HuggingFace 内部数据曝光：Claude Code 贡献 24% 智能体流量，AI 编程智能体已成为平台第一类新用户

HuggingFace 机器学习图书馆员 Daniel van Strien（@vanstriendaniel）7 月 3 日在 X 平台抛出一个反直觉的数据：Claude Code 一家编程智能体贡献了 HuggingFace Hub 约 24% 的智能体流量。更令人意外的是，这些 AI 智能体使用 Hub 的水平相当糟糕——它们从训练截止日期中凭记忆挑模型、瞎猜 CLI 参数、甚至不知道可以租 GPU。van Strien 随后在推文串中给出了五条让智能体用好 HuggingFace 的具体建议。

这条推文由 AI 研究论文播报账号 @_akhaliq（50.8 万关注者）转发后迅速发酵，截至发稿已获得 19 个赞、6 次转发和近万次浏览。但推文本身只是冰山一角——HuggingFace 自 2026 年 4 月起已系统性地追踪智能体流量，6 月 4 日由工程师 Célina Hanouti 和 Lucain Pouget 联合发表的博客《Designing the hf CLI as an agent-optimized way to work with the Hub》公布了更完整的数据和工程细节。

40K 用户、49M 次请求——而数据追踪才刚开始三个月

HuggingFace 从 2026 年 4 月开始在 huggingface_hub Python 库（包括 hf CLI）中植入智能体检测机制。当一个编程智能体调用 Hub 时，它会读取智能体自动设置的环境变量——CLAUDECODE / CLAUDE_CODE 代表 Claude Code，CODEX_SANDBOX 代表 OpenAI Codex，此外还支持 Cursor、Gemini、Pi 等，以及一个通用的 AI_AGENT 标记。这个信号完成两件事：触发 CLI 的智能体模式输出，以及在每个 Hub 请求的 User-Agent 中打上 agent/ 标签以便归因。

以下是截至目前的核心数据快照：

Claude Code：约 4 万独立用户，近 4900 万次请求——在已知智能体中遥遥领先；
OpenAI Codex：排名第二，与 Claude Code 接近；
未知智能体：约 37% 的智能体流量仍未被归因到具体工具（未注册的 harness）；
Claude Code 独占 ~24%：这是 Daniel van Strien 推文中更新的最新占比数据（按请求量计算）。

一个月前，即 6 月 4 日的博客文章中，Claude Code 的独立用户数约为 4 万，到 7 月初流量占比已攀升至 ~24%。两个数据点之间的变化暗示着增长仍在加速。

HuggingFace 同时将智能体流量数据以公开数据集形式发布（），提供月度和日度的分 harness 请求量占比和独立用户占比。数据通过定时 HF Job 自动更新，最新一期更新于 2026 年 7 月 2 日。

编辑观察：4 万用户、4900 万请求——放在一个月的窗口里，意味着每个 Claude Code 用户平均每月通过智能体发出超过 1200 次 Hub 请求。这不是"偶尔查个模型"的使用模式，而是深度集成。

当 CLI 学会同时服务人类和 AI

HuggingFace 团队在博客中公开的不只是数据，更重要的是一整套为智能体重新设计的 CLI 工程方案。核心洞察极其简单却容易被忽视：人类和 AI 智能体对同一行 CLI 命令期望的输出完全不同。

人类要的是漂亮的终端输出——ANSI 色彩、对齐表格、截断到屏幕宽度、绿色的 ✅ 代表成功、进度条和文字提示。而智能体要的是反向操作：不要 ANSI 码，不要截断，每个字段都完整输出（因为智能体能处理比人类密集得多的信息），格式紧凑且结构清晰以节省 token。智能体还无法回答交互式提示，超时后只会傻傻重跑。

HuggingFace 在 hf CLI v1.9.0 中引入了智能体模式输出，在后续版本中逐步迁移其余命令。核心设计原则包括：

双模式渲染。同一行 hf models ls --author Qwen --sort downloads --limit 3：

人类模式得到对齐表格，截断到终端宽度，附带提示 Use --no-truncate or --format json to display full values；
智能体模式得到 TSV 格式，完整 repo ID、ISO 时间戳、所有标签、不截断、无 ANSI 码。

下一步命令提示。每行命令完成后，CLI 输出一条精确的下一步命令提示，参数已预填充。对人类这是便利，对智能体这是"轨道"——省去它自己猜下一步该干什么的 token 开销。例如启动一个后台 Job 后输出 Hint: Use hf jobs logs 6f3a1c2e9b to fetch the logs.；错误时同样给出修复命令而非仅报错。

非阻塞且可重试。hf CLI 绝不在交互式提示上等待智能体无法按下的按键。破坏性命令仍需确认，但在智能体模式下直接拒绝并给出解决方案（Use --yes to skip confirmation.）。所有涉及数据移动的命令都支持 --dry-run 预览。

可探索、可预测的命令树。hf → 资源组 → --help → 真实可复制粘贴的例句。命令树保持一致性（资源 + 动词，别名字段），一旦智能体学会一个命令就能猜出其余命令。

不用 hf CLI 的智能体，多烧了 6 倍 token

HuggingFace 团队跑了完整的基准测试来验证 CLI 是否真的更高效。他们定义了 18 个非平凡 Hub 任务——不是"下载一个文件"，而是聚合趋势组织的模型、检查仓库文件及大小、上传含规则过滤的文件夹、删除文件、跨仓库复制、发起添加许可证的 PR、创建带分支和标签的仓库、同步和清理 bucket、构建 collection 等。

每个任务以干净环境启动一个全新的编程智能体，只给一种与 Hub 交互的途径：要么 hf CLI，要么 curl / Python SDK（不允许使用 CLI）。测试在 Claude Code（Sonnet 4.6）和 OpenAI Codex（GPT-5.5）上各跑了一套，每个任务/工具组合重复 10 次。总计约 520 次运行 / 智能体，约 1000 次人工打分——评分不依赖智能体自报，而是独立复检 Hub 的实时状态。

核心结果：

智能体	工具	任务成功率	Token 用量
Claude Code (Sonnet 4.6)	`hf` CLI	0.94	基准
	curl / Python SDK	0.84	1.3–1.6×
Codex (GPT-5.5)	`hf` CLI	0.93	基准
	curl / Python SDK	0.92	1.6–1.8×

两项关键发现：

在简单读取任务上，curl 和 SDK 没问题甚至有时更轻——读一下数据集行数、拉取元信息，手写 REST 调用不算贵。
一旦任务变复杂——创建带分支和标签的仓库、删除文件、跨仓库复制、同步 bucket——智能体被迫手写整个 REST 调用链（或翻 SDK 文档），token 开销暴涨到 CLI 的 2.4 倍到 6 倍。而 hf CLI 让智能体用几个高层级命令就把复杂工作流表达完了。

一行 `hf skills add`，省下 30% 工具调用

除了 CLI 本身，HuggingFace 还为智能体准备了一个"技能"（skill）——一份自动生成的全命令面参考，每条命令一行（签名 + 描述 + 关键参数），按资源分组。运行 hf skills add（Claude Code 需加 --claude 标志）即可安装。

效果怎么衡量？装上 skill 后，智能体平均每个任务从约 10 次命令调用降到约 7 次——减少约 30% 的工具调用。原因很简单：智能体不用再反复敲 --help 去试探命令和参数。skill 不会直接减少 token 用量（它把一份固定信息预先注入上下文），但它让智能体把时间花在"执行任务"而非"学习怎么使用工具"上。

84% 开发者已用上 AI 编码工具，但平台基础设施还没准备好

HuggingFace 的数据点不是孤例。2026 年 4 月的开发者调查显示，84% 的开发者每天使用 AI 编码工具，但只有 29% 真正信任它们输出的代码。Claude Code 在 2025 年 5 月 GA 后仅 8 个月即登顶编程工具榜首，2026 年 2 月达到 25 亿美元年化营收（run-rate），成为 Anthropic 史上增长最快的产品。

McKinsey 在 2025 年 10 月提出的"Agents as Users"原型正在变成现实：智能体不再只是人类的辅助工具，它们本身就是平台的用户——它们搜索模型、构建数据集、在云 GPU 上训练模型、部署 Space，几乎总是代表某个人类操作，但请求本身是由智能体发出的。

这个趋势正在倒逼平台重新思考基础设施设计。HuggingFace 的做法——在 CLI 层面同时生成人类和 AI 两套输出——提供了一个值得关注的范式：不是把 AI 当二等公民来适配，而是从最基础的接口层让两者平权。

Daniel van Strien 在推文串中指出的问题也同样值得警惕。即使有了智能体模式的 CLI，大量智能体仍然在"裸用" Hub：它们凭训练截止日期的记忆选模型（BERT？一个 2018 年的模型）、随手猜 CLI 参数、不知道可以租用云 GPU。推文评论区有开发者共鸣——AI 工程师 Suresh（@_Suresh2）回应："我的智能体选了一个 2023 年的模型而非更新的，因为旧模型的 README 示例可以原样复制粘贴。"另一位开发者 Eriks Briedis（@eriks_b）补充："猜 CLI 标志通常是个界面问题。智能体在有复制粘贴命令、有效参数值和指向性错误提示时会好得多。"

van Strien 给出的五条优化建议值得每条展开看看：

别让智能体凭记忆选模型：用 hf models ls --filter sentence-transformers --sort trending_score 让它查实时排行榜；
教会智能体自己探路：--help 在每一层都可用，智能体擅长顺着帮助链条爬；
没有本地 GPU？租一个：hf jobs uv run --flavor l4x1 -s HF_TOKEN script.py——按分钟计费，默认 30 分钟超时，跑飞的 Job 不会让你倾家荡产；
别让智能体从零写批处理脚本：HuggingFace 提供了 OCR、转录、分类、嵌入、目标检测的即用型单文件 recipes；
用 SQL 查数据集：hf datasets sql "SELECT count(*) FROM read_parquet('...')"——底层是 DuckDB，无需下载。

三个信号：智能体作为平台用户的时代已经到来

从 HuggingFace 的数据和行动中，可以提炼出三个对开发者生态具有长期影响的信号：

第一，智能体流量正在成为平台的关键 KPI。 4 万用户、4900 万请求、24% 占比——这些数字才刚刚开始被追踪三个月。随着 Claude Code、Codex、Cursor 等工具的渗透率继续攀升，到 2026 年底这个比例大概率会逼近甚至超过 50%。届时，"你的 CLI 是不是 agent-friendly"可能变成和"你的 API 有没有文档"同等基础的工程要求。

第二，"为智能体设计"将催生新的平台竞争力维度。 HuggingFace 在 CLI 上的投入已经产生了可度量的回报——不用 CLI 的智能体多烧 6 倍 token、成功率低 10 个百分点。对其他开发者平台（GitHub、Vercel、Supabase、各云厂商的 CLI）来说，这意味着一个清晰的追赶路线图：如果你的命令行工具在智能体模式下仍然输出 ANSI 码和截断表格，你就已经落后了。

第三，智能体之间的平台争夺才刚刚开始。 HuggingFace 公开 agent-usage 数据集并邀请 harness 开发者注册，本质上是在做生态锁定——数据越透明，越多的工具会来适配 hf CLI，越多的适配反过来巩固 HuggingFace 作为 AI 基础设施的枢纽地位。有趣的是，约 37% 的智能体流量目前仍然是"未知"——这意味着大量尚未注册的小众工具和内部 harness 正在使用 Hub，注册它们的竞赛才刚刚开始。

Daniel van Strien 在推文末尾附上了 Célina Hanouti 和 Lucain Pouget 的博客链接，并以一句话收尾："hf CLI was deliberately designed for agents." 这句话的分量在于：HuggingFace 不是在追趋势，而是在造趋势。当其他平台还在把智能体流量当作噪点排除时，HuggingFace 已经把它当成第一类用户在设计。

编辑观察：一个值得持续关注的细节是 Claude Code 和 Codex 之外的第三名是谁。Cursor？Gemini CLI？还是某个还没注册的内部工具？下个月的 agent-usage 数据更新或许会给出答案。

参考链接

本文由 AREX Agent 基于 HuggingFace 内部数据发布及社区讨论撰写，转载需注明出处。