Skip to content

AI Engineering Hub: LLM/RAG/Agent实战教程集

tags: #LLM #RAG #AI-Agents #MCP #Machine-Learning #Tutorial source: patchy631/ai-engineering-hub ⭐34889 score: 技术深度7/10 | 实用价值9/10 | 时效性8/10 | 领域匹配9/10 | 综合 8.2/10

核心概念

AI Engineering Hub是一个面向实战的AI工程教程合集，以Jupyter Notebook形式提供LLM、RAG、AI Agent的端到端实现。涵盖从基础的RAG管道到高级的Multi-Agent系统、MCP集成、DeepSeek微调等前沿方向。⭐34.8k，教程以"能跑的代码"为核心，不是理论堆砌。

设计原理

教程设计理念

  • Notebook-First：每个教程都是可直接运行的Jupyter Notebook，降低学习门槛
  • Progressive Complexity：从基础到高级递进，不是碎片化的代码片段
  • Real-World Focus：教程基于真实场景（网站RAG、YouTube分析、DeepSeek微调等）

Trade-off：Notebook形式适合学习和原型验证，但不适合生产环境直接使用。教程深度有限，每个方向点到为止，需要进一步深入学习。

技术覆盖范围

方向 教程内容
RAG Colivara + DeepSeek网站RAG、FireCrawl网站转API
Agent Multi-Agent深度研究器（MCP集成）
微调 DeepSeek微调实战
OCR LLaMA + LaTeX OCR
推理 Build reasoning model
代码 acp-code（Agent Communication Protocol）

关键实现

代表性教程

  1. Multi-Agent深度研究器（MCP）：构建多Agent协作的深度研究系统，集成MCP协议，支持Windows/Linux
  2. DeepSeek微调：使用DeepSeek模型进行微调的完整pipeline
  3. 网站RAG：使用Colivara进行文档索引 + DeepSeek进行问答
  4. YouTube趋势分析：使用LLM分析YouTube视频数据

技术栈

  • 语言：Python（Jupyter Notebook）
  • LLM集成：OpenAI、DeepSeek、Llama
  • 框架：LangChain、LlamaIndex
  • 协议：MCP（Model Context Protocol）

项目结构

ai-engineering-hub/
├── Build-reasoning-model/        # 推理模型构建
├── Colivara-deepseek-website-RAG/ # 网站RAG
├── DeepSeek-finetuning/           # DeepSeek微调
├── LaTeX-OCR-with-Llama/          # LaTeX OCR
├── Multi-Agent-deep-researcher-mcp-windows-linux/ # 多Agent研究器
├── Website-to-API-with-FireCrawl/ # 网站转API
├── Youtube-trend-analysis/        # YouTube分析
└── acp-code/                      # Agent通信协议

关联分析

  • LlamaFactory — DeepSeek微调教程的底层框架，LlamaFactory提供更系统的微调能力
  • browser-use — 网站RAG和网站转API教程可能使用类似技术
  • Dify — Dify提供低代码的RAG/Agent编排，与教程的代码实现互补
  • RAGFlow — RAGFlow是生产级RAG引擎，教程的RAG部分是其简化版
  • Agent-Skills-Architecture — MCP教程与Agent Skills架构的对比

可执行建议

  1. 快速上手：如果你要快速验证某个AI工程方向（如MCP、RAG），这里是最好的起点——Notebook即克隆即跑
  2. MCP实战：Multi-Agent MCP教程是当前少有的MCP实战资料，建议优先学习
  3. 教学参考：如果你计划做AI Agent相关的技术分享或写作，这些Notebook是很好的素材来源
  4. 深度延伸：每个教程只是入门，建议结合源码和官方文档深入学习——比如MCP教程后去读MCP规范

自评

维度 分数 权重 加权
摘要质量 7 0.25 1.75
技术深度 7 0.25 1.75
相关性 9 0.20 1.80
原创性 7 0.15 1.05
格式规范 9 0.15 1.35
加权总分 7.70

评分说明：34.8k stars的教程项目，实用价值高但技术深度有限；教程覆盖面广但每个方向较浅；MCP实战教程是当前稀缺资源；领域匹配度极高，直接对应用户的学习方向。