hub is a collection of git repositories. Git https://git-scm.com/ is a widely used tool in software development to easily version projects when working collaboratively. This guide will show you how to interact with the repositories on the Hub, especially: 证据：`docs/source/en/guides/repository.md`
- **Search the Hub**（documentation）：In this tutorial, you will learn how to search models, datasets and spaces on the Hub using huggingface hub . 证据：`docs/source/en/guides/search.md`
- **Upload files to the Hub**（documentation）：Sharing your files and work is an important aspect of the Hub. The huggingface hub offers several options for uploading your files to the Hub. You can use these functions independently or integrate them into your library, making it more convenient for your users to interact with the Hub. 证据：`docs/source/en/guides/upload.md`
- **Webhooks**（documentation）：Webhooks are a foundation for MLOps-related features. They allow you to listen for new changes on specific repos or to all repos belonging to particular users/organizations you're interested in following. This guide will first explain how to manage webhooks programmatically. Then we'll see how to leverage huggingface hub to create a server listening to webhooks and deploy it to a Space. 证据：`docs/source/en/guides/webhooks.md`
- **🤗 Hub client library**（documentation）：The huggingface hub library allows you to interact with the Hugging Face Hub https://hf.co , a machine learning platform for creators and collaborators. Discover pre-trained models and datasets for your projects or play with the hundreds of machine learning apps hosted on the Hub. You can also create and share your own models and datasets with the community. The huggingface hub library provides a simple way to do all these things with Python. 证据：`docs/source/en/index.md`
- **Installation**（documentation）：Before you start, you will need to set up your environment by installing the appropriate packages. 证据：`docs/source/en/installation.md`
- **Authentication**（documentation）：The huggingface hub library allows users to programmatically manage authentication to the Hub. This includes logging in, logging out, switching between tokens, and listing available tokens. 证据：`docs/source/en/package_reference/authentication.md`
- 其余 20 条证据见 `AI_CONTEXT_PACK.json` 或 `EVIDENCE_INDEX.json`。

## 宿主 AI 必须遵守的规则

- **把本资产当作开工前上下文，而不是运行环境。**：AI Context Pack 只包含证据化项目理解，不包含目标项目的可执行状态。 证据：`docs/README.md`, `AGENTS.md`, `README.md`
- **回答用户时区分可预览内容与必须安装后才能验证的内容。**：安装前体验的消费者价值来自降低误装和误判，而不是伪装成真实运行。 证据：`docs/README.md`, `AGENTS.md`, `README.md`

## 用户开工前应该回答的问题

- 你准备在哪个宿主 AI 或本地环境中使用它？
- 你只是想先体验工作流，还是准备真实安装？
- 你最在意的是安装成本、输出质量、还是和现有规则的冲突？

## 验收标准

- 所有能力声明都能回指到 evidence_refs 中的文件路径。
- AI_CONTEXT_PACK.md 没有把预览包装成真实运行。
- 用户能在 3 分钟内看懂适合谁、能做什么、如何开始和风险边界。

---

## Doramagic Context Augmentation

下面内容用于强化 Repomix/AI Context Pack 主体。Human Manual 只提供阅读骨架；踩坑日志会被转成宿主 AI 必须遵守的工作约束。

## Human Manual 骨架

使用规则：这里只是项目阅读路线和显著性信号，不是事实权威。具体事实仍必须回到 repo evidence / Claim Graph。

宿主 AI 硬性规则：
- 不得把页标题、章节顺序、摘要或 importance 当作项目事实证据。
- 解释 Human Manual 骨架时，必须明确说它只是阅读路线/显著性信号。
- 能力、安装、兼容性、运行状态和风险判断必须引用 repo evidence、source path 或 Claim Graph。

- **项目介绍**：importance `high`
  - source_paths: README.md, src/huggingface_hub/__init__.py
- **安装指南**：importance `high`
  - source_paths: setup.py, pyproject.toml
- **系统架构**：importance `high`
  - source_paths: src/huggingface_hub/__init__.py, src/huggingface_hub/hf_api.py, src/huggingface_hub/constants.py
- **模块结构详解**：importance `medium`
  - source_paths: src/huggingface_hub/hf_api.py, src/huggingface_hub/file_download.py, src/huggingface_hub/_commit_api.py, src/huggingface_hub/community.py
- **文件操作**：importance `high`
  - source_paths: src/huggingface_hub/file_download.py, src/huggingface_hub/_snapshot_download.py, src/huggingface_hub/_commit_api.py, src/huggingface_hub/hf_file_system.py
- **推理系统**：importance `high`
  - source_paths: src/huggingface_hub/inference/_client.py, src/huggingface_hub/inference/_generated/_async_client.py, src/huggingface_hub/_inference_endpoints.py, src/huggingface_hub/inference/_providers/__init__.py
- **仓库管理**：importance `high`
  - source_paths: src/huggingface_hub/hf_api.py, src/huggingface_hub/_local_folder.py, src/huggingface_hub/_buckets.py
- **命令行工具**：importance `medium`
  - source_paths: src/huggingface_hub/cli/hf.py, src/huggingface_hub/cli/download.py, src/huggingface_hub/cli/upload.py, src/huggingface_hub/cli/models.py, src/huggingface_hub/cli/datasets.py

## Repo Inspection Evidence / 源码检查证据

- repo_clone_verified: true
- repo_inspection_verified: true
- repo_commit: `6b652b06dda7b8b555280cbb011ae4da94153878`
- inspected_files: `pyproject.toml`, `README.md`, `docs/TRANSLATING.md`, `docs/README.md`, `docs/dev/release.md`, `docs/source/de/index.md`, `docs/source/de/quick-start.md`, `docs/source/de/installation.md`, `docs/source/de/_toctree.yml`, `docs/source/fr/index.md`, `docs/source/fr/quick-start.md`, `docs/source/fr/installation.md`, `docs/source/fr/_toctree.yml`, `docs/source/en/_redirects.yml`, `docs/source/en/index.md`, `docs/source/en/quick-start.md`, `docs/source/en/installation.md`, `docs/source/en/_toctree.yml`, `docs/source/hi/index.md`, `docs/source/hi/quick-start.md`

宿主 AI 硬性规则：
- 没有 repo_clone_verified=true 时，不得声称已经读过源码。
- 没有 repo_inspection_verified=true 时，不得把 README/docs/package 文件判断写成事实。
- 没有 quick_start_verified=true 时，不得声称 Quick Start 已跑通。

## Doramagic Pitfall Constraints / 踩坑约束

这些规则来自 Doramagic 发现、验证或编译过程中的项目专属坑点。宿主 AI 必须把它们当作工作约束，而不是普通说明文字。

### Constraint 1: 来源证据：How to stop hf models ls from truncating the results in the table?

- Trigger: GitHub 社区证据显示该项目存在一个安全/权限相关的待验证问题：How to stop hf models ls from truncating the results in the table?
- Host AI rule: 来源问题仍为 open，Pack Agent 需要复核是否仍影响当前版本。
- Why it matters: 可能影响授权、密钥配置或安全边界。
- Evidence: community_evidence:github | cevd_bb213b3feddd4ea09912922699b6b822 | https://github.com/huggingface/huggingface_hub/issues/4207 | 来源讨论提到 python 相关条件，需在安装/试用前复核。
- Hard boundary: 不要把这个坑点包装成已解决、已验证或可忽略，除非后续验证证据明确证明它已经关闭。

### Constraint 2: 来源证据：[v1.13.0] new CLI commands and formatting, and HF URI parsing

- Trigger: GitHub 社区证据显示该项目存在一个安装相关的待验证问题：[v1.13.0] new CLI commands and formatting, and HF URI parsing
- Host AI rule: 来源显示可能已有修复、规避或版本变化，说明书中必须标注适用版本。
- Why it matters: 可能增加新用户试用和生产接入成本。
- Evidence: community_evidence:github | cevd_8873fa5438804ce5af82d7acf73d7e90 | https://github.com/huggingface/huggingface_hub/releases/tag/v1.13.0 | 来源类型 github_release 暴露的待验证使用条件。
- Hard boundary: 不要把这个坑点包装成已解决、已验证或可忽略，除非后续验证证据明确证明它已经关闭。

### Constraint 3: 来源证据：[v1.15.0] Region-aware buckets & repos, `hf skills list`, polished CLI help and more

- Trigger: GitHub 社区证据显示该项目存在一个安装相关的待验证问题：[v1.15.0] Region-aware buckets & repos, `hf skills list`, polished CLI help and more
- Host AI rule: 来源显示可能已有修复、规避或版本变化，说明书中必须标注适用版本。
- Why it matters: 可能增加新用户试用和生产接入成本。
- Evidence: community_evidence:github | cevd_5d18ece8e9bf4111aa4a07b5d120f412 | https://github.com/huggingface/huggingface_hub/releases/tag/v1.15.0 | 来源讨论提到 python 相关条件，需在安装/试用前复核。
- Hard boundary: 不要把这个坑点包装成已解决、已验证或可忽略，除非后续验证证据明确证明它已经关闭。

### Constraint 4: 能力判断依赖假设

- Trigger: README/documentation is current enough for a first validation pass.
- Host AI rule: 将假设转成下游验证清单。
- Why it matters: 假设不成立时，用户拿不到承诺的能力。
- Evidence: capability.assumptions | github_repo:323591830 | https://github.com/huggingface/huggingface_hub | README/documentation is current enough for a first validation pass.
- Hard boundary: 不要把这个坑点包装成已解决、已验证或可忽略，除非后续验证证据明确证明它已经关闭。

### Constraint 5: 维护活跃度未知

- Trigger: 未记录 last_activity_observed。
- Host AI rule: 补 GitHub 最近 commit、release、issue/PR 响应信号。
- Why it matters: 新项目、停更项目和活跃项目会被混在一起，推荐信任度下降。
- Evidence: evidence.maintainer_signals | github_repo:323591830 | https://github.com/huggingface/huggingface_hub | last_activity_observed missing
- Hard boundary: 不要把这个坑点包装成已解决、已验证或可忽略，除非后续验证证据明确证明它已经关闭。

### Constraint 6: 下游验证发现风险项

- Trigger: no_demo
- Host AI rule: 进入安全/权限治理复核队列。
- Why it matters: 下游已经要求复核，不能在页面中弱化。
- Evidence: downstream_validation.risk_items | github_repo:323591830 | https://github.com/huggingface/huggingface_hub | no_demo; severity=medium
- Hard boundary: 不要把这个坑点包装成已解决、已验证或可忽略，除非后续验证证据明确证明它已经关闭。

### Constraint 7: 存在评分风险

- Trigger: no_demo
- Host AI rule: 把风险写入边界卡，并确认是否需要人工复核。
- Why it matters: 风险会影响是否适合普通用户安装。
- Evidence: risks.scoring_risks | github_repo:323591830 | https://github.com/huggingface/huggingface_hub | no_demo; severity=medium
- Hard boundary: 不要把这个坑点包装成已解决、已验证或可忽略，除非后续验证证据明确证明它已经关闭。

### Constraint 8: 来源证据：[v1.10.0] Instant file copy and new Kernel repo type

- Trigger: GitHub 社区证据显示该项目存在一个安全/权限相关的待验证问题：[v1.10.0] Instant file copy and new Kernel repo type
- Host AI rule: 来源显示可能已有修复、规避或版本变化，说明书中必须标注适用版本。
- Why it matters: 可能影响授权、密钥配置或安全边界。
- Evidence: community_evidence:github | cevd_ff686b653d2644649473ac1a7be8cb46 | https://github.com/huggingface/huggingface_hub/releases/tag/v1.10.0 | 来源讨论提到 python 相关条件，需在安装/试用前复核。
- Hard boundary: 不要把这个坑点包装成已解决、已验证或可忽略，除非后续验证证据明确证明它已经关闭。

### Constraint 9: 来源证据：[v1.11.0] Semantic Spaces search, Space logs, and more

- Trigger: GitHub 社区证据显示该项目存在一个安全/权限相关的待验证问题：[v1.11.0] Semantic Spaces search, Space logs, and more
- Host AI rule: 来源显示可能已有修复、规避或版本变化，说明书中必须标注适用版本。
- Why it matters: 可能阻塞安装或首次运行。
- Evidence: community_evidence:github | cevd_149c8633eb8447b080e00977ea43f541 | https://github.com/huggingface/huggingface_hub/releases/tag/v1.11.0 | 来源讨论提到 python 相关条件，需在安装/试用前复核。
- Hard boundary: 不要把这个坑点包装成已解决、已验证或可忽略，除非后续验证证据明确证明它已经关闭。

### Constraint 10: 来源证据：[v1.12.0] Unified CLI output, bucket search, and more

- Trigger: GitHub 社区证据显示该项目存在一个安全/权限相关的待验证问题：[v1.12.0] Unified CLI output, bucket search, and more
- Host AI rule: 来源显示可能已有修复、规避或版本变化，说明书中必须标注适用版本。
- Why it matters: 可能影响授权、密钥配置或安全边界。
- Evidence: community_evidence:github | cevd_66340c89abfe48459796695dee8aebb9 | https://github.com/huggingface/huggingface_hub/releases/tag/v1.12.0 | 来源讨论提到 python 相关条件，需在安装/试用前复核。
- Hard boundary: 不要把这个坑点包装成已解决、已验证或可忽略，除非后续验证证据明确证明它已经关闭。