AI 工程中心
面向 LLM、RAG 和 AI Agent 的深度教程与生产级项目合集，涵盖从初学者到高级的 93+ 实战项目。
- Star 数
- ★ 38k
- 最近更新
- 6 天前
- License
- MIT
- 主语言
- Jupyter Notebook
- FA 评分
- 22/100 · 缺口较多
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台
- 费用
- 软件免费，模型调用费用自付
- 上手难度
- 中 · 需要几步配置
- 开始前需要
- 典型场景
- 初学者想学习 LLM 和 RAG：可以从初级项目（如 Simple RAG Workflow、Llama OCR）入手，快速搭建第一个应用。
- 不适合
- 需要统一依赖管理和单一入口的团队
- 需要频繁跟进最新库版本兼容性的生产用户
这个 Agent 能做什么，适合哪些场景？
AI Engineering Hub 是一个大型开源教程仓库，收录 93 多个生产就绪的项目，覆盖 LLM、RAG、AI Agent、MCP 等主题。项目按难度分级（初级 22 个、中级 48 个、高级 23 个），每个项目提供分步教程和可运行代码。仓库包含从基础 OCR 应用、本地聊天界面到高级多智能体系统、微调流水线等丰富示例。所有项目均采用开放许可（MIT），适合不同技能水平的开发者用于学习和实验。仓库还提供学习路线图帮助初学者系统入门。
仓库提供 93+ 个独立项目，每个项目均有详细 README 和代码。项目涵盖多种操作：使用 Llama/Gemma/Qwen 等模型进行本地 OCR、构建本地 ChatGPT 界面（支持 DeepSeek、Llama 等）、实现不同技术栈的 RAG（LlamaIndex、Ollama、Qdrant、Milvus 等）、创建 AI Agent 工作流（CrewAI、AutoGen）、实现 MCP 集成（用于 RAG、视频、语音等）、微调模型（使用 Unsloth）、以及模型对比评估（如 Llama 4 vs DeepSeek-R1）。每个项目通常包含 Python 脚本、Streamlit 界面或 CLI 命令，使用户能够直接运行和修改。
- 初学者想学习 LLM 和 RAG：可以从初级项目（如 Simple RAG Workflow、Llama OCR）入手，快速搭建第一个应用。
- 开发者需要构建生产级 RAG 系统：中级项目（如 Agentic RAG、Fastest RAG with Milvus）提供可扩展的检索方案。
- 研究人员比较不同 LLM 性能：通过模型对比项目（如 Qwen3 vs DeepSeek-R1）进行系统评估。
- 工程师希望集成 MCP 生态：MCP 系列项目展示了与 Cursor、视频 RAG、语音 Agent 的集成。
- 团队需要微调专有模型：高级项目（如 DeepSeek Fine-tuning）指导使用 Unsloth 在本地微调。
- 企业想部署多智能体系统：高级项目（如 Multi-Agent Deep Researcher、Paralegal Agent Crew）提供了可参考的架构。
如何安装或部署这个 Agent？
每个子项目都是一个独立的项目，通常需要 Python 3.8+，并依赖外部服务（如 Ollama、API 密钥等）。安装步骤因项目而异：通常先克隆仓库，进入项目目录，然后根据项目 README 安装依赖（例如 pip install -r requirements.txt）。部分项目需要配合 Docker 或外部服务（如 Qdrant、Milvus、GroundX）。
如何使用这个 Agent？
进入具体项目目录，按照其 README 操作。典型流程包括：配置环境变量（如 API 密钥）、运行 Python 脚本或 Streamlit 应用（例如 streamlit run app.py）、或使用 CLI 命令。例如，在 llama-ocr 目录中，可能需要运行 streamlit run app.py 启动本地 OCR 界面；在 agentic_rag 中，可能需要配置 GroundX 凭证后运行 python main.py。
这个 Agent 有哪些优点和局限？
- 涵盖 93+ 个项目，从初级到高级，覆盖面广
- 每个项目提供详细教程和可运行代码，易于上手
- 涵盖最新技术，如 MCP、多模态 RAG、微调
- MIT 许可，可自由使用和修改
- 提供学习路线图，帮助系统学习
- 项目之间独立性，缺乏统一依赖管理，需逐个配置环境
- 部分项目依赖外部服务（如 API 密钥、Ollama），可能产生成本和配置开销
- 高级项目复杂度高，需要深厚背景知识
- 部分项目可能未及时更新，与最新库版本存在兼容性问题
- 无需统一 CLI 或框架，每个项目是独立入口
这个 Agent 与同类方案有什么区别？
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| AI 工程中心 当前 | 22 · 缺口较多 | 代码库 / SDK免费 + 模型费 | ★ 38k | 6 天前 | Jupyter Notebook | — |
| NVIDIA NeMo Agent Toolkit | 65 · 存在缺口 | 命令行工具免费 + 模型费 | ★ 2.7k | 今天 | Python | — |
| Docker Agent | 46 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 4.6k | 1 天前 | Go | OpenAI API · Claude API |
| OrchestKit AI 开发工具箱 | 86 · 表现良好 | Agent 插件 / 技能免费 + 模型费 | ★ 296 | 今天 | TypeScript | Claude Code |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据显示仓库未提供任何权限管理、用户确认、数据流透明性、敏感数据处理、依赖安全、外部影响、回滚或来源归属的机制。所有信任相关标准均缺失，得分为0。
自一致性：README声称93+项目，但目录仅列出约90个，存在轻微不一致，得1分。依赖可用性：未提供依赖清单或安装说明，无法评估，得0分。失败消息：notebook-lm-clone测试脚本包含错误日志和退出码，但其他项目未提供，得1分。
受众与场景：README明确区分初学者、中级、高级，并提供路线图，得2分。能力边界：未明确说明每个项目的限制或适用场景，得1分。触发精度：未定义任何触发机制，得0分。环境适配：未提供系统要求或环境配置说明，得1分。
信息架构：目录结构清晰，按难度分类，得2分。安装说明：未提供全局安装指南，各项目可能自带，但未在README中说明，得0分。命名稳定性：项目名称和链接一致，但未说明版本稳定性，得1分。示例与FAQ：提供大量项目示例，但无FAQ，得2分。已知限制：未提及任何限制，得0分。许可证：MIT许可证明确，得2分。版本与变更日志：无版本号或变更日志，得0分。维护责任：贡献指南存在，但未明确维护者，得1分。
输出可用性：项目提供代码和教程，但未说明输出格式或集成方式，得1分。边际价值：93+项目覆盖广泛，提供实用教程，得2分。成本效益：未提供性能或成本数据，得1分。
声明可追溯性：README中的声明未链接到具体证据，得1分。跨来源佐证：未提供外部验证，得0分。事实与推断分离：未区分事实和推断，得0分。
- 源码中未见：最小权限约束只授予完成任务所需的权限：用专用账号或只读令牌，并限定可访问的目录和仓库。
- 源码中未见：执行前用户确认开启或自行加上执行前确认；先在沙箱或测试环境跑通，确认行为后再接入真实数据。
- 源码中未见：数据流向说明运行时观察它连接了哪些外部服务（代理或防火墙日志）；弄清数据去向之前不要输入敏感数据。
- 源码中未见：敏感信息处理使用专用、低权限、可随时吊销的 API 密钥，不要复用生产凭据，也不要让密钥出现在日志里。
- 源码中未见：依赖安全审查安装前固定版本并做一次依赖扫描（如 npm audit、pip-audit）；优先放在容器里运行。
- 源码中未见：外部影响披露先弄清它会写入、发送或修改哪些外部系统，用测试账号或测试仓库验证后再接入正式环境。
- 源码中未见：回滚或恢复路径运行前先备份，或在 git 分支、快照上操作，确保改动可以撤销。
- 源码中未见：来源归属可核验从官方仓库或包源安装，核对发布者和仓库地址，避免同名仿冒包。
- 仓库未提供任何安全或权限管理机制，用户需自行评估风险。
- 依赖和安装说明缺失，可能导致部署困难。
- README中的项目数量与实际列表存在轻微不一致。