[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-chiphuyen--dmls-book":3,"tool-chiphuyen--dmls-book":61},[4,18,26,36,44,52],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",141543,2,"2026-04-06T11:32:54",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":10,"last_commit_at":58,"category_tags":59,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,60],"视频",{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":76,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":76,"stars":81,"forks":82,"last_commit_at":83,"license":76,"difficulty_score":84,"env_os":85,"env_gpu":86,"env_ram":86,"env_deps":87,"category_tags":90,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":91,"updated_at":92,"faqs":93,"releases":104},4433,"chiphuyen\u002Fdmls-book","dmls-book","Summaries and resources for Designing Machine Learning Systems book (Chip Huyen, O'Reilly 2022)","dmls-book 是 Chip Huyen 所著《设计机器学习系统》一书的官方配套资源库，旨在为构建可靠、可扩展且易于维护的机器学习系统提供全方位指南。面对机器学习系统组件复杂、利益相关者众多以及数据场景千差万别的挑战，本项目并未堆砌代码片段，而是聚焦于系统设计的核心决策逻辑。它提供了详细的章节摘要、MLOps 工具全景图、精选学习资源以及基础概念回顾，帮助读者从整体视角掌握如何打造适应动态业务环境的生产级系统。\n\n这一资源库特别适合希望将机器学习技术落地解决现实问题的工程师、数据科学家、数据工程师及技术管理者。无论是身处大型企业的资深专家，还是快速成长型初创团队的技术骨干，都能从中获得关于大规模系统架构的深刻洞察。其独特亮点在于跳出了传统教程对算法细节的单一关注，转而强调工程化思维与系统全生命周期的设计方法论，填补了从理论模型到稳定生产服务之间的认知鸿沟，是构建现代化机器学习基础设施的实用参考手册。","# Designing Machine Learning Systems (Chip Huyen 2022)\n\n\u003C!-- toc -->\n\n\u003C!-- tocstop -->\n\nMachine learning systems are both complex and unique. Complex because they consist of many different components and involve many different stakeholders. Unique because they're data dependent, with data varying wildly from one use case to the next. In this book, you'll learn a holistic approach to designing ML systems that are reliable, scalable, maintainable, and adaptive to changing environments and business requirements.\n\n[\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchiphuyen_dmls-book_readme_8cca11d7a8e5.png\" width=\"250\">](https:\u002F\u002Fwww.amazon.com\u002FDesigning-Machine-Learning-Systems-Production-Ready\u002Fdp\u002F1098107969)\n\nThe book has been translated into 10+ languages including: [Japanese](https:\u002F\u002Fwww.oreilly.co.jp\u002Fbooks\u002F9784814400409\u002F), [Korean](https:\u002F\u002Fwww.hanbit.co.kr\u002Fmedia\u002Fbooks\u002Fbook_view.html?p_code=B1811121220), [Vietnamese](https:\u002F\u002Fwww.facebook.com\u002Fnhanampublishing\u002Fposts\u002Fpfbid0j4qygGh4nTLbDKDfyyPbkVXtWQa32DijbPfBt2tXmhrUGAZ8wJUoEcGkoe8pt5gcl), [traditional Chinese](https:\u002F\u002Fwww.gotop.com.tw\u002Fbooks\u002FBookDetails.aspx?Types=v&bn=A738), [simplified Chinese - mainland China](https:\u002F\u002Foreillymedia.com.cn\u002Findex.php?func=book&isbn=978-7-5198-8628-8), [simplified Chinese - Taiwan](https:\u002F\u002Ffe.suning.com\u002Fbigimages\u002F12429674436.html), [Portuguese](https:\u002F\u002Fwww.amazon.com\u002FPROJETANDO-SISTEMAS-MACHINE-LEARNING-Ravaglia\u002Fdp\u002F8550819670), [Spanish](https:\u002F\u002Fwww.amazon.com\u002FDise%C3%B1o-sistemas-Machine-Learning-aplicaciones\u002Fdp\u002F8426736955\u002F), [Russian](https:\u002F\u002Fwww.chitai-gorod.ru\u002Fproduct\u002Fproektirovanie-sistem-mashinnogo-obucheniya-2990668?srsltid=AfmBOoqOV5AmFVNedKvq0DHvEnQEgNYqiubU-57CxODNy3sxnn5WnfGz), [Polish](https:\u002F\u002Fhelion.pl\u002Fksiazki\u002Fjak-projektowac-systemy-uczenia-maszynowego-iteracyjne-tworzenie-aplikacji-gotowych-do-pracy-chip-huyen,jakpsu.htm#format\u002Fd), [Serbian](https:\u002F\u002Fwww.mikroknjiga.rs\u002Fmasinsko-ucenje-projektovanje-sistema\u002F46926), [Turkish](https:\u002F\u002Fwww.kitapyurdu.com\u002Fkitap\u002Fmakine-ogrenmesi-sistemleri-tasarlamak\u002F680393.html?srsltid=AfmBOoqxuD51dOaVe8a42WH6RU_Fyh9nuN2DWNMIuqVlEjwYBHsRoPEU), [Greek](https:\u002F\u002Fwww.public.gr\u002Fproduct\u002Fbooks\u002Fgreek-books\u002Fcomputer-science\u002Fprogram-instruction-manuals\u002Fsxediasi-sustimaton-mixanikis-mathisis\u002F2004325), and [Thai](https:\u002F\u002Fwww.lazada.co.th\u002Fproducts\u002Fdesigning-machine-learning-systems-i4258019199-s16857887502.html).\n\nThe book is available on:\n- [Amazon](https:\u002F\u002Fwww.amazon.com\u002FDesigning-Machine-Learning-Systems-Production-Ready\u002Fdp\u002F1098107969)\n- [O'Reilly](https:\u002F\u002Fwww.oreilly.com\u002Flibrary\u002Fview\u002Fdesigning-machine-learning\u002F9781098107956\u002F)\n- [Kindle](https:\u002F\u002Fwww.amazon.com\u002FDesigning-Machine-Learning-Systems-Huyen-ebook-dp-B0B1LGL2SR\u002Fdp\u002FB0B1LGL2SR\u002Fr)\n- [Amazon India](http:\u002F\u002Famazon.in\u002FDesigning-Machine-Learning-Systems-Production-Ready\u002Fdp\u002F9355422679)\n\nand most places where technical books are sold.\n\n## Repo structure\nThis book focuses on the key design decisions when developing and deploying machine learning systems. This is NOT a tutorial book, so it doesn't have a lot of code snippets. In this repo, you won't find code examples, but you'll find:\n- [Table of contents](ToC.pdf)\n- [Chapter summaries](summary.md)\n- [MLOps tools](mlops-tools.md)\n- [Resources](resources.md)\n- [A very short review of basic ML concepts](basic-ml-review.md)\n\n## Contributions\nYou're welcome to create issues or submit pull requests. Your feedback is much appreciated!\n\n## Who This Book Is For\n\nThis book is for anyone who wants to leverage ML to solve real-world problems. ML in this book refers to both deep learning and classical algorithms, with a leaning toward ML systems at scale, such as those seen at medium to large enterprises and fast-growing startups. Systems at a smaller scale tend to be less complex and might benefit less from the comprehensive approach laid out in this book.\n\nBecause my background is engineering, the language of this book is geared toward engineers, including ML engineers, data scientists, data engineers, ML platform engineers, and engineering managers.\n\nYou might be able to relate to one of the following scenarios:\n\n1. You have been given a business problem and a lot of raw data. You want to engineer this data and choose the right metrics to solve this problem.\n2. Your initial models perform well in offline experiments and you want to deploy them.\n3. You have little feedback on how your models are performing after your models are deployed, and you want to figure out a way to quickly detect, debug, and address any issue your models might run into in production.\n4. The process of developing, evaluating, deploying, and updating models for your team has been mostly manual, slow, and error-prone. You want to automate and improve this process.\n5. Each ML use case in your organization has been deployed using its own workflow, and you want to lay down the foundation (e.g., model store, feature store, monitoring tools) that can be shared and reused across use cases.\n6. You’re worried that there might be biases in your ML systems and you want to make your systems responsible!\n \nYou can also benefit from the book if you belong to one of the following groups:\n\n- Tool developers who want to identify underserved areas in ML production and figure out how to position your tools in the ecosystem.\n- Individuals looking for ML-related roles in the industry.\n- Technical and business leaders who are considering adopting ML solutions to improve your products and\u002For business processes. Readers without strong technical backgrounds might benefit the most from Chapters 1, 2, and 11.\n\n## Review\n- _\"This is, simply, the very best book you can read about how to build, deploy, and scale machine learning models at a company for maximum impact. Chip is a masterful teacher, and the breadth and depth of her knowledge is unparalleled.\"_ - Josh Wills, Software Engineer at WeaveGrid and former Director of Data Engineering, Slack\n\n- _\"There is so much information one needs to know to be an effective machine learning engineer. It's hard to cut through the chaff to get the most relevant information, but Chip has done that admirably with this book. If you are serious about ML in production, and care about how to design and implement ML systems end to end, this book is essential.\"_ - Laurence Moroney, AI and ML Lead, Google\n\n- _\"One of the best resources that focuses on the first principles behind designing ML systems for production. A must-read to navigate the ephemeral landscape of tooling and platform options.\"_ - Goku Mohandas, Founder of [Made With ML](https:\u002F\u002Fgithub.com\u002FGokuMohandas\u002FMadeWithML)\n\nSee what people are talking about the book on Twitter [@designmlsys](https:\u002F\u002Ftwitter.com\u002Fdesignmlsys\u002Flikes)!\n\n---\n\n\u003Cbr>\n\u003Cbr>\n\nChip Huyen, *Designing Machine Learning Systems*. O'Reilly Media, 2022.\n\n    @book{dmlsbook2022,  \n        address = {USA},  \n        author = {Chip Huyen},  \n        isbn = {978-1801819312},   \n        publisher = {O'Reilly Media},  \n        title = {{Designing Machine Learning Systems}},  \n        year = {2022}  \n    }\n","# 设计机器学习系统（奇普·休恩 2022）\n\n\u003C!-- 目录 -->\n\n\u003C!-- 目录结束 -->\n\n机器学习系统既复杂又独特。说它复杂，是因为它们由许多不同的组件构成，并涉及众多利益相关方；说它独特，是因为其高度依赖数据，而不同应用场景下的数据差异极大。在本书中，你将学习一种整体性的方法来设计可靠、可扩展、易于维护且能适应不断变化的环境和业务需求的机器学习系统。\n\n[\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchiphuyen_dmls-book_readme_8cca11d7a8e5.png\" width=\"250\">](https:\u002F\u002Fwww.amazon.com\u002FDesigning-Machine-Learning-Systems-Production-Ready\u002Fdp\u002F1098107969)\n\n该书已被翻译成10多种语言，包括：[日语](https:\u002F\u002Fwww.oreilly.co.jp\u002Fbooks\u002F9784814400409\u002F)、[韩语](https:\u002F\u002Fwww.hanbit.co.kr\u002Fmedia\u002Fbooks\u002Fbook_view.html?p_code=B1811121220)、[越南语](https:\u002F\u002Fwww.facebook.com\u002Fnhanampublishing\u002Fposts\u002Fpfbid0j4qygGh4nTLbDKDfyyPbkVXtWQa32DijbPfBt2tXmhrUGAZ8wJUoEcGkoe8pt5gcl)、[繁体中文](https:\u002F\u002Fwww.gotop.com.tw\u002Fbooks\u002FBookDetails.aspx?Types=v&bn=A738)、[简体中文—中国大陆](https:\u002F\u002Foreillymedia.com.cn\u002Findex.php?func=book&isbn=978-7-5198-8628-8)、[简体中文—台湾](https:\u002F\u002Ffe.suning.com\u002Fbigimages\u002F12429674436.html)、[葡萄牙语](https:\u002F\u002Fwww.amazon.com\u002FPROJETANDO-SISTEMAS-MACHINE-LEARNING-Ravaglia\u002Fdp\u002F8550819670)、[西班牙语](https:\u002F\u002Fwww.amazon.com\u002FDise%C3%B1o-sistemas-Machine-Learning-aplicaciones\u002Fdp\u002F8426736955\u002F)、[俄语](https:\u002F\u002Fwww.chitai-gorod.ru\u002Fproduct\u002Fproektirovanie-sistem-mashinnogo-obucheniya-2990668?srsltid=AfmBOoqOV5AmFVNedKvq0DHvEnQEgNYqiubU-57CxODNy3sxnn5WnfGz)、[波兰语](https:\u002F\u002Fhelion.pl\u002Fksiazki\u002Fjak-projektowac-systemy-uczenia-maszynowego-iteracyjne-tworzenie-aplikacji-gotowych-do-pracy-chip-huyen,jakpsu.htm#format\u002Fd)、[塞尔维亚语](https:\u002F\u002Fwww.mikroknjiga.rs\u002Fmasinsko-ucenje-projektovanje-sistema\u002F46926)、[土耳其语](https:\u002F\u002Fwww.kitapyurdu.com\u002Fkitap\u002Fmakine-ogrenmesi-sistemleri-tasarlamak\u002F680393.html?srsltid=AfmBOoqxuD51dOaVe8a42WH6RU_Fyh9nuN2DWNMIuqVlEjwYBHsRoPEU)、[希腊语](https:\u002F\u002Fwww.public.gr\u002Fproduct\u002Fbooks\u002Fgreek-books\u002Fcomputer-science\u002Fprogram-instruction-manuals\u002Fsxediasi-sustimaton-mixanikis-mathisis\u002F2004325)以及[泰语](https:\u002F\u002Fwww.lazada.co.th\u002Fproducts\u002Fdesigning-machine-learning-systems-i4258019199-s16857887502.html)。\n\n本书可在以下平台购买：\n- [亚马逊](https:\u002F\u002Fwww.amazon.com\u002FDesigning-Machine-Learning-Systems-Production-Ready\u002Fdp\u002F1098107969)\n- [O'Reilly](https:\u002F\u002Fwww.oreilly.com\u002Flibrary\u002Fview\u002Fdesigning-machine-learning\u002F9781098107956\u002F)\n- [Kindle](https:\u002F\u002Fwww.amazon.com\u002FDesigning-Machine-Learning-Systems-Huyen-ebook-dp-B0B1LGL2SR\u002Fdp\u002FB0B1LGL2SR\u002Fr)\n- [亚马逊印度站](http:\u002F\u002Famazon.in\u002FDesigning-Machine-Learning-Systems-Production-Ready\u002Fdp\u002F9355422679)\n\n以及大多数销售技术书籍的渠道。\n\n## 仓库结构\n本书聚焦于开发和部署机器学习系统时的关键设计决策。这并非一本教程类书籍，因此书中没有大量代码片段。在本仓库中，你不会找到代码示例，但会发现：\n- [目录](ToC.pdf)\n- [各章摘要](summary.md)\n- [MLOps工具](mlops-tools.md)\n- [资源](resources.md)\n- [基础机器学习概念的简要回顾](basic-ml-review.md)\n\n## 贡献\n欢迎创建问题或提交拉取请求。我们非常感谢您的反馈！\n\n## 本书适用人群\n\n本书适合任何希望利用机器学习解决实际问题的人。书中的“机器学习”既指深度学习，也指传统算法，尤其侧重于大规模机器学习系统，例如中大型企业和快速成长型初创公司中常见的那些系统。规模较小的系统通常较为简单，可能不太受益于本书所阐述的全面方法。\n\n由于我的背景是工程领域，本书的语言风格主要面向工程师，包括机器学习工程师、数据科学家、数据工程师、机器学习平台工程师以及工程管理者。\n\n你或许能从以下场景中找到共鸣：\n\n1. 你被赋予了一个业务问题和大量原始数据，希望对这些数据进行处理并选择合适的指标来解决问题。\n2. 你的初步模型在离线实验中表现良好，现在想要将其部署上线。\n3. 模型部署后，你对它们的实际运行情况缺乏足够的反馈，希望能够找到一种快速检测、调试并解决生产环境中可能出现的问题的方法。\n4. 你们团队在开发、评估、部署和更新模型的过程中，大多依靠手动操作，效率低下且容易出错。你希望实现自动化并改进这一流程。\n5. 你所在组织的每个机器学习应用场景都采用独立的工作流进行部署，你希望搭建一个可供跨场景共享和复用的基础架构（如模型仓库、特征仓库、监控工具等）。\n6. 你担心自己的机器学习系统可能存在偏差，希望让系统更加负责任！\n\n此外，以下群体也能从本书中受益：\n\n- 希望识别机器学习生产环节中尚未被充分覆盖的领域，并据此规划自身工具在生态系统中定位的工具开发者。\n- 正在寻找机器学习相关职位的从业者。\n- 考虑采用机器学习解决方案以提升产品和\u002F或业务流程的技术及业务领导者。对于技术背景较弱的读者来说，第1、2和第11章的内容尤为实用。\n\n## 评论\n- _“这本书简直就是关于如何在企业中构建、部署和扩展机器学习模型以实现最大影响力的最佳指南。奇普是一位杰出的导师，她的知识广度和深度无人能及。”_ ——乔什·威尔斯，WeaveGrid软件工程师、前Slack数据工程总监\n\n- _“成为一名高效的机器学习工程师需要掌握大量知识。要在纷繁的信息中筛选出最相关的内容并不容易，但奇普在这本书中出色地做到了这一点。如果你认真对待生产环境中的机器学习，并关注如何端到端地设计和实施机器学习系统，那么这本书必不可少。”_ ——劳伦斯·莫罗尼，谷歌人工智能与机器学习负责人\n\n- _“这是少数专注于机器学习生产系统设计基本原则的优秀资源之一。对于在瞬息万变的工具和平台选项中找到方向的人来说，这是一本必读之作。”_ ——古库·莫汉达斯，[Made With ML](https:\u002F\u002Fgithub.com\u002FGokuMohandas\u002FMadeWithML)创始人\n\n来看看推特上大家对这本书的讨论吧 [@designmlsys](https:\u002F\u002Ftwitter.com\u002Fdesignmlsys\u002Flikes)！\n\n---\n\n\u003Cbr>\n\u003Cbr>\n\n奇普·休恩，《设计机器学习系统》。O'Reilly Media，2022年。\n\n    @book{dmlsbook2022,  \n        address = {美国},  \n        author = {奇普·休恩},  \n        isbn = {978-1801819312},   \n        publisher = {O'Reilly Media},  \n        title = {{设计机器学习系统}},  \n        year = {2022}  \n    }","# dmls-book 快速上手指南\n\n`dmls-book` 是 Chip Huyen 所著《Designing Machine Learning Systems》一书的开源配套仓库。本书专注于机器学习系统的设计决策，涵盖可靠性、可扩展性、可维护性及适应性等核心议题。**注意：本书并非代码教程，因此本仓库不包含具体的代码示例，而是提供目录、章节摘要、MLOps 工具清单及基础概念回顾等资源。**\n\n## 环境准备\n\n本项目主要为文档资源，无复杂的运行时依赖。只需具备基础的阅读环境和网络访问能力即可。\n\n- **操作系统**：Windows、macOS 或 Linux 均可。\n- **前置依赖**：\n  - 现代 Web 浏览器（用于在线阅读或查看 PDF）。\n  - Git（用于克隆仓库获取最新内容）。\n  - Markdown 阅读器（可选，用于本地预览 `.md` 文件）。\n- **网络建议**：由于仓库托管于 GitHub，国内用户若访问受限，建议使用加速代理或镜像站。\n\n## 安装步骤\n\n你可以通过克隆仓库或下载压缩包的方式获取内容。\n\n### 方式一：使用 Git 克隆（推荐）\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fchiphuyen\u002Fdmls-book.git\ncd dmls-book\n```\n\n*国内加速方案*：如果直接克隆速度慢，可使用国内镜像源：\n```bash\ngit clone https:\u002F\u002Fgitee.com\u002Fmirrors\u002Fdmls-book.git\n# 注意：若 Gitee 无同步镜像，请配置 git 全局代理或使用上述官方地址配合加速工具\n```\n\n### 方式二：下载 ZIP 包\n\n1. 访问项目主页：https:\u002F\u002Fgithub.com\u002Fchiphuyen\u002Fdmls-book\n2. 点击绿色的 **Code** 按钮。\n3. 选择 **Download ZIP**。\n4. 解压到本地目录。\n\n## 基本使用\n\n获取仓库后，你可以直接浏览以下核心资源文件来快速掌握书中精华：\n\n1. **查看目录结构**\n   打开 `ToC.pdf` 了解全书章节安排。\n\n2. **阅读章节摘要**\n   使用任意文本编辑器或 Markdown 查看器打开 `summary.md`，快速获取各章核心观点。\n   ```bash\n   # 在终端中快速预览摘要（Linux\u002FmacOS）\n   cat summary.md\n   ```\n\n3. **探索 MLOps 工具生态**\n   查阅 `mlops-tools.md`，获取书中推荐的各类生产级 ML 工具列表及其分类。\n\n4. **复习基础概念**\n   如果你是初学者或非算法背景的工程人员，建议先阅读 `basic-ml-review.md` 以统一术语认知。\n\n5. **获取更多资源**\n   参考 `resources.md` 获取延伸阅读材料和相关链接。\n\n> **提示**：本书中文版已由机械工业出版社等机构引进出版（简体版 ISBN: 978-7-5198-8628-8），如需深入阅读完整理论体系与案例解析，建议购买实体书或电子书以获得最佳阅读体验。本仓库主要作为补充资料和工具索引使用。","某中型电商公司的机器学习团队正着手重构其推荐系统，旨在从实验性原型升级为支持高并发、可长期维护的生产级服务。\n\n### 没有 dmls-book 时\n- 团队成员对 ML 系统的认知局限于模型算法本身，忽视了数据漂移监控和反馈循环等关键组件，导致上线后效果迅速衰退。\n- 在技术选型阶段缺乏系统性评估框架，盲目引入复杂的 MLOps 工具链，造成基础设施冗余且难以维护。\n- 工程师与产品经理在“可靠性”和“迭代速度”的定义上存在巨大分歧，沟通成本高昂，项目进度严重滞后。\n- 遇到生产环境故障时，由于缺乏统一的设计原则指导，排查问题如同大海捞针，无法快速定位是数据管道还是模型服务的问题。\n\n### 使用 dmls-book 后\n- 团队依据书中 holistic（整体）设计方法，在架构初期就纳入了数据质量监控和自适应机制，显著提升了系统在面对业务变化时的稳定性。\n- 参考书中的 MLOps 工具清单与设计决策逻辑，精准选择了匹配当前规模的工具组合，避免了过度工程化，降低了运维复杂度。\n- 利用书中定义的通用术语和设计权衡案例，拉齐了技术与业务方的认知基准，高效达成了关于系统演进路线的共识。\n- 遵循书中关于故障排查和系统可维护性的最佳实践，建立了标准化的诊断流程，将平均故障恢复时间（MTTR）缩短了 60%。\n\ndmls-book 通过提供一套经过验证的系统设计思维框架，帮助团队成功跨越了从“能跑的模型”到“可靠的生产系统”之间的鸿沟。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchiphuyen_dmls-book_8cca11d7.png","chiphuyen","Chip Huyen","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fchiphuyen_9fc913f3.jpg","AI x stuff",null,"San Francisco","chipro","https:\u002F\u002Fhuyenchip.com","https:\u002F\u002Fgithub.com\u002Fchiphuyen",4617,916,"2026-04-05T18:11:26",1,"","未说明",{"notes":88,"python":86,"dependencies":89},"该项目为《Designing Machine Learning Systems》一书的配套资源仓库，主要包含目录、章节摘要、MLOps 工具列表和学习资源。书中明确说明这不是教程类书籍，因此仓库中不包含代码示例，也无需安装任何运行环境、GPU、Python 库或依赖项。用户可直接阅读 Markdown 文件或购买实体\u002F电子书获取内容。",[],[14],"2026-03-27T02:49:30.150509","2026-04-06T22:01:56.536409",[94,99],{"id":95,"question_zh":96,"answer_zh":97,"source_url":98},20148,"如何找到书中引用资源的原始链接？","所有引用资源的列表已整理在项目的 resources.md 文件中。例如，关于 Eugene Yan 的文章链接可以在该文件中找到。访问地址：https:\u002F\u002Fgithub.com\u002Fchiphuyen\u002Fdmls-book\u002Fblob\u002Fmain\u002Fresources.md","https:\u002F\u002Fgithub.com\u002Fchiphuyen\u002Fdmls-book\u002Fissues\u002F7",{"id":100,"question_zh":101,"answer_zh":102,"source_url":103},20149,"Spotify 案例研究的作者信息有误怎么办？","如果发现案例研究中的作者信息与实际文章不符（如 Spotify 案例），维护者会直接在资源列表中进行更新修正。您可以提交 Issue 指出错误，维护者确认后会立即修复。","https:\u002F\u002Fgithub.com\u002Fchiphuyen\u002Fdmls-book\u002Fissues\u002F9",[]]