Synthèse automatique
Interroge les trois surfaces « trending » de Hugging Face (modèles, datasets, spaces) et produit une sélection filtrée, chaque entrée étant accompagnée d'une justification « pourquoi c'est notable ».
Points forts
- Filtre les faux signaux : dépôts vides, forks sans delta de README, agrégateurs à plus de 5 entrées trending en 24 h.
- Regroupe les quantizations de la semaine dans une section secondaire au lieu de les laisser polluer le classement principal.
- Exige une raison concrète par entrée (architecture, taille, contexte, auteur, licence) et refuse d'inventer quand il n'y en a pas.
- Signale les licences en ligne (Apache 2.0, MIT, OpenRAIL-M, custom non commercial) directement dans la sortie.
Limites
- Repose entièrement sur le tri « trending » de l'API Hugging Face, dont le mode de calcul n'est pas explicité et peut évoluer.
- Aucune vérification factuelle des cartes de modèles : les affirmations des auteurs sont reprises telles quelles.
- Les seuils (5 entrées en 24 h, même semaine pour les quantizations) sont arbitraires et non paramétrables dans le skill.
Pour obtenir chaque jour une veille courte et justifiée des modèles, datasets et démos qui bougent réellement sur Hugging Face.
Pour une évaluation technique approfondie d'un modèle précis (benchmarks, qualité réelle, coût d'inférence), que ce skill ne réalise pas.
Analyse de sécurité
SûrThe skill is a read-only aggregator over Hugging Face's public trending APIs. All three curl calls are unauthenticated GETs to huggingface.co with no secret material, no piping into a shell, no filesystem or environment mutation. There is no meaningful execution risk beyond ordinary network egress.
- •Uses curl to public Hugging Face API endpoints (GET only, no auth headers or tokens)
- •No file writes, no destructive commands, no credential access, no obfuscation
- •Pipes output only to stdout for inspection; no curl|sh style execution
Exemples
What's trending on Hugging Face today? Give me the notable models, datasets and spaces with a why-notable line and license for each.Show me the new Hugging Face spaces from today — I care more about working demos than model cards.Scan Hugging Face for the best new datasets this week, filter out empty or license-unclear ones, and tell me why each one matters.name: aeon-huggingface-trending description: | Trending Hugging Face models, datasets, and spaces — filtered by license sanity, dedup vs same-week quantizations, with a "why notable" line per pick (architecture shift, size step, license change, notable author). Surfaces what's actually shifting rather than just popular. Triggers: "trending on HF", "what models are hot", "huggingface trending", "new spaces today", "best new datasets".
aeon-huggingface-trending
Daily filtered scan over HF's three trending surfaces — models, datasets, spaces — cluster-ranked rather than raw-download ranked.
Endpoints
curl -s "https://huggingface.co/api/models?sort=trending&direction=-1&limit=30"
curl -s "https://huggingface.co/api/datasets?sort=trending&direction=-1&limit=30"
curl -s "https://huggingface.co/api/spaces?sort=trending&direction=-1&limit=30"
Filters
- Empty repos, no commits, no model card → drop.
- Same-week quantization of an already-trending model → demoted to "Quantizations" tail.
- Fork without README delta vs upstream → drop.
- Authors with > 5 trending entries in 24h → demoted (typically aggregators).
- License unclear or missing → flagged inline, not dropped.
"Why notable" line
Per surfaced entry, a one-sentence tag: new architecture / size step / context-window jump / notable author affiliation / license change. If no concrete reason exists, the entry says "no clear why — popular but unremarkable" rather than inventing one.
Output
Three sections — Models, Datasets, Spaces — each with the surviving picks, "why notable", license, and download/view count. Tail section for quantizations.
Rules
- "Why notable" is a hard requirement. No reason → no surface.
- License flags appear inline (Apache 2.0, MIT, OpenRAIL-M, custom-no-commercial). Operators trading on model output care.
- Spaces section often beats Models for builder-tier signal — a working demo is stronger validation than a card claim.
Du fichier au premier essai
Le téléchargement contient exactement le contenu affiché sur cette fiche. Cette copie peut différer de la dernière version du dépôt source.
Consulter la source et ses fichiers annexesCe téléchargement contient uniquement SKILL.md. Les scripts, références, modèles et dépendances éventuels ne sont pas inclus. Récupérez les fichiers nécessaires depuis la source en conservant leur arborescence avant de poursuivre.
1. Télécharger le fichier
Télécharger SKILL.mdDepuis la racine d’un projet de test, enregistrez le fichier sous .skill-downloads/huggingface-trending-filter-mrwakfxh/SKILL.md, ou utilisez la commande suivante. Ce dossier sert à examiner la skill avant son installation.
Commande pour macOS/Linux ou WSL : un shell POSIX et curl sont nécessaires. Sous Windows sans WSL, utilisez le bouton de téléchargement et créez le dossier manuellement.
mkdir -p '.skill-downloads/huggingface-trending-filter-mrwakfxh' && curl --fail --show-error --location 'https://skills-guides.com/api/skills/huggingface-trending-filter-mrwakfxh/download' --output '.skill-downloads/huggingface-trending-filter-mrwakfxh/SKILL.md.part' && mv '.skill-downloads/huggingface-trending-filter-mrwakfxh/SKILL.md.part' '.skill-downloads/huggingface-trending-filter-mrwakfxh/SKILL.md'2. Vérifier les prérequis
Lisez SKILL.md avant de l’utiliser. Si le fichier cite des scripts ou services externes, examinez-les et préparez les accès nécessaires dans votre environnement de test.
Aucune section de prérequis reconnue dans ce fichier. Cela ne signifie pas qu’il est autonome : les bibliothèques, outils et accès peuvent être cités ailleurs dans le contenu ou dans le dépôt source.
Les plateformes de la fiche sont des indications du catalogue. Les chemins ci-dessous suivent la documentation des outils ; ils ne prouvent pas que cette skill y a été exécutée. Aucune version minimale de ces outils n’est attestée pour cette fiche.
3. Charger la skill
Après vérification, copiez le dossier complet dans le projet avec l’une des commandes ci-dessous, puis ouvrez une nouvelle session de l’outil. La commande s’arrête si un dossier du même nom existe déjà : comparez les fichiers avant de le remplacer.
Claude Code
test -f '.skill-downloads/huggingface-trending-filter-mrwakfxh/SKILL.md' && test -s '.skill-downloads/huggingface-trending-filter-mrwakfxh/SKILL.md' && mkdir -p '.claude/skills' && test ! -e '.claude/skills/aeon-huggingface-trending' && cp -R '.skill-downloads/huggingface-trending-filter-mrwakfxh' '.claude/skills/aeon-huggingface-trending'Cursor
test -f '.skill-downloads/huggingface-trending-filter-mrwakfxh/SKILL.md' && test -s '.skill-downloads/huggingface-trending-filter-mrwakfxh/SKILL.md' && mkdir -p '.cursor/skills' && test ! -e '.cursor/skills/aeon-huggingface-trending' && cp -R '.skill-downloads/huggingface-trending-filter-mrwakfxh' '.cursor/skills/aeon-huggingface-trending'Codex
test -f '.skill-downloads/huggingface-trending-filter-mrwakfxh/SKILL.md' && test -s '.skill-downloads/huggingface-trending-filter-mrwakfxh/SKILL.md' && mkdir -p '.agents/skills' && test ! -e '.agents/skills/aeon-huggingface-trending' && cp -R '.skill-downloads/huggingface-trending-filter-mrwakfxh' '.agents/skills/aeon-huggingface-trending'OpenSkills
OpenSkills doit déjà être installé. La procédure locale install/read est contrôlée avec OpenSkills 1.5.0, qui exige Node.js ≥ 20.6.0. Aucun slug du catalogue n’est résolu automatiquement.
Installation officielle d’OpenSkillsopenskills install './.skill-downloads/huggingface-trending-filter-mrwakfxh'openskills read 'huggingface-trending-filter-mrwakfxh'La lecture doit afficher le contenu du fichier installé et son dossier de base. Elle ne lance ni la skill ni ses dépendances.
Pour un agent qui lit AGENTS.md, synchronisez ensuite l’index. Cette commande modifie AGENTS.md : relisez le diff avant de l’utiliser.
openskills syncMode manuel ou autre outil : joignez SKILL.md à une conversation, ou ouvrez-le dans un agent capable de lire les fichiers. Ajoutez les ressources annexes nécessaires. Il n’existe pas de dossier universel reconnu par tous les outils.
4. Faire un premier essai
Utilisez une entrée courte et fictive : un endpoint d’API, un petit document ou un brief d’interface. Dans une nouvelle conversation, joignez le fichier ou donnez son chemin à l’agent, puis adaptez cette demande :
Lis .skill-downloads/huggingface-trending-filter-mrwakfxh/SKILL.md et applique ses instructions à cet exemple : [décrire une entrée de test]. Indique les fichiers, dépendances ou accès qui manquent. Produis le résultat demandé par la skill sans inventer de données ni exécuter de script non examiné.Résultat attendu : une sortie correspondant aux instructions de la skill, ou une liste précise des prérequis manquants. Une simple confirmation de lecture ne valide pas le premier usage. Si une ressource externe est indisponible, ce parcours reste à tester.
Créer des cartes interactives avec kepler.gl
Data & IA
Création de cartes interactives et export HTML autonome avec le package Python keplergl, à partir de données géospatiales (DataFrame, GeoJSON, CSV).
Optimisation de paramètres par agent
Data & IA
Guide d'optimisation de systèmes configurables avec objectif mesurable, via des essais bornés et une recommandation fondée sur des preuves.
Relance des visiteurs ICP
Data & IA
Identifiez les utilisateurs inscrits correspondant au profil client idéal mais qui n'ont pas activé, et rédigez des messages de relance personnalisés pour les réengager.