¿Cómo se relacionan Skills con AGENTS.md y gemini-extension.json?

[Hugging Face Skills](https://github.com/huggingface/skills) guarda la capacidad dentro de carpetas de skills, donde SKILL.md define guía y guardrails, mientras AGENTS.md y gemini-extension.json funcionan como puntos de entrada y adaptadores por herramienta. En otras palabras: las carpetas contienen contenido y recursos ejecutables, y los archivos de entrada definen carga y distribución. Así se mantiene una estructura versionable y reutilizable entre varias herramientas.

¿Cómo gobernar skills con rollback seguro en equipo?

Trata cada carpeta como unidad publicable: estructura estable, metadatos YAML indexables y scripts/plantillas versionados juntos. Usa revisión de código para controlar cambios de interfaz y valida con tareas pequeñas de regresión antes de fusionar. Si aparece deriva, un revert de versión restaura la estabilidad de la automatización.

¿Por qué es una #alternative-to-agents-md más fuerte?

AGENTS.md se parece a una instrucción global del repo: útil para reglas generales, pero floja para empaquetar scripts/plantillas por tarea y para instalar o reutilizar solo una parte. Skills usa la carpeta como unidad, así que prompts, scripts, plantillas y recursos viajan como bundle y puedes instalar solo lo que necesitas. En flujos reales, esa granularidad mejora reutilización, auditoría y límites claros.

Hugging Face Skills fondo:repositorio de skills para agentes

Problemas vs Innovación

✕Problemas Tradicionales	✓Soluciones Innovadoras
Las reglas del agente se dispersan entre README, AGENTS.md y ajustes de cada herramienta, quedando como fragmentos difíciles de revisar, reutilizar o revertir.	Hugging Face Skills trata cada skill como un bundle: SKILL.md más scripts/plantillas, instalable como carpeta, no texto suelto.
Los prompts no bastan para flujos reales: datasets, training, evaluación y publicación necesitan scripts, plantillas y guardrails para evitar deriva.	Usa ACP como definición común y reutiliza el mismo bundle en varias herramientas mediante entradas como Claude Code, Codex y Gemini CLI.

Guía de Despliegue

1. Clona el repo e inspecciona las carpetas de skills

bash

1git clone https://github.com/huggingface/skills.git && cd skills && ls

2. Registra el repo como marketplace de Claude Code

bash

1/plugin marketplace add huggingface/skills

3. Instala un skill por carpeta (ejemplo: entrenamiento)

bash

1/plugin install hf-llm-trainer@huggingface-skills

4. Menciona el skill en tu petición para activarlo

bash

1Use the HF LLM trainer skill to estimate GPU memory for a 70B run.

Casos de Uso

Escenario Principal	Público Objetivo	Solución	Resultado
Fábrica de plantillas de dataset	Equipos de datos y etiquetado	Usar dataset-creator para generar muestras, plantillas y checks	Estandarizar y reducir retrabajo
Arranque de training	Ingenieros de entrenamiento	Usar llm-trainer para estimar coste/VRAM y crear scripts base	Menor tiempo de arranque y menos errores de configuración
Automatización de evaluación	Equipos MLOps	Usar model-evaluation para orquestar evals y generar reportes comparativos	Quality gates repetibles con métricas trazables

Hugging Face Skills

¿Qué es?

Problemas vs Innovación

Arquitectura en Profundidad

Guía de Despliegue

1. Clona el repo e inspecciona las carpetas de skills

2. Registra el repo como marketplace de Claude Code

3. Instala un skill por carpeta (ejemplo: entrenamiento)

4. Menciona el skill en tu petición para activarlo

Casos de Uso

Limitaciones y Consideraciones

Preguntas Frecuentes