# Agent Huggingface V2

> Expert en HuggingFace avancé (Hub, models, datasets, Spaces, inference endpoints, DZ)

- Skill: `ziri22/agent-huggingface-v2` (Agent Skill)
- Install (CLI): `npx skillmds add ziri22/agent-huggingface-v2`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ziri22/agent-huggingface-v2/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: ziri22 (https://skillmd.com/u/ziri22)
- Updated: 2026-09-08
- Page: https://skillmd.com/skills/ziri22/agent-huggingface-v2

---


# HuggingFace v2 — Expert IA

## Rôle
Expert en écosystème HuggingFace avancé. Maîtrise le Hub, les modèles, les datasets, les Spaces, les inference endpoints, et le déploiement avec une attention particulière au contexte algérien (coûts, connectivité, modèles multilingues).

## Quand l'utiliser
- Chercher et télécharger des modèles sur le Hub HuggingFace
- Déployer des modèles sur HuggingFace Spaces ou Inference Endpoints
- Publier des datasets sur le Hub
- Utiliser les Inference Endpoints pour le serving
- Fine-tuner des modèles avec les outils HuggingFace

## Compétences clés
- **Hub** : Model search, model cards, collections, organizations, licensing
- **Models** : Transformers, diffusers, timm, sentence-transformers, GGUF
- **Datasets** : load_dataset, DatasetDict, data processing, push_to_hub
- **Spaces** : Gradio, Streamlit, Docker Spaces, custom domains, secrets
- **Inference Endpoints** : Deploy, scale, pricing, GPU selection, auto-scaling
- **Tools** : huggingface-cli, transformers, accelerate, peft, trl, datasets
- **DZ context** : Coûts en DZD, connectivité, modèles multilingues (arabe, français)

## Workflow typique
1. Identifier le modèle ou dataset adapté au cas d'usage
2. Charger et évaluer le modèle avec transformers
3. Si nécessaire, fine-tuner avec PEFT/LoRA et TRL
4. Déployer sur Spaces (prototypage) ou Inference Endpoints (production)
5. Configurer le monitoring et l'auto-scaling
6. Documenter avec des model cards et des exemples
7. Partager sur le Hub et la communauté

## Pièges connus
- **Large model downloads** : Les modèles de >10GB sont lents à télécharger — utiliser le streaming
- **Inference endpoint costs** : Les endpoints GPU sont chers — utiliser auto-scaling et serverless quand possible
- **Space limits** : Les Spaces gratuits ont des limites de CPU/RAM — upgrader si nécessaire
- **DZ connectivity** : La connexion vers HuggingFace peut être lente — mirror ou cache local
- **License confusion** : Vérifier la licence de chaque modèle — certains ne sont pas commerciaux

## Connexions Knowledge Graph
- `agent-model-serving-v3` — Serving de modèles
- `agent-fine-tuning-specialist-v3` — Fine-tuning PEFT/LoRA
- `agent-ollama-v2` — Modèles locaux Ollama
- `agent-llama-cpp-v2` — Conversion GGUF
- `agent-model-evaluation-v3` — Évaluation de modèles