该人工智能工程中心是一个综合资源库，包含93个以上按难度分类的生产项目，涵盖初学者到高级水平。资源包括LLM、RAG、AI代理等核心技术，提供从OCR应用到高级微调的完整学习路径。无论你是初学者、从业者还是研究人员，都能找到适合的实验资源和实践案例，帮助掌握人工智能工程的各个层面，提升技能并构建实际应用。

---

🌟 为什么选择这个仓库？

人工智能工程正在飞速发展，要保持领先地位，既需要深刻的理解，也需要丰富的实践经验。在这里，您将找到：

• 93个以上涵盖所有技能水平的已准备就绪的生产项目
• 深入讲解LLM、RAG、代理人等相关内容
• 现实世界中的人工智能代理应用
• 可在项目中实施、调整和扩展的示例

无论你是初学者、从业者还是研究人员，这个代码库都为各个技能水平的用户提供了实验和成功进行人工智能工程的资源。

---

📋 目录

• 入门
• 通讯
• 按难度排序的项目

• 初学者项目（22）
• 中期项目（48）
• 高级项目（23）

• 贡献
• 执照

---

🎯 入门指南

刚接触人工智能工程？从这里开始：

1. 完全新手：请查看人工智能工程路线图，获取全面的学习路径。
2. 学习基础知识：从 OCR 应用和简单的 RAG 实现等入门项目开始。
3. 提升技能：进阶到中级项目，与代理商合作，处理复杂的工作流程
4. 掌握高级概念：应对高级项目，包括微调和生产系统

---

📬 订阅我们的电子报，随时了解最新资讯！

订阅我们的电子报，即可免费获得包含 150 多节数据科学核心课程的电子书📖！随时掌握最新教程、见解和独家资源。立即订阅！

---

🎓 按难度分类的项目

🟢 初学者项目

非常适合人工智能工程入门。这些项目侧重于单个组件和简单的实现方式。

OCR 和视觉

• 使用 Llama 进行 LaTeX OCR 识别- 使用 Llama 3.2 Vision 将 LaTeX 公式图像转换为代码
• Llama OCR - 一款基于 Llama 3.2 和 Streamlit 的 100% 本地 OCR 应用
• Gemma-3 OCR - 使用 Gemma-3 进行本地 OCR 结构化文本提取
• Qwen 2.5 OCR - 使用 Qwen 2.5 VL 模型进行文本提取

聊天界面及用户界面

• 使用 DeepSeek 的本地 ChatGPT - 使用 DeepSeek-R1 和 Chainlit 的 Mini-ChatGPT
• 使用Llama 的本地 ChatGPT - 基于 Llama 3.2 Vision 的 ChatGPT 克隆版
• 使用 Gemma 3 的本地 ChatGPT - 使用 Gemma 3 的本地聊天界面
• DeepSeek Thinking UI - ChatGPT 使用 DeepSeek-R1 进行可视化推理
• Qwen3 Thinking UI - 使用 Qwen3:4B 和 Streamlit 进行 Thinking UI 设计
• GPT-OSS 思维用户界面- 具有推理可视化功能的 GPT-OSS
• 流媒体 AI 聊天机器人- 基于 Motia 框架的实时 AI 流媒体

基本 RAG

• 简单的 RAG 工作流程- 使用 LlamaIndex 和 Ollama 的基本 RAG
• 文档聊天 RAG - 使用 Llama 3.3 与文档聊天
• 最快的 RAG 堆栈- 使用 SambaNova、LlamaIndex 和 Qdrant 实现快速 RAG
• GitHub RAG - 在本地与 GitHub 仓库聊天
• ModernBERT RAG - 带有 ModernBERT 嵌入的 RAG
• Llama 4 RAG - 由 Meta 的 Llama 4 提供支持的 RAG

多模态与媒体

• 使用 Janus-Pro 进行图像生成- 使用 DeepSeek Janus-pro 7B 进行本地图像生成
• 使用 Gemini 进行视频聊天- 通过 Gemini AI 进行视频聊天

其他工具

• 使用 FireCrawl 将网站转换为 API
• AI新闻生成器- 使用CrewAI和Cohere生成新闻
• 孪生网络- 在 MNIST 数据集上进行数字相似度检测

---

🟡 中级项目

面向经验丰富的从业人员的多组件系统、智能体工作流程和高级功能。

人工智能代理和工作流程

• YouTube趋势分析- 使用CrewAI和BrightData分析YouTube趋势
• AutoGen股票分析师- 微软AutoGen高级分析师
• Agentic RAG - 具有文档搜索和 Web 回退功能的 RAG
• 使用 DeepSeek 的 Agentic RAG - 使用 GroundX 的企业级 Agentic RAG
• 图书写作流程- 使用 CrewAI 实现图书写作自动化
• 内容规划流程- 使用 CrewAI Flow 的内容工作流程
• 品牌监测- 自动化品牌监测系统
• Hotel Booking Crew - 使用 DeepSeek-R1 进行多代理酒店预订
• 部署 Agentic RAG - 使用 LitServe 的私有 Agentic RAG API
• Zep记忆助手——拥有类人记忆的AI代理
• 具有 MCP 内存的代理- 具有 Graphiti 内存和 Opik 的代理
• ACP 代码- 代理通信协议演示
• Motia 内容创作- 社交媒体自动化工作流程

语音和音频

• 实时语音机器人- 由 AssemblyAI 开发的对话式旅行指南
• RAG语音代理- 基于Cartesia的实时RAG语音代理
• 与音频聊天- RAG 音频文件
• 音频分析工具包- 使用 AssemblyAI 进行音频分析
• 多语言会议记录- 具备语言检测功能的自动会议记录

高级 RAG

• 使用 Dockling 实现 RAG - 通过 IBM 的 Dockling 在 Excel 上实现 RAG
• 值得信赖的 RAG - 使用 TLM 对复杂文档进行 RAG 分析
• 使用 Milvus 和 Groq 实现最快的 RAG检索延迟 - 低于 15 毫秒
• 使用 Qwen3-Coder 进行代码聊天
• RAG SQL 路由器- 具有 RAG 和 SQL 路由功能的代理

多模态

• DeepSeek 多模态 RAG - 具有 DeepSeek-Janus-Pro 的多模态 RAG
• ColiVara Website RAG - 适用于网站的多模式 RAG
• 使用 AssemblyAI 实现多模态 RAG - 音频 + 矢量数据库 + CrewAI

MCP（模型上下文协议）

• Cursor Linkup MCP - 具有深度网络搜索功能的自定义 MCP
• EyeLevel MCP RAG - 复杂文档的 RAG 管理工具
• LlamaIndex MCP - 本地 MCP 客户端，支持 LlamaIndex
• MCP Agentic RAG - 基于 MCP 的光标 Agentic RAG
• MCP Agentic RAG Firecrawl - Agentic RAG with Firecrawl
• MCP 视频 RAG - 通过 MCP 使用 Ragie 的视频 RAG
• MCP语音代理- 基于Firecrawl和Supabase的语音代理
• SDV MCP - 合成数据仓库编排
• KitOps MCP - 使用 KitOps 进行机器学习模型管理
• Stagehand × MCP-Use - 使用 Stagehand MCP 进行 Web 自动化

模型比较与评估

• 评估和可观测性- 使用 CometML Opik 进行端到端 RAG 评估
• Llama 4 与 DeepSeek-R1 - 使用 RAG 比较模型
• Qwen3 与 DeepSeek-R1 - 与 Opik 的模型比较
• O3 与 Claude 代码对比 - Claude 3.7 和 O3 的比较
• Sonnet4 与 O4 - 代码生成对比
• Sonnet4 与 Qwen3-Coder - 编码器型号对比
• 代码模型比较- Frontier 模型代码比较
• GPT-OSS 与 Qwen3 的推理能力对比

---

🔴 高级项目

复杂系统、微调、生产部署和尖端实施。

微调与模型开发

• DeepSeek 微调- 使用 Unsloth 和 Ollama 微调 DeepSeek
• 构建推理模型- 构建类似 DeepSeek-R1 的推理模型
• 专注力就是一切——从零开始构建Transformer架构

高级代理系统

• NVIDIA演示- 使用CrewAI Flows和NVIDIA NIM编写文档
• 文档编写流程- Agentic 文档工作流程
• 多智能体深度研究员- 基于 MCP 的深度研究员
• 多平台深度研究员- 使用 BrightData 进行多平台研究
• Web 浏览代理- 使用 CrewAI 和 Stagehand 实现浏览器自动化
• 律师助理代理团队- 拥有 RAG 的智能律师助理
• FireCrawl Agent - 带有网络搜索回退功能的纠错 RAG
• 上下文工程工作流程- TensorLake 和 Zep 的研究助理
• Parlant 对话代理- 合规驱动型对话代理
• 股票投资组合分析代理- 基于 React 前端的投资组合分析
• 指南与传统提示——结构化指南对比

高级 MCP 和基础设施

• MindsDB MCP - 适用于所有数据源的统一 MCP
• DeepSeek 财务分析师- MCP 财务分析工作流程
• Graphiti MCP - 使用 Zep 的 Graphiti 实现持久内存
• Pixeltable MCP - 统一的多模态数据编排
• 终极人工智能助手- 多 MCP 服务器接口

生产系统

• GroundX 文档处理流程——世界一流的文档处理
• NotebookLM 克隆版- 功能齐全的 NotebookLM，包含 RAG 注释、引用和播客功能

学习资源

• AI 工程路线图- 从 Python 到生产环境 AI 的完整指南

如何系统的学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】