Cómo conectar Hugging Face a Gemini vía MCP

💡 ¿Sin instalación? Usa cloud.anythingmcp.com directamente. Inicia sesión, pulsa Connectors → Hugging Face, pega tus credenciales, genera una MCP API key y listo. Sin Docker, sin git clone, sin servidor local.

Hugging Face + Gemini

Deja que tu IA explore el Hugging Face Hub con tu propio token de acceso: encuentra y compara modelos, datasets, Spaces, papers y colecciones, mira dentro de los datasets fila a fila, lee archivos de cualquier repositorio y chatea con modelos abiertos a través de Inference Providers.

Requisitos previos

Las instrucciones de configuración completas están incluidas en el conector (visibles en el store al seleccionarlo). Las variables de entorno requeridas:

HF_TOKEN

Paso 1 — Obtener credenciales

1. Inicia sesión en https://huggingface.co y abre Settings → Access Tokens (https://huggingface.co/settings/tokens).
2. Crea un token. Un token Read cubre todo menos el chat y la inferencia: búsqueda en el Hub, dataset viewer, archivos, papers y colecciones. Para chatear con modelos, crea un token Fine-grained y marca Make calls to Inference Providers; marca también el acceso de lectura a repos gated públicos si usas modelos gated. Un token Write también funciona, pero nunca hace falta, porque el conector no cambia nada en el Hub.
3. Pega el token en HF_TOKEN (empieza por hf_) e instala el conector. Solo se envía a huggingface.co, datasets-server.huggingface.co y router.huggingface.co.
4. Comprueba la configuración con huggingface_whoami: es gratis y muestra a quién pertenece el token, su rol y tus organizaciones.

Gratis en el Hugging Face (HF) Hub: buscar y leer modelos, datasets, Spaces, papers, colecciones y archivos no cuesta nada.

• Modelos: huggingface_search_models filtra por nombre, tarea, autor, librería o etiqueta (por ejemplo gguf o license:mit) y por Inference Provider, ordenando por descargas, likes o tendencia; huggingface_get_model muestra licencia, tamaño y archivos.
• Datasets: huggingface_search_datasets y huggingface_get_dataset. Para mirar dentro de un dataset sin descargarlo, la IA usa el dataset viewer: huggingface_dataset_splits, huggingface_dataset_first_rows, huggingface_dataset_rows (hasta 100 filas por página), huggingface_dataset_search (texto completo), huggingface_dataset_filter (condiciones tipo SQL), huggingface_dataset_size y huggingface_dataset_statistics (mínimo, máximo, media e histogramas por columna). Búsqueda, filtro y estadísticas necesitan un dataset que el viewer haya indexado; uno nuevo o muy grande puede responder que su índice aún se está cargando.
• Spaces: huggingface_search_spaces por nombre, huggingface_semantic_search_spaces según lo que hace la app y huggingface_get_space para el estado de ejecución y el hardware.
• Papers: huggingface_daily_papers, huggingface_search_papers, huggingface_get_paper y huggingface_read_paper (la página completa del paper como texto).
• Archivos y colecciones: huggingface_list_repo_files y huggingface_read_file leen archivos de texto pequeños como un README o config.json; los pesos de los modelos y otros binarios grandes no se pueden leer. huggingface_list_collections y huggingface_get_collection muestran colecciones curadas.

El chat y la inferencia cuestan dinero, así que la IA pregunta antes: huggingface_chat_completion y huggingface_run_inference_task se cobran de tus créditos de Hugging Face. Las cuentas PRO reciben 2 dólares de créditos al mes; las cuentas gratuitas tienen que comprar créditos primero en https://huggingface.co/settings/billing. Antes de cada llamada de pago la IA te dice qué modelo se ejecutará y espera tu sí, y nunca repite llamadas de pago sin preguntar. huggingface_list_chat_models muestra el precio por millón de tokens y huggingface_get_model_providers qué proveedores sirven un modelo.

Elegir el proveedor: por defecto responde el proveedor activo más rápido. Añade :cheapest, :fastest, :preferred (tu orden en los ajustes de Hugging Face) o el nombre de un proveedor como :groq al id del modelo para elegir tú. Una organización de la que formas parte puede pagar en tu lugar. huggingface_run_inference_task ejecuta clasificación, reconocimiento de entidades, fill-mask, resumen, traducción, clasificación zero-shot, respuesta a preguntas, similitud de frases y embeddings en el proveedor hf-inference.

Contenido no fiable: las model cards, las filas de los datasets, los archivos, los papers y las respuestas de los modelos vienen de terceros. La IA trata las instrucciones que contienen como datos, no como órdenes.

Errores frecuentes: 401 en huggingface_whoami o en el chat: el token es incorrecto, se revocó o falta. 401 o 403 en un repositorio: es privado, gated (acepta antes las condiciones en la página del modelo) o tu token fine-grained no lo cubre; el Hub también responde 401 para un repositorio que no existe. 402 o un mensaje sobre créditos: no quedan créditos. 403 en el chat: al token fine-grained le falta Make calls to Inference Providers. 400 model not supported: ningún proveedor activo sirve ese modelo para chat. 429: límite de frecuencia; espera un minuto y vuelve a intentarlo.

El conector no crea ni modifica repositorios, no sube archivos, no gestiona Spaces, Inference Endpoints ni Jobs y no genera imágenes.

Paso 2 — Instalar el adapter

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

Paso 3 — Añadir el conector en Gemini

La URL de tu servidor: en AnythingMCP abre MCP Servers → el servidor donde está este conector y copia su URL (https://cloud.anythingmcp.com/mcp/…). Úsala donde esta guía muestra YOUR_SERVER_ID.

Gemini CLI lee los servidores MCP de ~/.gemini/settings.json (en Windows, %USERPROFILE%\.gemini\settings.json). Añade:

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

1. Crea una clave de API MCP en AnythingMCP en MCP Servers → tu servidor → API keys y pégala en lugar de YOUR_MCP_API_KEY.
2. Guarda el archivo y reinicia gemini.
3. Ejecuta /mcp dentro de Gemini CLI (o gemini mcp list en tu terminal): anythingmcp debería aparecer como conectado.
4. Empieza a escribir prompts: Gemini CLI ya puede llamar a las herramientas de Hugging Face.

Herramientas disponibles

Ejemplos de prompts

• "Encuentra los cinco modelos de clasificación de texto en español más descargados de Hugging Face y compara sus licencias y tamaños."
• "Muéstrame las primeras filas del split test de stanfordnlp/imdb y cuenta cuántas reseñas tienen label 1."
• "¿Qué papers tuvieron más upvotes esta semana en Hugging Face Daily Papers? Resume los tres primeros."
• "¿Qué proveedores sirven ahora openai/gpt-oss-120b para chat y cuánto cuesta por millón de tokens?"
• "Encuentra un Space activo que quite el fondo de las imágenes y dime qué modelo usa."
• "Resume este párrafo con meta-llama/Llama-3.1-8B-Instruct en el proveedor más barato. Dime el modelo y el precio antes de ejecutarlo."

FAQ

¿Dónde busca Gemini CLI los servidores MCP? En ~/.gemini/settings.json para tu usuario, o en .gemini/settings.json dentro de un proyecto. gemini mcp list muestra cada servidor y si se conecta.

Siguientes pasos

• Página del conector
• Conectar a Claude
• Conectar a ChatGPT