Hugging Face MCP Server

Der Hugging Face MCP Server implementiert das Model Context Protocol und verbindet MCP-fähige KI-Assistenten mit dem Hugging Face Hub: Modelle, Datensätze, Spaces und Forschungspapiere durchsuchen, die Hugging-Face-Dokumentation per natürlichsprachlicher Suche befragen sowie MCP-kompatible Gradio-Anwendungen (Community-Tools) direkt aus dem Chat heraus aufrufen. Das eingebaute Werkzeug hf_fs deckt die meisten Hub-Aufgaben effizient ab, inklusive semantischer Suche über Dokumente und Spaces.
Optional lassen sich in den MCP-Einstellungen weitere Werkzeuge aktivieren: Schreibzugriff auf eigene Repositories, Sandboxes samt Dateiverwaltung sowie das Starten und Verwalten von Jobs auf der Hugging-Face-Infrastruktur. Diese erweiterten Werkzeuge benötigen eine Anmeldung mit Hugging-Face-Konto.

Gehostete Variante (empfohlen)

Hugging Face betreibt den Server als gehosteten Remote-Dienst unter https://huggingface.co/mcp. Auf der zugehörigen Einstellungsseite lässt sich der passende Client auswählen (etwa Claude Code, Claude Desktop, Cursor, VS Code, Zed, Gemini CLI oder ChatGPT); die Seite erzeugt daraufhin eine fertige Konfiguration zum Einfügen. Für Werkzeuge mit Schreibzugriff, Sandboxes oder Jobs ist eine Anmeldung am Hugging-Face-Konto nötig.

Lokale Variante

Alternativ lässt sich das quelloffene Paket @llmindset/hf-mcp-server lokal per npx starten, wahlweise im STDIO- oder im zustandslosen Streamable-HTTP-Modus. Ein Docker-Image steht unter ghcr.io/evalstate/hf-mcp-server bereit. Beide Varianten eignen sich, wenn der Datenverkehr nicht über den gehosteten Dienst laufen soll.

Community-Spaces als besonderes Merkmal

Was den Hugging Face MCP Server von den meisten anderen MCP-Servern unterscheidet, ist die Anbindung an Community-Spaces: Statt nur einen festen Werkzeugsatz bereitzustellen, kann jede MCP-kompatible Gradio-Anwendung, die auf dem Hub veröffentlicht wurde, als zusätzliches Werkzeug im Chat aufgerufen werden. Das öffnet den Server für eine ständig wachsende Zahl an Spezialwerkzeugen, von Bildbearbeitung über Textanalyse bis zu domänenspezifischen Modellen, ohne dass Hugging Face jede einzelne Funktion selbst implementieren muss. Der Preis dafür ist, dass diese Werkzeuge nicht von Hugging Face selbst geprüft werden.

Typische Einsatzszenarien

Der Server eignet sich besonders für Recherchearbeit im Machine-Learning-Umfeld: das Auffinden geeigneter vortrainierter Modelle für eine bestimmte Aufgabe, das Durchsuchen von Datensätzen nach Umfang und Lizenz, das Nachschlagen aktueller Forschungspapiere zu einem Thema oder das direkte Ausprobieren eines Community-Tools ohne Kontextwechsel zum Browser. Für Data-Science-Teams, die regelmäßig neue Modelle evaluieren, kann die natürlichsprachliche Hub-Suche deutlich schneller sein als das manuelle Durchklicken der Weboberfläche.

Häufige Fragen

Sind alle Community-Spaces vertrauenswürdig? Nein, sie stammen von Drittanbietern und werden nicht von Hugging Face selbst geprüft; vor der Nutzung lohnt ein Blick auf den Betreiber. Braucht die Basisnutzung ein Hugging-Face-Konto? Nein, einfache Hub-Suchen und Dokumentationsabfragen funktionieren ohne Anmeldung. Kann ich den Server komplett ohne Hugging-Face-Infrastruktur nutzen? Nein, auch die lokale Variante kommuniziert für Hub-Daten weiterhin mit der Hugging-Face-Infrastruktur.

Für die gehostete Variante ein MCP-Client mit Unterstützung für Remote-Server (die Einstellungsseite zeigt clientspezifische Anleitungen); für erweiterte Werkzeuge (Schreibzugriff, Sandboxes, Jobs) zusätzlich ein Hugging-Face-Konto mit Anmeldung. Für die lokale Variante Node.js (npx) oder Docker.

Für die gehostete Variante die MCP-Einstellungsseite unter https://huggingface.co/mcp im angemeldeten Zustand öffnen, den eigenen Client auswählen und die dort erzeugte Konfiguration in die MCP-Einstellungen des Clients einfügen, dann den Client neu starten.

Für die lokale Variante den Server per npx starten:

npx @llmindset/hf-mcp-server        # STDIO-Modus
npx @llmindset/hf-mcp-server-http   # Streamable HTTP (zustandslos)

Alternativ mit Docker:

docker pull ghcr.io/evalstate/hf-mcp-server:latest
docker run --rm -p 3000:3000 ghcr.io/evalstate/hf-mcp-server:latest

Grundlegende Such- und Dokumentationswerkzeuge funktionieren ohne Anmeldung. Erweiterte Werkzeuge (Schreibzugriff auf Repositories, Sandboxes, Jobs) verlangen ein angemeldetes Hugging-Face-Konto. HTTP-Clients senden dafür ein Hugging-Face-Token im Header Authorization: Bearer; bei der lokalen STDIO-Variante dient HF_TOKEN bzw. DEFAULT_HF_TOKEN als Vorgabe.

Ohne Anmeldung sind nur lesende Hub-Suchen und Dokumentationsabfragen möglich. Mit Anmeldung hängt der Umfang von den in den MCP-Einstellungen aktivierten Werkzeugen ab: Standardmäßig ist nur die Hub-Navigation aktiv, optional zusätzlich Schreibzugriff auf eigene Repositories, Sandboxes oder das Starten von Jobs auf der Hugging-Face-Infrastruktur.

Suchanfragen und Werkzeugparameter gehen an die Hugging-Face-Infrastruktur und werden zur Beantwortung an den MCP-Client sowie dessen Sprachmodell zurückgegeben. Beim Aufruf von Community-Spaces als Werkzeuge laufen Anfragen zusätzlich über die jeweilige, von Dritten betriebene Gradio-Anwendung. Bei aktivierten Schreib- oder Job-Werkzeugen verarbeitet der Dienst zusätzlich Inhalte der eigenen Hugging-Face-Repositories und Jobs.

Community-Spaces, die als Werkzeuge eingebunden werden, stammen von Drittanbietern und sind nicht durch Hugging Face selbst geprüft; ein bösartiger oder fehlerhafter Space kann irreführende Ergebnisse liefern oder Eingaben missbrauchen. Bei aktiviertem Schreibzugriff kann ein Agent eigene Repositories verändern, bei aktivierten Job-Werkzeugen Rechenzeit auf der eigenen Infrastruktur verbrauchen. Nur benötigte Spaces und Werkzeuge freigeben, Schreib- und Job-Zugriff nur bewusst aktivieren und das Hugging-Face-Token wie ein Passwort behandeln.