Hugging Face über MCP mit Gemini verbinden

💡 Keine Installation? Nutze cloud.anythingmcp.com direkt. Einloggen, Connectors → Hugging Face klicken, Zugangsdaten einfügen, MCP-API-Key erzeugen, fertig. Kein Docker, kein git clone, kein lokaler Server.

Hugging Face + Gemini

Lass deine KI den Hugging Face Hub mit deinem eigenen Access Token erkunden: Modelle, Datensätze, Spaces, Paper und Collections finden und vergleichen, Datensätze Zeile für Zeile ansehen, Dateien aus jedem Repository lesen und über Inference Providers mit offenen Modellen chatten.

Voraussetzungen

Die vollständige Setup-Anleitung ist in den Connector eingebaut (im Store sichtbar, wenn du den Connector auswählst). Benötigte Umgebungsvariablen für diesen Connector:

HF_TOKEN

Schritt 1 — Zugangsdaten holen

1. Melde dich unter https://huggingface.co an und öffne Settings → Access Tokens (https://huggingface.co/settings/tokens).
2. Erstelle ein Token. Ein Read-Token deckt alles außer Chat und Inferenz ab: Hub-Suche, Dataset Viewer, Dateien, Paper und Collections. Um mit Modellen zu chatten, erstelle ein Fine-grained-Token und setze das Häkchen bei Make calls to Inference Providers; setze zusätzlich Lesezugriff auf öffentliche Gated Repos, wenn du Gated-Modelle nutzt. Ein Write-Token funktioniert auch, ist aber nie nötig, weil der Connector auf dem Hub nichts verändert.
3. Füge das Token in HF_TOKEN ein (es beginnt mit hf_) und installiere den Connector. Es geht nur an huggingface.co, datasets-server.huggingface.co und router.huggingface.co.
4. Prüfe die Einrichtung mit huggingface_whoami: Das ist kostenlos und zeigt, wem das Token gehört, welche Rolle es hat und welche Organisationen du nutzen kannst.

Kostenlos auf dem Hugging Face (HF) Hub: Modelle, Datensätze, Spaces, Paper, Collections und Dateien zu suchen und zu lesen kostet nichts.

• Modelle: huggingface_search_models filtert nach Name, Aufgabe, Autor, Bibliothek oder Tag (zum Beispiel gguf oder license:mit) und nach Inference Provider, sortiert nach Downloads, Likes oder Trend; huggingface_get_model zeigt Lizenz, Größe und Dateien.
• Datensätze: huggingface_search_datasets und huggingface_get_dataset. Um in einen Datensatz zu schauen, ohne ihn herunterzuladen, nutzt die KI den Dataset Viewer: huggingface_dataset_splits, huggingface_dataset_first_rows, huggingface_dataset_rows (bis zu 100 Zeilen pro Seite), huggingface_dataset_search (Volltext), huggingface_dataset_filter (SQL-ähnliche Bedingungen), huggingface_dataset_size und huggingface_dataset_statistics (Minimum, Maximum, Mittelwert und Histogramme pro Spalte). Suche, Filter und Statistik brauchen einen Datensatz, den der Viewer indexiert hat; ein neuer oder sehr großer meldet eventuell, dass sein Index noch lädt.
• Spaces: huggingface_search_spaces nach Name, huggingface_semantic_search_spaces danach, was die App tut, und huggingface_get_space für Laufzeitstatus und Hardware.
• Paper: huggingface_daily_papers, huggingface_search_papers, huggingface_get_paper und huggingface_read_paper (die ganze Paper-Seite als Text).
• Dateien und Collections: huggingface_list_repo_files und huggingface_read_file lesen kleine Textdateien wie ein README oder config.json; Modellgewichte und andere große Binärdateien sind nicht lesbar. huggingface_list_collections und huggingface_get_collection zeigen kuratierte Collections.

Chat und Inferenz kosten Geld, deshalb fragt die KI vorher: huggingface_chat_completion und huggingface_run_inference_task werden über deine Hugging-Face-Credits abgerechnet. PRO-Konten erhalten 2 US-Dollar Credits pro Monat; kostenlose Konten kaufen zuerst Credits unter https://huggingface.co/settings/billing. Vor jedem kostenpflichtigen Aufruf sagt dir die KI, welches Modell läuft, und wartet auf dein Ja; kostenpflichtige Aufrufe wiederholt sie nie ohne Rückfrage. huggingface_list_chat_models zeigt den Preis pro Million Tokens, und huggingface_get_model_providers zeigt, welche Provider ein Modell anbieten.

Provider wählen: Standardmäßig antwortet der schnellste verfügbare Provider. Häng :cheapest, :fastest, :preferred (deine Reihenfolge in den Hugging-Face-Einstellungen) oder einen Providernamen wie :groq an die Modell-ID, um selbst zu wählen. Eine Organisation, in der du Mitglied bist, kann statt dir bezahlen. huggingface_run_inference_task führt Klassifikation, Erkennung benannter Entitäten, Fill-Mask, Zusammenfassung, Übersetzung, Zero-Shot-Klassifikation, Fragebeantwortung, Satzähnlichkeit und Embeddings beim Provider hf-inference aus.

Nicht vertrauenswürdige Inhalte: Model Cards, Datensatzzeilen, Dateien, Paper und Modellantworten stammen von Dritten. Die KI behandelt Anweisungen darin als Daten, nicht als Befehle.

Häufige Fehler: 401 bei huggingface_whoami oder beim Chat: Das Token ist falsch, widerrufen oder fehlt. 401 oder 403 bei einem Repository: Es ist privat, gated (akzeptiere zuerst die Bedingungen auf der Modellseite) oder dein Fine-grained-Token deckt es nicht ab; der Hub antwortet auch bei einem nicht existierenden Repository mit 401. 402 oder eine Meldung zu Credits: Es sind keine Credits mehr übrig. 403 beim Chat: Dem Fine-grained-Token fehlt Make calls to Inference Providers. 400 model not supported: Kein verfügbarer Provider bietet dieses Modell für Chat an. 429: Ratenlimit; warte eine Minute und versuche es erneut.

Der Connector legt keine Repositories an und ändert keine, lädt keine Dateien hoch, verwaltet weder Spaces noch Inference Endpoints oder Jobs und erzeugt keine Bilder.

Schritt 2 — Adapter installieren

curl -fsSL https://raw.githubusercontent.com/HelpCode-ai/anythingmcp/main/docker-compose.quickstart.yml -o docker-compose.yml
printf 'JWT_SECRET=%s\nENCRYPTION_KEY=%s\n' "$(openssl rand -hex 32)" "$(openssl rand -hex 32)" > .env
docker compose up -d

Schritt 3 — Connector in Gemini hinzufügen

Deine Server-URL: Öffne in AnythingMCP MCP Servers → den Server, auf dem dieser Connector liegt, und kopiere seine URL (https://cloud.anythingmcp.com/mcp/…). Setze sie überall ein, wo diese Anleitung YOUR_SERVER_ID zeigt.

Gemini CLI liest MCP-Server aus ~/.gemini/settings.json (unter Windows %USERPROFILE%\.gemini\settings.json). Füge hinzu:

{
  "mcpServers": {
    "anythingmcp": {
      "httpUrl": "https://cloud.anythingmcp.com/mcp/YOUR_SERVER_ID",
      "headers": { "X-API-Key": "YOUR_MCP_API_KEY" }
    }
  }
}

1. Erstelle in AnythingMCP unter MCP Servers → dein Server → API keys einen MCP-API-Key und setze ihn anstelle von YOUR_MCP_API_KEY ein.
2. Speichere die Datei und starte gemini neu.
3. Führe in der Gemini CLI /mcp aus (oder gemini mcp list im Terminal): anythingmcp sollte als verbunden erscheinen.
4. Leg los: Gemini CLI kann jetzt die Hugging Face-Tools aufrufen.

Verfügbare Tools

Beispiel-Prompts

• „Finde die fünf meistgeladenen deutschen Textklassifikationsmodelle auf Hugging Face und vergleiche ihre Lizenzen und Größen.“
• „Zeig mir die ersten Zeilen des Test-Splits von stanfordnlp/imdb und zähl, wie viele Rezensionen das Label 1 haben.“
• „Welche Paper hatten diese Woche die meisten Upvotes auf Hugging Face Daily Papers? Fass die drei besten zusammen.“
• „Welche Provider bieten openai/gpt-oss-120b gerade für Chat an, und was kostet es pro Million Tokens?“
• „Finde einen laufenden Space, der Bildhintergründe entfernt, und sag mir, welches Modell er nutzt.“
• „Fass diesen Absatz mit meta-llama/Llama-3.1-8B-Instruct beim günstigsten Provider zusammen. Sag mir Modell und Preis, bevor es läuft.“

FAQ

Wo sucht Gemini CLI nach MCP-Servern? In ~/.gemini/settings.json für deinen Benutzer oder in .gemini/settings.json innerhalb eines Projekts. gemini mcp list zeigt jeden Server und ob er sich verbindet.

Nächste Schritte

• Connector-Startseite
• Mit Claude verbinden
• Mit ChatGPT verbinden