patchy631/ai-engineering-hub

项目介绍

AI Engineering Hub 是一个教程项目合集，围绕大模型应用开发提供可运行的示例：RAG 检索增强、智能体工作流、MCP 集成、语音与多模态应用、模型对比、微调以及偏生产化的系统。仓库按难度划分为 22 个入门、48 个进阶和 23 个高级项目，总计 90 多个 项目索引。

每个项目放在独立目录里，自带代码和说明；它不是一个可直接安装的库，而是一个按需浏览、逐个克隆的目录。入门项目聚焦单一组件，比如 OCR 工具和简单 RAG；进阶项目加入多智能体流程和更复杂的 RAG；高级项目覆盖微调、MCP 基础设施和生产系统。

适合想学习如何落地 LLM 应用的开发者、寻找 RAG 和智能体参考实现的从业者，以及想跟进当前模型组合的研究者。不同项目依赖的第三方服务或本地模型运行时不一样，上手成本差异较大。

快速使用

仓库没有统一的安装命令，README 的路径是选一个项目、按它自己的目录说明操作。一个可行的起点：

1. 如果刚接触这个领域，先读 AI Engineering Roadmap，它给出了从 Python 基础到生产级 AI 的学习路径。
2. 按目标挑一个入门项目。想从完全本地的 RAG 开始，可以打开 Simple RAG Workflow，它组合了 LlamaIndex 与 Ollama；运行前需要 Python 环境和已拉取模型的本地 Ollama 服务。
3. 再看进阶的 Agentic RAG，它在文档检索之外增加了网页回退。
4. 需要深入时，浏览高级部分的微调、MCP 服务端或生产流水线项目。

README 没有给出全仓库统一的前置条件、依赖版本或顶层环境文件，因此每个项目的配置和预期输出，以该项目自己的文档为准。

使用约束

• 各项目互相独立，没有单一安装包，目录之间的依赖各不相同。
• 不少示例需要本地模型服务（如 Ollama）或托管服务的 API Key，例如 Gemini、AssemblyAI、Firecrawl、BrightData，动手前先确认对应项目的要求。
• 对 GPU 和模型体积的要求因项目而异，视觉、微调和本地对话类示例尤其明显。
• 仓库采用 MIT 许可证 LICENSE，覆盖教程代码，但不一定覆盖它调用的第三方模型和服务。
• 订阅邮件列表是可选项，与使用代码无关 邮件列表。

HotRepo 点评

在 2026 年 11 月 1 日的 GitHub 全部语言日榜上，该项目最高排到第 15 名，当天新增 573 Star，累计约 3.97 万。这条单日记录说明一个教程合集能获得很强的关注；站内没有多日同口径序列，因此只能支持「当日关注度」这一事实，不足以判断趋势。榜单反映的更多是目录的广度——本地 OCR、RAG 技术栈、MCP 演示、模型对比等——读者几乎能为每种常见的 LLM 应用形态找到可运行参考，而不必绑定某个框架。