AI Fundamentals 全栈学习库
从 GPU 硬件到 AI Agent 的完整 AI 基础设施与开发学习资源
- Star 数
- ★ 3.1k
- 最近更新
- 今天
- License
- Apache-2.0
- 主语言
- HTML
- FA 评分
- 27/100 · 缺口较多
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台
- 费用
- 免费，无需付费服务
- 上手难度
- 高 · 需要较重的基础设施
- 开始前需要
- 典型场景
- AI 工程师需要深入理解 GPU 架构和 CUDA 编程时
- 不适合
- 需要英文文档的读者，内容以中文为主
- 没有 GPU 或 Kubernetes 集群的个人开发者
- 希望按固定节奏获取更新内容的团队
这个 Agent 能做什么，适合哪些场景？
AI Fundamentals 是一个全面的 AI 基础设施学习资源库，覆盖 GPU 架构、CUDA 编程、大语言模型、AI 系统设计、性能优化及企业级部署。内容以中文为主，包含大量深入的技术解析、实战指南和代码示例。适用于 AI 工程师、研究人员和技术爱好者，提供系统化的学习路径。库内包含多个系列，如硬件架构、云原生 AI 平台、大模型训练与推理、AI Agent 开发等，并附带 Star History 图表。
该仓库提供系统化的技术文档和教程，涵盖从底层硬件到应用开发的完整 AI 技术栈。包含 GPU 架构解析（如 NVIDIA GB300）、CUDA 编程指南、Kubernetes 上的 GPU 资源管理（如 HAMi）、大模型训练与微调实战（如 Qwen2 SFT）、推理系统架构（如 vLLM、Mooncake）、RAG 与知识图谱应用，以及 AI Agent 的设计与开发（如 LangGraph、MCP）。同时提供多个配套代码库和在线课程，如 nano-vllm 和 AI 编程入门。
- AI 工程师需要深入理解 GPU 架构和 CUDA 编程时
- 系统架构师在设计云原生 AI 平台，需要了解 Kubernetes GPU 调度与资源管理时
- 开发者进行大模型训练，需要 SFT 微调和训练优化实践时
- 推理部署工程师优化 LLM 推理性能，研究 vLLM 和 KV Cache 时
- AI 应用开发者学习 RAG、知识图谱和 Agent 开发框架时
如何安装或部署这个 Agent？
该仓库是学习资源集合，无需安装即可在线阅读。要获取仓库内容，可执行：git clone https://github.com/ForceInjection/AI-fundamentals.git。部分配套代码（如 nano-vllm）需单独克隆：git clone https://github.com/ForceInjection/nano-vllm.git。需具备基本命令行操作能力，并可能需要阅读在线文档。
如何使用这个 Agent？
克隆仓库后，可浏览各章节 README 获取导航，例如从 01_hardware_architecture 开始学习硬件基础，或跳转至 09_inference_system 研究推理优化。对于实战部分，进入相应目录并遵循文档指引，如 02_gpu_programming 中的 CUDA 示例、05_model_training_and_fine_tuning 中的微调 Notebook。需配置开发环境，如 NVIDIA GPU 驱动、CUDA 工具包、Python 虚拟环境等。
这个 Agent 有哪些优点和局限？
- 覆盖 AI 全栈，从硬件到应用，知识体系完整
- 深入技术细节，包含源码分析和实战代码
- 提供大量外部优质资源链接，如课程和论文
- 包含前沿技术解析（如 DeepSeek、Mooncake）
- 内容以中文为主，可能对非中文读者不友好
- 部分内容为个人笔记，质量参差不齐
- 更新频率不固定，部分内容可能过时
- 依赖外部服务（如 GitHub、B站）获取完整链接
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 Fundamentals 全栈学习库 当前 | 27 · 缺口较多 | 代码库 / SDK免费 | ★ 3.1k | 今天 | HTML | — |
| CUGA | 51 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 1k | 1 天前 | Python | OpenAI API |
| NVIDIA Agent Skills | 49 · 缺口较多 | 命令行工具免费 | ★ 3.6k | 1 天前 | Python | Codex · Claude Code |
| mirrord：将本地进程接入Kubernetes集群 | 55 · 缺口较多 | 命令行工具免费 | ★ 5.4k | 今天 | Rust | Codex · Claude Code |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据显示这是一个学习资源仓库，没有可执行代码或运行时行为，因此所有信任相关标准（最小权限、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、来源归属）均无证据，得分为0。来源归属方面，仓库所有者ForceInjection在README中自我标识，但未经验证，且没有明确的贡献者或维护者信息，因此不能给予分数。
自一致性：仓库结构清晰，README中的目录与文件链接基本一致，但存在一些链接可能指向不存在的文件（如某些路径未在提供的文件中验证），因此得分为1。依赖可用性：仓库主要依赖外部资源（如GitHub链接、在线课程），这些依赖的可用性未经验证，且没有提供依赖清单或版本锁定，因此得分为1。失败消息：测试脚本提供了基本的错误输出和退出码，但整体上缺乏对失败场景的详细说明，因此得分为1。
受众与场景：README明确列出了适用人群和技术栈，覆盖了多个场景，因此得分为2。能力边界：仓库没有明确说明其能力边界，即哪些内容不包括或哪些场景不适用，因此得分为1。触发精度：仓库是静态资源，没有触发机制，因此得分为0。环境适配：提供了部分环境配置指南（如NVIDIA容器、NPU环境），但未全面覆盖所有可能的环境，因此得分为1。
信息架构：目录结构清晰，按主题分类，提供了导航README，因此得分为2。安装说明：没有明确的安装步骤，但提供了环境配置指南，因此得分为1。命名稳定性：文件命名基本一致，但存在一些不一致（如中英文混合），因此得分为1。示例与FAQ：提供了大量示例和实战案例，但没有FAQ部分，因此得分为2。已知限制：没有明确列出已知限制，因此得分为0。许可证：提供了Apache-2.0许可证，因此得分为2。版本与变更日志：没有版本号或变更日志，因此得分为0。维护责任：没有明确说明维护者或贡献指南，但仓库有活跃的Star历史，因此得分为1。
输出可用性：仓库提供了大量学习资源，但输出形式主要是文档和链接，没有直接可用的工具或产品，因此得分为1。边际价值：内容覆盖面广，提供了系统性的学习路径，具有较高的边际价值，因此得分为2。成本效益：作为免费开源资源，成本低，但需要用户自行筛选和验证内容，因此得分为1。
声明可追溯性：README中的声明大多有链接或引用，但部分链接可能失效或未验证，因此得分为1。跨来源佐证：部分内容引用了外部权威资源（如NVIDIA官方示例），但整体上缺乏独立验证，因此得分为1。事实与推断分离：文档中混合了事实描述和个人见解，没有明确区分，因此得分为1。
- 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。
- 仓库是学习资源集合，不包含可执行Agent产品，评估基于静态文档，实际运行效果未验证。
- 部分外部链接可能失效，依赖的在线资源可用性未经验证。
- 未提供版本控制或变更日志，内容更新和稳定性无法追踪。
- 未明确列出已知限制，用户可能对内容边界产生误解。
最近版本
来自该项目 GitHub Releases 的最新发布记录，说明为上游原文摘录，未经本站改写或测试。
-
发布说明摘录
v3.0 是大重构前的存档。八个月后的 v4.0，重构已经落地：全部内容重组为编号目录体系，每个目录有 README 门户，全仓 517 篇文章。本次净增 390 篇,610 个提交。 推理系统（+115）：SGLang 源码系列（dp-attention 与 DCP、KV Pool 三层结构、HiCache/HiSparse、Overlap Scheduling、0.5.16 版本解读）；vLLM 演进史（PagedAttention 退役、gpu-memory-utilization 谢幕、MLA 的 TP 冗余分析）；PD 分离 KV 传输三部曲；HBM KV Pool 与系统并发上限；DeepSeek 注意力演进（MLA → CSA + HCA）；B300 部署最佳实践 智能体系统（+44）：Agent Infra 系列（OpenHarness、Agent Sandbox、Kagent、OpenClaw、Claude Code Sandbox、Elasticsearch 虚拟文件系统）；记忆系统理论与案例；上下文工程；FDE（前置部署工程师）专题两篇 硬件与编程（+106）：HBF vs HBM 的 token 成本账；NPU 编程系列（昇腾全栈 38 篇）；CUDA/TileLang 与性能调优 …在 GitHub 查看 ↗ -
发布说明摘录
What's Changed * 增加 大模型技术30讲 参考书的链接 by @ningg in https://github.com/ForceInjection/AI-fundermentals/pull/3 New Contributors * @ningg made their first contribution in https://github.com/ForceInjection/AI-fundermentals/pull/3 Full Changelog: https://github.com/ForceInjection/AI-fundermentals/commits/v2.0在 GitHub 查看 ↗