patchy631 GitHub avatar

ai-engineering-hub

Jupyter Notebook
人工智能工程教程patchy631最近推送 2026年11月1日
学习资源MIT42.0k6,719139 issues7 天 +238

AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月17日

一个包含93+个AI工程实战项目的教程仓库,覆盖LLM、RAG和AI Agent。

这是一个面向AI工程学习的开源项目集合,提供从入门到高级的实战教程。仓库包含93+个生产就绪的项目,涵盖LLM、RAG、Agent、多模态等主题,每个项目都配有代码和说明,帮助开发者动手实践。

推荐指数

5.0

项目数量多、覆盖广、更新活跃,是学习AI工程不可多得的实战资源库。

近 7 天

+238

新增 Star

总 Star 排名

#135

雷达追踪的 3,958 个 AI 仓库中

创建于

2024

2024年10月21日

核心亮点

  • 1项目数量多

    包含93+个实战项目,覆盖从OCR到Agent的多种应用。

  • 2难度分级

    项目按初级、中级、高级分类,方便不同水平开发者选择。

  • 3技术栈新

    涵盖Llama、DeepSeek、Gemma、Qwen等最新模型和框架。

  • 4本地可运行

    许多项目支持本地运行,如本地OCR、本地ChatGPT等。

  • 5持续更新

    最近更新于2026年11月,保持与AI技术发展同步。

适用场景

  • 学习AI工程基础

    例如:初学者可通过'Simple RAG Workflow'项目了解RAG的基本流程。

  • 构建AI应用原型

    例如:开发者可参考'Local ChatGPT with DeepSeek'快速搭建本地聊天界面。

  • 探索Agent应用

    例如:中级开发者可尝试'Agentic RAG'项目,实现带网络回退的文档检索。

  • 研究多模态RAG

    例如:高级开发者可学习'DeepSeek Multimodal RAG',处理多模态数据。

它是怎么工作的

  1. 第 1 步

    选择项目

    根据自身水平从初级、中级或高级列表中选择感兴趣的项目。

  2. 第 2 步

    阅读教程

    每个项目目录下包含详细的README和Jupyter Notebook教程。

  3. 第 3 步

    运行代码

    按照教程步骤安装依赖并运行代码,通常需要配置API密钥或本地模型。

  4. 第 4 步

    修改适配

    基于示例代码进行修改,应用到自己的场景中。

快速上手

  1. 1

    克隆仓库

    将整个仓库克隆到本地。

    git clone https://github.com/patchy631/ai-engineering-hub.git
  2. 2

    进入项目目录

    选择感兴趣的项目,进入其文件夹。

    cd ai-engineering-hub/simple-rag-workflow
  3. 3

    安装依赖

    根据项目README安装所需Python包。

    pip install -r requirements.txt
  4. 4

    运行Notebook

    启动Jupyter Notebook并执行教程。

    jupyter notebook

适合谁

  • AI工程初学者,希望系统学习并动手实践
  • 开发者,需要快速构建AI应用原型
  • 研究人员,探索LLM、RAG和Agent的最新应用

不太适合

  • 寻找即用型生产库而非教程的开发者
  • 不熟悉Python和Jupyter Notebook的用户

成熟度

  • 活跃度最近更新于2026年11月,star数超过4万,更新频繁。
  • 文档每个项目有详细README和Notebook,但整体文档结构可进一步优化。
  • 社区有6699个fork和139个开放issue,社区参与度较高。
  • 上手难度项目按难度分级,但部分项目需要配置API密钥或本地环境,有一定门槛。

同类项目怎么选

  • langchain-ai/langchainLangChain是框架库,提供构建LLM应用的组件;本项目是教程集合,展示如何使用各种工具构建应用。
  • microsoft/autogenAutoGen是专注于多Agent对话的框架;本项目涵盖更广泛的AI工程主题,包括RAG、OCR等。
  • run-llama/llama_indexLlamaIndex是数据框架,专注于RAG;本项目是教程仓库,包含多个使用LlamaIndex的示例。

使用前注意

  • · 项目依赖多种外部API和模型,部分需要付费或申请密钥。
  • · 本地运行大模型需要足够的硬件资源(如GPU)。
  • · 教程代码可能随依赖库版本更新而需要调整。
  • · MIT许可证,允许自由使用和修改。

主题标签

agentsaillmsmachine-learningmcprag