self-review

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…

npx skills add https://github.com/huggingface/diffusers --skill self-review

Self-review

Runs the same rubric as the @claude CI reviewer, so you catch issues before a maintainer does — but over your whole PR diff. (The CI scopes itself to src/diffusers/, tests/, and .ai/; for your own PR, also review your docs and scripts.) You're already on the branch with the conventions loaded, so: get the diff → review it against the rubric → report → iterate with the contributor until it's ready, then remind them to share the final notes on the PR.

1. Get the diff

git diff main...HEAD          # use your target branch if not main

If the branch trails main and the diff looks polluted with unrelated merged files, scope to your own commits: git log main..HEAD --oneline, then git show <commit>.

2. Read the rubric

references/review-rules.md is the canonical rubric (the CI pins it from main) — read it and review against it; don't rely on a remembered copy. For the areas you touched, also read references/code_style.md, references/models.md, references/pipelines.md, references/modular.md, references/testing.md, or references/pitfalls.md.

3. Report

  • Blocking issues — numbered. Each: title → explanation → file.py:line → impact. Cite the rule, e.g. Per references/models.md: "…only keep the inference path."
  • Non-blocking issues — same format, lower severity.
  • Dead code (advisory) — a table: path:line · Likely-dead / Used · reason.
  • Summary — short synthesis and a verdict (READY / NEEDS CHANGES), spelling out:
    • Fix before submitting — all blocking issues, and remove the flagged dead code.
    • Leave for the actual review — non-blocking issues that aren't obviously correct; raise these with the reviewer rather than guessing at them now.

Report only — do not edit files. Be concrete, cite the rule, review the whole diff, and don't invent issues or flag pure style.

4. Iterate until ready, then share

Expect several rounds: the contributor addresses findings, you review again. Keep working with them to fix as much as possible until the verdict is READY — the Leave for the actual review items are the only ones that should reach the reviewer unresolved. End the final round's report by reminding the contributor to share it on the PR (description or a comment) — it saves the reviewer a few rounds of back-and-forth. Never commit the notes as part of the diff.

Thêm skills từ huggingface

sync-models
huggingface
Đồng bộ cấu hình mô hình của chat-ui với router HuggingFace — thêm mô tả cho các mô hình mới, gắn cờ cho các mô hình có khả năng suy luận, kích hoạt artifacts cho các mô hình từ 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…
hf-cloud-sagemaker-production-defaults
huggingface
Tạo một endpoint SageMaker (thời gian thực hoặc bất đồng bộ) với tính năng tự động mở rộng, cảnh báo CloudWatch và gắn thẻ được bật theo mặc định. Sử dụng kỹ năng này bất cứ khi nào sắp tạo một…
hf-cloud-serving-image-selection
huggingface
Chọn container phục vụ phù hợp cho việc triển khai mô hình SageMaker và tìm URI hình ảnh hiện tại của nó. Sử dụng kỹ năng này bất cứ khi nào sắp triển khai một mô hình lên…
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
Tạo và quản lý tập dữ liệu trên Hugging Face Hub. Hỗ trợ khởi tạo kho lưu trữ, định nghĩa cấu hình/lời nhắc hệ thống, cập nhật hàng dữ liệu theo luồng, và truy vấn/chuyển đổi tập dữ liệu dựa trên SQL. Được thiết kế để hoạt động cùng với máy chủ HF MCP cho các quy trình làm việc tập dữ liệu toàn diện.
Hugging Face Evaluation
huggingface
Thêm và quản lý kết quả đánh giá trong thẻ mô hình Hugging Face. Hỗ trợ trích xuất bảng đánh giá từ nội dung README, nhập điểm số từ API Artificial Analysis, và chạy đánh giá mô hình tùy chỉnh với vLLM/lighteval. Hoạt động với định dạng siêu dữ liệu model-index.
Hugging Face Jobs
huggingface
Chạy bất kỳ khối lượng công việc nào trên cơ sở hạ tầng Hugging Face Jobs. Bao gồm các tập lệnh UV, công việc dựa trên Docker, lựa chọn phần cứng, ước tính chi phí, xác thực bằng token, quản lý bí mật, cấu hình thời gian chờ và lưu trữ kết quả. Được thiết kế cho các khối lượng công việc tính toán đa năng bao gồm xử lý dữ liệu, suy luận, thử nghiệm, công việc hàng loạt và bất kỳ tác vụ nào dựa trên Python.