patchy631/ai-engineering-hub - 项目详情

项目介绍快速开始学习路径项目截图 2 贡献者 13 增长趋势代码统计生态关系项目时间线项目竞品依赖分析上榜历史

学习路径指南

难度等级

入门

预计时长

2-3天

适合人群

对AI应用开发感兴趣的零基础或初学者，具备基本Python知识但无AI项目经验者

学习目标：能够搭建并运行一个简单的本地AI应用（如OCR识别或聊天界面），理解AI工程的基本工作流程

前置知识

Python基础熟悉

项目基于Python和Jupyter Notebook，需要能理解基本语法、安装包、运行脚本

Git基础了解

需要克隆GitHub仓库，了解基本的版本控制操作

命令行/终端使用了解

需要在终端中运行命令来安装依赖、启动服务

AI/LLM基本概念了解 (可选)

知道什么是大语言模型（LLM）、RAG（检索增强生成）等术语有助于理解项目目标

学习步骤

环境准备与项目探索

1-2小时

克隆项目并浏览结构

1. 在本地创建合适的工作目录 2. 使用 `git clone https://github.com/patchy631/ai-engineering-hub.git` 克隆仓库 3. 打开项目文件夹，查看README和目录结构，了解项目分类（Beginner/Intermediate/Advanced）

建议先通读README的'Getting Started'和'Projects by Difficulty'部分，对整体有个印象

准备Python环境

1. 确保已安装Python（建议3.9+版本） 2. 创建并激活一个虚拟环境（如使用venv或conda） 3. 安装Jupyter Notebook：`pip install notebook`

使用虚拟环境可以避免包冲突。如果遇到权限问题，尝试在命令前加 `sudo`（Mac/Linux）或以管理员身份运行（Windows）

第一个项目：本地OCR应用

3-4小时

选择并进入入门项目

1. 在'Beginner Projects'的'OCR & Vision'分类下，选择'Llama OCR - 100% local OCR app with Llama 3.2 and Streamlit' 2. 导航到对应的项目文件夹（通常有明确的文件夹名或README指引）

'Llama OCR'是一个很好的起点，它集成了模型和Web界面，结果直观

安装项目特定依赖

1. 查看项目文件夹内的requirements.txt或README中的安装说明 2. 在终端中，进入该项目目录，运行 `pip install -r requirements.txt` 安装所有依赖

安装过程可能较慢，特别是下载模型时。确保网络稳定。如果某个包安装失败，可以尝试单独安装或搜索错误信息

下载并运行模型（Ollama）

1. 根据项目说明，安装并启动Ollama（一个本地运行模型的工具） 2. 在终端运行 `ollama pull llama3.2` 或项目指定的模型命令来下载模型

模型文件较大（几个GB），请预留足够磁盘空间和下载时间。Ollama官网有详细的安装指南

运行Streamlit应用

1. 在项目目录下，运行 `streamlit run app.py`（或项目指定的启动命令） 2. 浏览器会自动打开本地Web界面（通常是 http://localhost:8501） 3. 按照界面提示，上传一张包含文字的图片，测试OCR功能

首次运行Streamlit可能会在浏览器中询问邮箱，可以跳过。确保终端窗口保持打开，这是应用的后台

第二个项目：简易RAG系统

3-5小时

选择RAG入门项目

完成OCR项目后，选择'Beginner Projects'下的'Simple RAG Workflow - Basic RAG with LlamaIndex and Ollama'项目

RAG是当前AI应用的核心模式之一，这个项目帮你理解文档加载、分割、检索和生成的基本流程

理解代码结构与流程

1. 打开项目的Jupyter Notebook文件（.ipynb） 2. 从头到尾阅读一遍代码单元格和注释，不要急于运行 3. 理解关键步骤：加载文档 -> 分割文本 -> 创建向量索引 -> 提问并检索相关上下文 -> 生成答案

使用Jupyter Notebook的优势是可以分步执行和查看中间结果。先通读，理清逻辑

分步运行Notebook

1. 在项目目录下启动Jupyter Notebook：`jupyter notebook` 2. 在打开的网页中点击对应的.ipynb文件 3. 按顺序逐个运行代码单元格（Shift+Enter），观察每一步的输出

如果某个单元格运行失败，仔细查看错误信息。常见问题是缺少包或模型未下载。可以回到上一步检查Ollama模型

修改与实验

1. 尝试更换不同的本地文档（如.txt, .pdf）进行测试 2. 修改提问的问题，观察检索到的上下文和最终答案的变化 3. 如果项目允许，尝试调整文本分割的长度等参数

学习的关键在于动手修改和观察变化。即使出错，解决错误的过程也是宝贵的学习经验

巩固与扩展

2-3小时

探索其他入门级项目

在'Beginner Projects'中再选择1-2个感兴趣的项目尝试，例如： - 'Local ChatGPT with DeepSeek'（构建聊天界面） - 'Document Chat RAG'（与文档对话） - 'Image Generation with Janus-Pro'（图像生成）

选择不同类型的项目可以拓宽视野。注意每个项目可能需要不同的模型（通过Ollama pull下载）

总结学习笔记

记录下： 1. 成功运行了哪些项目 2. 遇到了哪些问题及如何解决 3. 对AI工程流程（数据准备、模型调用、应用集成）的新理解

好记性不如烂笔头。整理笔记有助于巩固知识，并为后续学习提供参考

常见错误与避坑指南

未使用虚拟环境，导致包版本冲突

始终为每个项目或在项目根目录创建独立的虚拟环境（python -m venv venv），并在其中安装依赖

未正确下载或启动Ollama模型

1. 确保Ollama服务在运行（终端输入ollama list检查）。2. 运行项目前，用`ollama pull <模型名>`提前下载好指定模型。3. 注意模型名称是否与代码中调用的一致

直接运行复杂项目，遇到大量错误感到挫败

严格遵守从Beginner项目开始的路径。不要跳过基础，先确保1-2个最简单的项目能跑通，建立信心

网络问题导致模型或包下载失败

1. 为pip和ollama配置国内镜像源。2. 对于大型模型，耐心等待或寻找离线资源。3. 检查防火墙或代理设置

在Jupyter Notebook中一次性运行所有单元格

务必按顺序逐个单元格运行，并观察每个单元格的输出。这样能快速定位错误发生的具体步骤

下一步探索

完成5个以上Beginner项目并理解其原理后，可以： 1. 进入'Intermediate Projects'，尝试涉及多智能体（CrewAI）和复杂工作流的项目。 2. 学习将项目部署为可分享的Web应用（如使用Streamlit Cloud）。 3. 阅读项目源码，尝试修改功能或集成自己的数据源。 4. 按照仓库中的'AI Engineering Roadmap'系统化地补充机器学习、深度学习理论知识。