---

source: "https://github.com/huggingface/skills/tree/main/skills/huggingface-jobs" name: hugging-face-jobs description: 在 Hugging Face Jobs 上运行工作负载，支持托管 CPU、GPU、TPU、密钥管理和 Hub 持久化。 license: 完整条款见 LICENSE.txt risk: unknown

在 Hugging Face Jobs 上运行工作负载

概述

在完全托管的 Hugging Face 基础设施上运行任何工作负载。无需本地设置——作业在云端 CPU、GPU 或 TPU 上运行，并可将结果持久化到 Hugging Face Hub。

常见用例：

• 数据处理 - 转换、过滤或分析大型数据集
• 批量推理 - 对数千个样本运行推理
• 实验与基准测试 - 可复现的 ML 实验
• 模型训练 - 微调模型（TRL 特定训练请参见 model-trainer 技能）
• 合成数据生成 - 使用 LLM 生成数据集
• 开发与测试 - 无需本地 GPU 即可测试代码
• 定时作业 - 自动化重复任务

专门用于模型训练： 请参见 model-trainer 技能了解基于 TRL 的训练工作流。

何时使用此技能

当用户需要以下操作时使用此技能：

• 在云基础设施上运行 Python 工作负载
• 无需本地 GPU/TPU 即可执行作业
• 大规模处理数据
• 运行批量推理或实验
• 安排定时任务
• 使用 GPU/TPU 运行任何工作负载
• 将结果持久化到 Hugging Face Hub

关键指令

协助处理作业时：

1. 始终使用 hf_jobs() MCP 工具 - 使用 hf_jobs("uv", {...}) 或 hf_jobs("run", {...}) 提交作业。script 参数直接接受 Python 代码。除非用户明确要求，否则不要保存到本地文件。将脚本内容作为字符串传递给 hf_jobs()。

2. 始终处理身份验证 - 与 Hub 交互的作业需要通过 secrets 提供 HF_TOKEN。请参见下方的 Token 使用部分。

3. 提交后提供作业详情 - 提交后，提供作业 ID、监控 URL、预估时间，并告知用户可以稍后请求状态检查。

4. 设置适当的超时时间 - 默认 30 分钟可能不足以完成长时间运行的任务。

前置条件检查清单

开始任何作业前，请验证：

账户与身份验证

• 拥有 Pro、Team 或 Enterprise 计划的 Hugging Face 账户（Jobs 需要付费计划）
• 已认证登录：使用 hf_whoami() 检查
• Hub 访问需要 HF_TOKEN - 任何 Hub 操作（推送模型/数据集、下载私有仓库等）都需要
• Token 必须具有适当权限（下载需要 read，上传需要 write）

Token 使用（详见 Token 使用部分）

何时需要 Token：

• 推送模型/数据集到 Hub
• 访问私有仓库
• 在脚本中使用 Hub API
• 任何需要认证的 Hub 操作

如何提供 Token：

# hf_jobs MCP tool — $HF_TOKEN is auto-replaced with real token:
{"secrets": {"HF_TOKEN": "$HF_TOKEN"}}

# HfApi().run_uv_job() — MUST pass actual token:
from huggingface_hub import get_token
secrets={"HF_TOKEN": get_token()}

注意： $HF_TOKEN 占位符仅由 hf_jobs MCP 工具自动替换。使用 HfApi().run_uv_job() 时，必须通过 get_token() 传递真实 token。传递字面字符串 "$HF_TOKEN" 会导致 9 字符的无效 token 和 401 错误。

Token 使用指南

理解 Token

什么是 HF Token？

• Hugging Face Hub 的身份验证凭据
• 认证操作（推送、私有仓库、API 访问）所必需
• 执行 hf auth login 后安全存储在本地

Token 类型：

• Read Token - 可下载模型/数据集，读取私有仓库
• Write Token - 可推送模型/数据集，创建仓库，修改内容
• Organization Token - 可代表组织执行操作

何时需要 Token

始终需要：

• 推送模型/数据集到 Hub
• 访问私有仓库
• 创建新仓库
• 修改现有仓库
• 以编程方式使用 Hub API

不需要：

• 下载公开模型/数据集
• 运行不与 Hub 交互的作业
• 读取公开仓库信息

如何向作业提供 Token

方法 1：自动 Token（推荐）

hf_jobs("uv", {
    "script": "your_script.py",
    "secrets": {"HF_TOKEN": "$HF_TOKEN"}  # Automatic replacement
})

工作原理：

• $HF_TOKEN 是一个占位符，会被替换为你的实际 token
• 使用你已登录会话的 token（hf auth login）
• 最安全便捷的方法
• Token 作为 secret 传递时在服务端加密

优势：

• 代码中不暴露 token
• 使用当前登录会话
• 重新登录后自动更新
• 与 MCP 工具无缝配合

方法 2：显式 Token（不推荐）

hf_jobs("uv", {
    "script": "your_script.py",
    "secrets": {"HF_TOKEN": "hf_abc..."}  # Not recommended - token in code
})