patchy631/ai-engineering-hub · 上手攻略
- 仓库：patchy631/ai-engineering-hub
- 链接：https://github.com/patchy631/ai-engineering-hub
- 分类：ai（教程/项目集）
- 作者：Tom
- 更新：2026-07-11
这是什么
AI Engineering Hub 是一个收录了 93+ 个生产就绪 AI 项目的开源教程库，涵盖 LLM、RAG、AI Agent 的完整实战项目，每个项目都附带可运行的代码和详细说明。
它不是一个大模型或框架本身，而是一个学习路径 + 项目索引：从最基础的 OCR 识别、聊天机器人，到高级的 Agent 编排、模型微调、生产部署，全部都有按难度分类的实战项目。
目标用户覆盖三个层次： - 初学者：有 Python 基础，想入门 AI 工程实践 - 实践者：已有基础概念，需要真实场景项目参考 - 研究者：想快速复现某个 SOTA 项目或对比不同方案
解决什么问题
学习 AI 工程最大的障碍不是缺乏资料，而是缺乏结构化、可运行的真实项目。网上的教程要么过于理论，要么过于简化，生产环境的坑（向量数据库选型、Agent 记忆管理、评估指标设计）很少被覆盖。
AI Engineering Hub 的价值在于：每个项目都是完整的可运行代码 + 文档，覆盖从数据准备到部署的完整流程，你不需要从零搭建，可以直接参考、改编、规模化。
快速上手
1. 找准自己的位置
项目按难度分三级：
Beginner（22 个）：单组件实现，适合入门 - LaTeX OCR with Llama（图像公式→LaTeX 代码） - Llama OCR（本地 OCR + Streamlit） - Local ChatGPT with DeepSeek（Chainlit + DeepSeek-R1） - Simple RAG Workflow（LlamaIndex + Ollama 基础 RAG） - Document Chat RAG（基于 Llama 3.3 的文档聊天）
Intermediate（48 个）：多组件组合、Agent 工作流 - Agentic RAG（RAG + 搜索 + Web 降级） - Hotel Booking Crew（多 Agent 协作订房，DeepSeek-R1） - MCP Agentic RAG（MCP 协议接入 Cursor） - Real-time Voice Bot（旅行语音向导 + AssemblyAI） - Chat with Code（Qwen3-Coder 聊天） - RAG SQL Router（Agent 动态路由 RAG + SQL）
Advanced（23 个）：微调、复杂编排、生产系统 - DeepSeek Fine-tuning（Unsloth + Ollama 微调） - Build Reasoning Model（复现 DeepSeek-R1 类推理模型） - Multi-Agent Deep Researcher（MCP 驱动的深度研究） - NotebookLM Clone（完整复刻 NotebookLM：RAG + 引用 + 播客生成） - Context Engineering Workflow（TensorLake + Zep 上下文工程）
2. 克隆项目
git clone https://github.com/patchy631/ai-engineering-hub.git
cd ai-engineering-hub
每个子项目是独立的子目录，包含自己的 README 和代码。
3. 按需选择项目
进入具体项目目录，例如：
cd simple-rag-workflow
参考子项目 README 中的环境要求和运行步骤。通常流程是：
# 创建虚拟环境（示例）
python -m venv venv
source venv/bin/activate # Windows: venv\Scripts\activate
# 安装依赖（具体命令见各子项目 README）
pip install -r requirements.txt
# 运行
streamlit run app.py # 或 python app.py 等
重点子项目推荐
最适合入门的项目
Llama OCR（Beginner） - 100% 本地运行，无需 API Key - Llama 3.2 vision 识别图片文字 + Streamlit 界面 - 依赖：Ollama（本地运行 LLM）
Simple RAG Workflow（Beginner） - LlamaIndex + Ollama 最简 RAG 实现 - 了解向量检索全流程的最佳起点
最具代表性的 Intermediate 项目
Agentic RAG - 核心：RAG 检索不到答案时降级到 Web 搜索 - 技术栈：LlamaIndex + search tool - 参考价值：生产 RAG 的 fallback 机制设计
MCP Agentic RAG Firecrawl - MCP 协议 + Firecrawl 网页抓取 + Agentic RAG - 适合想了解 MCP 协议如何融入 RAG 的开发者
最具挑战的 Advanced 项目
NotebookLM Clone - 完整复刻 Google NotebookLM：文档 RAG + 实时引用 + AI 播客生成 - 涵盖：多文档处理、引用追踪、TTS 集成
Build Reasoning Model - 从零构建类似 DeepSeek-R1 的推理模型训练流程 - 使用 Unsloth 高效微调
按技术栈索引项目
| 技术领域 | 代表项目 |
|---|---|
| RAG | Simple RAG Workflow, Agentic RAG, Trustworthy RAG, Fastest RAG (Milvus+Groq) |
| Agent | Hotel Booking Crew, Book Writer Flow, Paralegal Agent Crew |
| MCP | MCP Agentic RAG, MCP Video RAG, Stagehand×MCP-Use, LlamaIndex MCP |
| OCR | LaTeX OCR with Llama, Llama OCR, Qwen 2.5 VL OCR |
| 多模态 | DeepSeek Multimodal RAG, ColiVara Website RAG, Image Generation with Janus-Pro |
| Voice | Real-time Voice Bot, RAG Voice Agent, Chat with Audios |
| 微调 | DeepSeek Fine-tuning, Build Reasoning Model |
| 评估 | Llama 4 vs DeepSeek-R1, Sonnet4 vs O4, Evaluation and Observability |
| 部署 | Deploy Agentic RAG (LitServe), Fastest RAG (SambaNova) |
坑与注意
- 非代码库而是索引库：AI Engineering Hub 本身不提供核心代码，每个子项目是独立 Git 子目录。初次使用需要习惯"进入具体项目目录 → 阅读该目录 README"的工作流。
- 环境一致性：每个子项目的依赖需要单独安装，部分项目依赖较新版本的库（如某些需要 Python 3.11+），建议用
uv或conda做环境隔离，避免污染全局 Python 环境。 - API Key 需求差异大：Beginner 项目多数可以纯本地运行（Ollama），但 Intermediate/Advanced 项目很多依赖外部付费 API（OpenAI、Anthropic、Gemini、Cohere、BrightData 等），需要自备 Key。
- 部分项目依赖特殊硬件：微调类、推理加速类项目需要 GPU（CUDA），纯 CPU 运行会非常慢。
- 项目更新频率：README 最后更新为 2026-06-08，部分项目的依赖版本（如 LlamaIndex API 变化）可能与当前最新版本不兼容，需要做版本适配。
- 内容深度不一：Beginner 项目相对完整，但 Advanced 项目（如 NotebookLM Clone）描述较概略，真正落地可能需要较多补充工作。
与同类对比
| 资源 | 类型 | 项目数量 | 难度覆盖 | 特色 |
|---|---|---|---|---|
| AI Engineering Hub | 实战项目集 | 93+ | 初/中/高 | Agentic RAG、MCP 相关项目最新 |
| Lablab.ai | AI 应用教程 | 数百 | 初/中 | 偏向商业应用场景 |
| Pinecone Examples | RAG 专项 | 中等 | 中/高 | RAG 专项最权威 |
| Hugging Face Examples | 模型专项 | 大量 | 初/中/高 | 模型微调最权威 |
核心差异：AI Engineering Hub 最大的优势是覆盖面广 + Agentic Workflow + MCP 协议相关项目，这些在 2025-2026 年的 AI 工程前沿非常热门，而传统教程平台（Hugging Face、Pinecone）更多聚焦单点技术而非完整 Agent 工作流。
一句话推荐结论
AI Engineering Hub 是 2026 年学习 AI 工程最值得收藏的项目索引之一——93+ 个从 OCR 到微调的真实项目，特别是 Agentic RAG 和 MCP 协议相关的内容在同类资源中非常稀缺，非常适合想从"会用 API"进阶到"能独立构建生产级 AI 系统"的开发者，但使用前需注意每个项目独立的环境要求和 API Key 依赖。