How I automate my own job at Hugging Face using agents — Niels Rogge, Hugging Face

한 줄 핵심

Hugging Face의 커뮤니티 과학 업무를 에이전트와 크론 잡으로 자동화해, 논문·모델·데이터셋의 허브 유입과 후속 응대를 규모 있게 처리하는 방법을 보여주는 영상이다.

시간별 요약

1. 0:00
   Google Drive에서 허브로 옮기는 문제 연구 산출물이 Google Drive, GitHub Releases, Dropbox, Zenodo 등에 흩어져 있어 발견성과 접근성이 떨어진다. Hugging Face는 이런 산출물을 허브로 옮겨 더 쉽게 찾고 재사용하게 만드는 역할을 한다.
2. 1:59
   논문 페이지, 메타데이터, 그리고 발견성 논문 페이지에 모델·데이터셋 링크, 모델 카드, 데이터셋 카드, 태그와 필터를 붙이면 재현성과 검색성이 크게 좋아진다. 중앙화된 허브와 업로드·다운로드 도구는 연구자와 사용자 모두에게 이득이 된다.
3. 3:41
   수동 outreach가 확장되지 않는 이유 매일 쏟아지는 수백 편의 논문을 사람이 직접 확인하고 GitHub issue나 PR로 outreach 하는 방식은 AI 붐과 함께 더 이상 감당하기 어렵다. 그래서 outreach 자체를 에이전트로 자동화할 필요가 생긴다.
4. 4:29
   사람이 손으로 돌리던 워크플로 논문을 보면 GitHub URL을 찾고, README를 읽고, Hugging Face에 이미 올라와 있는지와 카드·메타데이터가 충분한지 확인한 뒤, 없으면 issue를 열고 있으면 PR로 보완했다. 마지막에는 저자에게 후속 연락까지 해야 해서 반복 작업이 길었다.
5. 5:19
   워크플로와 에이전트는 이분법이 아니다 미리 정해진 경로를 따라가는 워크플로는 예측 가능성과 통제력이 높고, 툴을 호출하며 끝까지 반복하는 에이전트는 유연하지만 덜 예측 가능하다. 이 사례에서는 Anthropic의 권고처럼 단순한 LLM API 단계들로 구성된 결정적 워크플로를 먼저 택해 제어력을 확보했다.
6. 7:03
   야간 cron 잡과 비용·지연 추적 매일 밤 한 번 실행되는 cron 잡과 Python 스크립트, LLM API, GitHub Actions로 수백 편의 아카이브 논문을 처리하게 했다. LangFuse로 입력·출력, 프롬프트, 비용, latency를 추적해 동작을 관찰하고 문제를 파악했다.
7. 8:46
   쏟아지는 답글과 후속 처리 자동화 issue를 대량으로 열자 답글도 폭증했고, 이를 사람이 다시 처리하는 부담이 생겼다. 그래서 후속 응답까지 에이전트로 넘기되, 이번에는 더 유연한 완전 자율형 루프를 선택했다.
8. 9:36
   완전 자율 루프로 전환 Claude agent SDK를 사용해 에이전트를 구성하고, 모델 성능 향상으로 인해 복잡한 커스텀 워크플로 대신 단순한 에이전트 + 툴 조합이 가능해졌다고 본다. Cursor와 Claude 관련 사례처럼, 수천 줄의 코드를 200줄 수준의 skill로 대체할 수 있다는 점이 핵심이다.
9. 10:25
   Bash, 하나의 CLI, 하나의 skill, 하나의 sandbox 에이전트는 Bash를 주요 도구로 쓰고 Hugging Face CLI skill만 있으면 충분하며, 모델은 GLM 5.2를 Hugging Face inference providers로 호출한다. 배포는 Modal로 하고, 최종 결과는 GitHub와 Slack에 남겨 사람이 확인할 수 있게 했다.
10. 12:06
    issue 하나당 컨테이너 하나로 병렬 처리 Modal의 batch processing으로 issue마다 별도 컨테이너를 띄워 병렬로 에이전트 루프를 돌린다. 실행은 여전히 필요할 때 수동으로 skill을 호출하는 방식이지만, 내부적으로는 여러 에이전트가 연쇄적으로 동작한 뒤 Slack에 결과를 게시한다.
11. 13:49
    연구자들의 실제 반응 대부분의 연구자는 제안을 환영하며 Hugging Face에 모델과 데이터셋을 공개한다. 일부는 거절하지만 극히 소수이고, Apple이나 Google DeepMind 같은 조직에서도 실제로 연계가 이뤄지는 등 실질적인 전환 효과가 나타난다.
12. 15:32
    이관된 모델들과 400 GB 데이터셋 Paddle OCR 같은 조직은 에이전트가 만든 outreach를 계기로 여러 OCR 모델을 Hugging Face로 옮겼다. 모델 카드 템플릿도 PDF, README, 논문 내용을 바탕으로 자동 완성되며, Tiny Recursive Models처럼 큰 반응을 얻은 사례도 있었다.
13. 18:06
    오픈 모델, 워크플로보다 에이전트, 그리고 평가 GLM 5.2, Deep Seek V4 같은 오픈 모델이 충분히 강해져서 폐쇄형 모델을 대체할 수 있고, 이 유스케이스에서는 워크플로보다 에이전트가 더 적합하다고 본다. 다만 slop을 막으려면 평가가 필수이며, 이후 Daily Papers와 Papers With Code 재부활 같은 연계 작업도 같은 방식으로 확장하고 있다.

실무 인사이트

• 반복되는 outreach는 사람이 직접 처리하기보다, 단순한 결정적 단계와 자율 루프를 구분해 자동화 범위를 점진적으로 넓히는 방식이 효과적이다.
• 에이전트 자동화는 실행 그 자체보다도 LangFuse 같은 관측성과 평가 체계를 함께 붙여야 품질 저하와 스팸 문제를 줄일 수 있다.
• 연구 산출물 유입을 늘리려면 저장 위치 이전만이 아니라 모델 카드, 데이터셋 카드, 태그, 검색 필터까지 함께 설계해야 발견성과 전환율이 올라간다.