ai-engineering-hub：93 个生产级项目的 AI 工程自学路线

想系统学习 AI 工程，GitHub 上的 ai-engineering-hub（patchy631/ai-engineering-hub）提供了一条现成的路径：一份学习路线图加 93 个生产级项目教程，按入门、进阶、高级三档排好，覆盖 LLM、RAG、智能体、MCP 和模型微调。

这个仓库目前有 37.3k stars、6.2k forks，547 次提交，17 位贡献者，采用 MIT 协议。它创建于 2024 年 10 月，最近一次提交在 2026 年 8 月 26 日，仍在持续更新。教程以 Jupyter Notebook 为主（占比 88.4%），每个项目附可运行的 Python 代码。

一条从入门到生产的路线

仓库的用法很直接：先读 ai-engineering-roadmap（AI 工程路线图），再按难度挑项目实践。项目分三档：

入门（22 个）：聚焦单组件，适合从零开始，比如 OCR 应用、基础 RAG、聊天界面。
进阶（48 个）：多组件系统，包括智能体工作流、带记忆的助手、MCP 集成。
高级（23 个）：模型微调、生产部署、推理模型训练，适合有经验的工程师。

OCR 与视觉：四个本地模型上手项目

入门档的 OCR 教程覆盖四类主流开源视觉模型：LaTeX OCR with Llama（公式图片转代码）、Llama OCR（完全本地 OCR）、Gemma-3 OCR、Qwen 2.5 VL OCR。它们都强调本地运行、不依赖云 API，适合作为多模态应用的入门练习。

RAG：20 多个变体的选型库

仓库里 RAG 教程数量最多，基本覆盖了主流方案：

基础：Simple RAG Workflow（LlamaIndex + Ollama）、Document Chat RAG
检索增强：Agentic RAG、Corrective RAG（纠错式）、Trustworthy RAG
速度向：Milvus + Groq 教程主打 15 毫秒内检索延迟（仓库自述），另有 SambaNova 栈的 Fastest RAG Stack
场景向：GitHub RAG（本地聊仓库代码）、RAG with Docling（文档表格）、Chat with Audios（音频 RAG）

同一个问题有不同实现，正好用来对比各家技术栈的取舍。

智能体与 MCP：从演示到生产

智能体部分以 CrewAI 和 AutoGen 为主：AutoGen Stock Analyst（股票分析）、Hotel Booking Crew（多智能体酒店预订）、Book Writer Flow（自动写书）、Brand Monitoring（品牌监测）。记忆相关有 Zep Memory Assistant、Graphiti MCP。

MCP（Model Context Protocol）是仓库近期的重点，教程包括 MCP Agentic RAG、Pixeltable MCP、MindsDB MCP、SDV MCP、Stagehand × MCP-Use（Web 自动化）等，覆盖工具接入、数据编排、浏览器自动化多个方向。

微调与模型对比

高级档提供 DeepSeek 微调（Unsloth + Ollama）、GRPO 微调 Qwen3、从零构建推理模型（Build Reasoning Model）等教程。对比评测项目则给了可复跑的基准：Sonnet4 vs Qwen3-Coder、GPT-OSS vs Qwen3、Llama 4 vs DeepSeek-R1 等。