rfc-check

Bestimmen, ob vorgeschlagene Änderungen ein RFC erfordern. Verwenden Sie dies bei der Planung bedeutender Änderungen, vor Beginn größerer Arbeiten oder wenn gefragt wird, ob ein RFC erforderlich ist.

npx skills add https://github.com/huggingface/openenv --skill rfc-check

RFC Check

Determine if proposed changes require an RFC (Request for Comments).

Instructions

  1. Identify changed files using git diff --name-only or provided context

  2. Apply RFC criteria:

    RFC Required:

    • New APIs in src/openenv/core/
    • Breaking changes to existing APIs
    • New abstractions or design patterns
    • Changes affecting the two-interface model (WebSocket/MCP separation)
    • Major architectural decisions

    RFC Not Required:

    • Bug fixes
    • Documentation updates
    • Minor refactoring (no API changes)
    • New example environments (unless introducing new patterns)
    • Dependency updates
    • Test additions
  3. Check against existing RFCs in rfcs/ for conflicts or dependencies

Analysis Steps

  1. List all files being changed
  2. Identify any files in src/openenv/core/
  3. Check for public API signature changes
  4. Look for new abstractions or patterns
  5. Review existing RFCs for related decisions

Output Format

## RFC Analysis

### Files Changed
- [list of files]

### Core Files Touched
- [any files in src/openenv/core/, or "None"]

### API Changes
- [any signature changes to public APIs, or "None"]

### New Patterns/Abstractions
- [any new patterns introduced, or "None"]

### Verdict: NOT REQUIRED / RECOMMENDED / REQUIRED

### Reasoning
[Explanation of decision based on criteria above]

### If RFC Needed
- Suggested title: "RFC NNN: [title]"
- Related RFCs: [list any related existing RFCs]
- Key decisions to document: [list]

RFC Template Reference

If an RFC is needed, use the template in rfcs/README.md:

# RFC NNN: Title

**Status**: Draft
**Created**: YYYY-MM-DD
**Authors**: @username

## Summary
[1-2 paragraph overview]

## Motivation
[Problem Statement + Goals]

## Design
[Architecture Overview, Core Abstractions, Key Design Decisions]

## Examples
[Code samples demonstrating usage]

Mehr Skills von huggingface

sync-models
huggingface
Synchronisiere die Modellkonfiguration von chat-ui mit dem HuggingFace-Router — füge Beschreibungen für neue Modelle hinzu, kennzeichne reasoning-fähige Modelle, aktiviere Artefakte für Modelle mit 32B+…
custom-blocks
huggingface
Use when the user has written (or wants to write) a `ModularPipelineBlocks` subclass in a local Python file and needs to package it into a Hub-uploadable…
self-review
huggingface
Use before opening a PR, or whenever asked to self-review a diffusers contribution. Applies the same rubric as the `@claude` CI (checks the diff against…
hf-cloud-sagemaker-production-defaults
huggingface
Erstellen Sie einen SageMaker-Endpunkt (Echtzeit oder asynchron) mit automatischer Skalierung, CloudWatch-Alarmen und standardmäßig aktiviertem Tagging. Verwenden Sie diese Fähigkeit, wenn Sie kurz davor sind, einen … zu erstellen.
hf-cloud-serving-image-selection
huggingface
Wählen Sie den richtigen Serving-Container für eine SageMaker-Modellbereitstellung aus und finden Sie dessen aktuelles Image-URI. Verwenden Sie diese Fähigkeit, wenn Sie ein Modell auf einer… bereitstellen möchten.
Hugging Face Cli
huggingface
Execute Hugging Face Hub operations using the `hf` CLI. Use when the user needs to download models/datasets/spaces, upload files to Hub repositories, create repos, manage local cache, or run compute jobs on HF infrastructure. Covers authentication, file transfers, repository creation, cache operations, and cloud compute.
Hugging Face Datasets
huggingface
Erstellen und verwalten Sie Datensätze auf dem Hugging Face Hub. Unterstützt das Initialisieren von Repos, das Definieren von Konfigurationen/System-Prompts, das Streamen von Zeilenaktualisierungen und SQL-basierte Abfragen/Transformationen von Datensätzen. Entwickelt, um zusammen mit dem HF MCP-Server für umfassende Dataset-Workflows zu arbeiten.
Hugging Face Evaluation
huggingface
Evaluierungsergebnisse in Hugging Face-Modellkarten hinzufügen und verwalten. Unterstützt das Extrahieren von Evaluierungstabellen aus README-Inhalten, das Importieren von Bewertungen aus der Artificial Analysis API und das Durchführen benutzerdefinierter Modellevaluierungen mit vLLM/lighteval. Funktioniert mit dem model-index-Metadatenformat.