# hf-cloud-serving-image-selection

Подбирает контейнер для деплоя модели на SageMaker и находит актуальный image URI. Пригодится, когда в коде деплоя нужно указать образ.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 544 установки · ★ 11213
- Автор: huggingface
- Лицензия: Apache-2.0 · policy=mirror · лицензия открытая, файл — в исходнике
- Исходник: https://github.com/huggingface/skills/tree/HEAD/skills/hf-cloud-serving-image-selection/SKILL.md
- Обновлён: 2026-10-23
- HTML: https://affpapa.org/nevibecode/skills/hf-cloud-serving-image-selection

## Что делает

Скилл отвечает на один вопрос: какой образ взять под конкретную модель. Он разводит семейства контейнеров по типу задачи — vLLM для текстовых LLM и генеративных реранкеров, vLLM-Omni для мультимодальных, TEI для эмбеддингов и кросс-энкодеров, HF Inference Toolkit для остальных transformers. URI берётся из каталога AWS Deep Learning Containers, а не из памяти: пример URL подставляется в нужный регион и уходит в `deploy.py --image-uri`.

Правило нуля — образы HuggingFace выигрывают всегда, когда совместимы. Более свежая версия в generic-репозитории не аргумент: у AWS `vllm` часто выше номер vLLM, но совместимость с моделью важнее. Откат на generic допускается только при подтверждённой несовместимости, отсутствии тега в регионе или попадании образа в список известных сломанных. Если откатились, скилл требует записать причину в лог деплоя.

TGI не используется: он в архиве, и модели после архивации падают на health check. Для GPU-тегов HuggingFace PyTorch Inference и для диффузионных моделей вроде Stable Diffusion и FLUX в скилле отмечены свои исключения. Неверный контейнер, устаревший тег или чужая AMI дают одну и ту же непонятную ошибку `Failed to pass health check` — это повод проверить образ до создания эндпоинта, а не после.

## Требования
- Работает с: AWS

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add huggingface/skills --skill hf-cloud-serving-image-selection -a claude-code
```

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

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add huggingface/skills --skill hf-cloud-serving-image-selection -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/hf-cloud-serving-image-selection/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add huggingface/skills --skill hf-cloud-serving-image-selection -a cursor
```

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

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install huggingface/skills hf-cloud-serving-image-selection
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/hf-cloud-serving-image-selection/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add huggingface/skills --skill hf-cloud-serving-image-selection -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/huggingface/skills --path skills/hf-cloud-serving-image-selection
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/hf-cloud-serving-image-selection/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add huggingface/skills --skill hf-cloud-serving-image-selection -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-serving-image-selection/SKILL.md

## Когда брать
- выбрать контейнер под текстовую LLM, эмбеддинги или реранкер
- найти актуальный image URI для нужного региона
- отличить генеративный реранкер от кросс-энкодера и не потратить цикл создания эндпоинта
- убрать захардкоженный из памяти URI из кода деплоя
- объяснить, почему generic-образ с более новой версией не подходит

## Примеры запросов агенту
- подбери образ для деплоя этой LLM на SageMaker
- какой image URI взять для эмбеддингов в eu-south-1
- это генеративный реранкер или кросс-энкодер — TEI или vLLM?

## Похожие
- [sagemaker-ai](https://affpapa.org/nevibecode/plugins/sagemaker-ai.md) — плагин · ★ 927
- [aws-ai-ml](https://affpapa.org/nevibecode/skills/aws-ai-ml.md) — скилл · 3500 установок
- [querying-aws-sagemaker-catalog](https://affpapa.org/nevibecode/skills/querying-aws-sagemaker-catalog.md) — скилл · 4900 установок
- [cloud-architect](https://affpapa.org/nevibecode/skills/httpsgithubcomjeffallan-cloud-architect.md) — скилл · 4700 установок
- [cloud-audit](https://affpapa.org/nevibecode/skills/cloud-audit.md) — скилл · 352 установки
- [aws-ecs](https://affpapa.org/nevibecode/rules/aws-ecs.md) — правило · ★ 3579

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

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