machine-learning-systems-design
machine-learning-systems-design 是一本专注于机器学习系统设计的开源手册，旨在帮助读者从零开始构建完整、可落地的机器学习项目。它系统地梳理了机器学习工程化的四大核心环节：项目启动、数据管道搭建、模型选型与调试，以及服务的测试、部署与维护。
对于许多掌握算法理论却缺乏工程落地经验的开发者和研究人员来说，如何将模型转化为稳定运行的生产系统往往是一大难题。这份资料通过结构化的流程指引、丰富的实战资源链接，以及来自大型科技公司工程师的真实案例研究，有效填补了理论与实践之间的鸿沟。此外，手册特别收录了 27 道开放式的系统设计面试题，并鼓励社区在 GitHub 上共同完善解答，是准备高阶技术面试的绝佳素材。
虽然作者后续出版了内容更详尽的书籍《Designing Machine Learning Systems》，但本手册作为其早期精华版本，依然保持着极高的参考价值。它非常适合机器学习工程师、数据科学家以及希望深入理解 MLOps 流程的技术人员阅读。无论是用于指导实际项目开发，还是作为系统性学习的设计蓝图，machine-learning-systems-design 都能提供清晰的路径指引和实用的方法论支持。
使用场景
某初创金融科技公司的高级算法工程师李明，正负责从零搭建一个实时反欺诈机器学习系统，面临架构混乱和面试考核的双重压力。
没有 machine-learning-systems-design 时
- 项目启动盲目：缺乏标准化的项目设置指南，导致团队在需求定义和技术选型上反复争论，浪费数周时间。
- 数据流程割裂：数据管道设计凭经验摸索，未考虑版本控制和一致性，频繁出现训练数据与线上数据分布不一致的严重事故。
- 模型调试低效：缺少系统的建模与调试框架，遇到模型性能瓶颈时只能盲目调整参数，无法定位是特征工程还是算法选择的问题。
- 部署维护困难：服务上线后缺乏明确的测试与维护策略，系统监控缺失，一旦出现故障难以快速回滚或修复。
- 面试准备不足：面对系统设计面试中的开放性问题，缺乏权威案例参考，回答零散且缺乏深度，难以通过大厂考核。
使用 machine-learning-systems-design 后
- 规划清晰高效：依据手册的项目设置步骤，快速确立了清晰的技术路线图，将启动周期从数周缩短至几天。
- 管道稳健可靠：参照数据管道最佳实践，构建了可追溯的数据流，彻底解决了线上线下数据不一致的顽疾。
- 调试有的放矢：利用提供的建模与调试方法论，系统化地排查问题，显著提升了模型迭代效率和最终准确率。
- 运维井然有序：遵循服务部署与维护章节的指导，建立了完善的测试监控体系，系统稳定性大幅提升。
- 面试从容应对：通过研读末尾的 27 个经典设计问题及社区解答，构建了完整的知识体系，在技术面试中展现出卓越的系统思维。
machine-learning-systems-design 不仅为李明提供了从立项到运维的全链路实战指南，更成为了他构建高可用机器学习系统和应对高阶技术挑战的坚实基石。
运行环境要求
- macOS
- Linux
- Windows
未说明
未说明
快速开始
机器学习系统设计
请在此处阅读本手册 https://huyenchip.com/machine-learning-systems-design/toc.html。
这本手册是我2019年首次尝试撰写关于机器学习系统设计的内容。自那时以来，我对这一主题的理解已经经历了多次重大迭代。我的新书《设计机器学习系统》（O'Reilly，2022年6月）更加全面和最新。新书的代码库包含了完整的目录、各章摘要以及关于MLOps工具的随想。
本手册涵盖了设计机器学习系统的四个主要步骤：
- 项目搭建
- 数据流水线
- 建模：选择、训练与调试
- 部署与服务：测试、部署与维护
书中附有指向实用资源的链接，这些资源会更详细地解释每个环节。此外，还推荐了一些由大型科技公司机器学习工程师撰写的案例研究，他们曾部署机器学习系统来解决实际问题。
在手册的最后，列出了27道可能出现在机器学习面试中的开放式机器学习系统设计问题。这些问题的答案将收录于《机器学习面试》一书中。您可以在GitHub上查看并参与贡献社区对这些问题的回答，地址是这里。您可以进一步了解该书，并在此处订阅本书的邮件列表：https://huyenchip.com/2019/07/21/machine-learning-interviews.html。
贡献
本项目仍在开发中，因此任何形式的贡献都将不胜感激。以下是一些您可以参与的方式：
- 修正文本中的词汇、语法或技术错误，以改进内容。
- 为机器学习项目流程的各个环节添加更多相关资源。
- 添加或编辑问题。
- 添加或编辑答案。
- 其他。
本书使用了优秀的magicbook工具包制作。有关该工具包的详细使用说明，请参阅其GitHub仓库。使用该工具包需要安装node。如果您使用的是Mac，可以通过以下命令安装node：
brew install node
然后通过以下命令安装magicbook：
npm install magicbook
克隆本仓库：
git clone https://github.com/chiphuyen/machine-learning-systems-design.git
cd machine-learning-systems-design
在content文件夹中修改内容后，您可以通过以下步骤构建手册：
magicbook build
生成的HTML和PDF文件将位于build文件夹中。
致谢
我要感谢Ben Krause，他是我很好的朋友，帮助我完成了这份草稿！
引用
常见问题
相似工具推荐
openclaw
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。 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。 OpenClaw 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
stable-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。 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。
everything-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。 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。 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
ComfyUI
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。 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。 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。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器
LLMs-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。 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。 LLMs-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