# hf-cloud-sagemaker-production-defaults

Скилл создаёт SageMaker endpoint с автоскейлингом, CloudWatch-алармами и тегами. Он нужен для финального шага деплоя модели.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 549 установок · ★ 11213
- Автор: huggingface
- Лицензия: Apache-2.0 · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/huggingface/skills/tree/HEAD/skills/hf-cloud-sagemaker-production-defaults/SKILL.md
- Обновлён: 2026-10-23
- HTML: https://affpapa.org/nevibecode/skills/hf-cloud-sagemaker-production-defaults

## Что делает

Скилл разворачивает SageMaker endpoint для real-time, real-time scale-to-zero или async-сценария. Он создаёт модель, конфигурацию endpoint и сам endpoint, затем добавляет target tracking по числу вызовов на инстанс, CloudWatch-алармы и единый набор тегов. Для real-time используется `deploy.py`, для inference components — `deploy_ic.py`, для async — `deploy_async.py`.

Перед запуском нужны image URI, IAM role и регион; для vLLM также требуется версия inference AMI. Для production-сценария модель упаковывают в `model.tar.gz` и передают через `--model-s3-uri`, а для TEI используется `HF_MODEL_ID`. Data capture выключен по умолчанию и включается флагом `--enable-data-capture`.

Скрипты ждут статус `InService`, выводят причины ошибок и JSON с именами ресурсов. После этого нужно выполнить реальный smoke-тест и проверить логи: статус `InService` сам по себе не подтверждает, что inference работает. Это повод заранее проверить IAM-права для диагностики логов, если workflow должен их читать.

## Требования
- Работает с: AWS

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add huggingface/skills --skill hf-cloud-sagemaker-production-defaults -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/hf-cloud-sagemaker-production-defaults/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/hf-cloud-sagemaker-production-defaults/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add huggingface/skills --skill hf-cloud-sagemaker-production-defaults -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/hf-cloud-sagemaker-production-defaults/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add huggingface/skills --skill hf-cloud-sagemaker-production-defaults -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/hf-cloud-sagemaker-production-defaults/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install huggingface/skills hf-cloud-sagemaker-production-defaults
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/hf-cloud-sagemaker-production-defaults/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add huggingface/skills --skill hf-cloud-sagemaker-production-defaults -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/huggingface/skills --path skills/hf-cloud-sagemaker-production-defaults
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/hf-cloud-sagemaker-production-defaults/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add huggingface/skills --skill hf-cloud-sagemaker-production-defaults -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/huggingface/skills/tree/HEAD/skills/hf-cloud-sagemaker-production-defaults/SKILL.md

## Когда брать
- создать SageMaker endpoint для real-time inference
- настроить scale-to-zero через inference components
- добавить autoscaling по вызовам на инстанс
- подключить CloudWatch-алармы для endpoint
- пометить ресурсы тегами для последующей очистки

## Примеры запросов агенту
- Создай SageMaker endpoint для модели из `model.tar.gz`, используя `deploy.py`, autoscaling и CloudWatch-алармы.
- Разверни vLLM-модель через `deploy.py` с `--image-uri`, `--inference-ami-version`, `--role-arn`, `--model-s3-uri` и `--region`.
- Проверь созданный endpoint: выполни smoke-тест и просканируй логи на ошибки загрузки модели или падение worker.

## Похожие
- [sagemaker-ai](https://affpapa.org/nevibecode/plugins/sagemaker-ai.md) — плагин · ★ 927
- [querying-aws-sagemaker-catalog](https://affpapa.org/nevibecode/skills/querying-aws-sagemaker-catalog.md) — скилл · 4900 установок
- [aws-observability](https://affpapa.org/nevibecode/skills/aws-observability.md) — скилл · 10000 установок
- [dt-obs-aws](https://affpapa.org/nevibecode/skills/dt-obs-aws.md) — скилл · 2500 установок
- [aws-cost-operations](https://affpapa.org/nevibecode/skills/aws-cost-operations.md) — скилл · 863 установки
- [aws-ecs-fargate](https://affpapa.org/nevibecode/skills/aws-ecs-fargate.md) — скилл · 349 установок

Из того же набора: [huggingface/skills](https://affpapa.org/nevibecode/by/huggingface/skills.md) — 25 карточек

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md