AI训练营

“用AI搞定一切”训练营专注于现实世界的应用，旨在帮助你掌握成为一名优秀AI工程师所需的技能和知识。

• 加入Discord社区
• 观看YouTube频道
• 加入AI工程学院

AI/ML基础

从Python essentials到你的第一个强大的机器学习模型，全面掌握核心代码与概念。

课程	描述	教程	视频
AI工程的Python essentials	掌握Python数据结构、函数式编程技巧、类型注解、JSON、pathlib、NumPy和Pandas——所有内容都为机器学习工程师精炼提炼。	阅读
数学是AI的语言	建立坚实的AI直觉：通过动手实践的Python示例和实用的工程技巧，掌握线性代数、微积分和概率论的核心知识	阅读
从简单开始——线性模型的力量	学习如何以及为何构建强大且可解释的基准模型：通过动手笔记本和真实数据，端到端地探索线性回归，从特征缩放到模型评估。	阅读
面向实际应用的PyTorch基础	PyTorch实战基础：张量、自动求导、数据加载、优化器以及完整的训练循环——构建和部署深度学习模型到生产环境所需的一切。	阅读

MLOps与生产系统

不要只停留在模型开发阶段——让它们真正投入使用。掌握从数据流水线到实时API部署的完整生产生命周期。

课程	描述	教程	视频
理解你的数据——数据探索	掌握面向AI生产的数据探索技术。使用Pandas/Seaborn分析银行营销数据集，了解数据分布、发现潜在问题（缺失值、异常值），并为可靠的数据验证与预处理流水线提供依据。	阅读
为生产级AI提供燃料——数据验证与流水线	掌握稳健的数据流水线：使用pandera验证原始数据，借助scikit-learn的Pipeline进行特征工程，并通过DVC对所有内容进行版本控制，以确保生产环境中机器学习的可靠性。	阅读
可复现的训练——ML流水线与实验跟踪	发现可复现的机器学习训练方法：构建基于DVC的流水线，使用MLflow跟踪实验，并在此动手教程中调优LightGBM模型以实现真正的实际效果。	阅读
从模型到服务——构建并容器化API	将你训练好的机器学习模型利用FastAPI构建为生产就绪的REST API。随后，学习如何将应用程序及其所有依赖项打包成一个便携式的Docker容器。	阅读
大规模服务——使用AWS进行云部署	学习如何将容器化的ML模型部署到云端。本指南涵盖了将制品上传至S3、将Docker镜像存储在ECR，以及使用AWS ECS和EC2编排部署的全过程。	阅读

人工智能系统工程

掌握构建基于大型语言模型的前沿应用所需的全栈工具集。

课程	描述	教程	视频
在本地运行 AI 模型 - Ollama 快速入门	开始本地 AI 开发。学习安装和使用 Ollama，在您自己的机器上运行强大的 AI 模型，以提升隐私性、速度和成本效益。	阅读	观看
提示工程	学习如何使用经过实战检验的模板为 AI 模型编写有效的提示语	阅读
人工智能工程师工具包 - API、结构化输出、工具	学习如何使用 API、结构化输出和工具来增强您的 LLM 应用程序	阅读	观看
LangChain 基础 - 工程师指南	掌握 LangChain 的核心知识，它是构建稳健 LLM 应用程序的首选框架。学习管理提示、使用 Pydantic 强制实现结构化输出，并构建一个简单的 RAG 流程，以便与您的文档进行对话。	阅读	观看
将 AI 连接到外部系统 - 模型上下文协议	学习使用模型上下文协议 (MCP) 将 AI/LMM 连接到外部系统。本实践教程将指导 AI 工程师使用 Python、Ollama 和 Streamlit 构建 MCP 服务器和客户端，通过标准化方法解决复杂的集成问题。构建一个实用的待办事项代理。	阅读	观看
使用知识蒸馏构建您自己的数据集	使用强大的 LLM 作为“教师”，自动标注原始数据，创建用于训练和评估专用模型的自定义数据集。	阅读	观看
再也不用手动调整 - 自动化提示工程	学习使用 DSPy 自动优化您的提示，将平庸的基础版本转变为高性能的流程。利用强大的“提示模型”教导更小、更快的“任务模型”在金融情绪分析方面表现出色。	阅读	观看
谎言、该死的谎言与幻觉 - 评估您的 LLMs	您如何判断自己的 LLM 是否优秀？评估 LLM 是构建可靠、能够提供有用且准确结果的 AI 应用程序的关键步骤。	阅读	观看
训练您的模型 - 微调 LLM	学习如何将开源 LLM 微调为针对您特定任务的专业专家。掌握从数据准备、QLoRA 训练到评估以及在 Hugging Face Hub 上部署的完整工程流程。	阅读	观看

RAG与上下文工程

将大语言模型连接到外部和非结构化数据源，使其能够基于最新且私有的知识进行回答。

课程	描述	教程	视频
构建具有记忆功能的聊天机器人	学习如何使用 LangChain 和 Streamlit 构建一个充当健康教练的聊天机器人	阅读	观看
使用外部知识——构建缓存增强生成（CAG）系统	学习如何使用 LangChain 和 Ollama 构建本地缓存增强生成（CAG）系统。处理文档，并在无需检索的情况下，充分利用大语言模型的完整上下文来完成知识任务。	阅读	观看
为您的模型创建知识——文档处理	学习如何将文档转化为适用于您的人工智能应用的知识。处理 PDF 文件，包括其中的图像和表格，将其转换为结构化数据。	阅读	观看
正确地拆分——有效的分块策略	掌握 RAG 中最关键的步骤——分块。学习超越简单的按固定大小分割，采用结构感知、语义驱动以及由大语言模型引导的分块技术，构建能够支持上下文感知型 AI 的知识库。	阅读	观看
按语义搜索——嵌入与向量数据库	将文本块转化为可搜索的知识库。学习创建语义嵌入、执行相似度搜索，并将向量存储在像 Supabase with pgvector 这样适合生产环境的数据库中。	阅读	观看
超越向量搜索——检索正确的上下文	将您的原型 RAG 升级为可靠、可用于生产的检索器。结合 BM25 和向量搜索，添加快速重排序器，并使用查询改写（HyDE）技术，为您的大语言模型提供精确且可引用的上下文，从而确保回答准确可信。	阅读	观看
构建检索增强生成系统	学习如何使用 LangChain、Ollama 和混合搜索构建先进的检索增强生成（RAG）系统。处理文档、创建嵌入，并使用本地大语言模型查询您的知识库。	阅读	观看

代理与工作流

构建自动化未来。设计能够自主推理、规划并执行复杂任务的智能代理。

课程	描述	教程	视频
LangGraph 入门 - 工作流与 AI 代理	通过构建一个智能支持工单系统来掌握 LangGraph。了解可预测、由开发者控制的工作流与灵活、由大语言模型驱动的代理之间的关键区别。本教程将为您提供编排复杂、有状态 AI 应用程序的基础技能。	阅读	观看
团队合作成就梦想 - 构建代理式工作流	构建一个代理式工作流，用于分析 Reddit 帖子并根据分析结果生成报告。全程仅使用本地模型。	阅读	观看
思考与行动 - 构建 AI 代理	构建一个允许您与数据库对话的 AI 代理。结合 LangChain 和 Ollama 使用本地大语言模型。	阅读	观看
与您的数据聊天 - 本地 MCP AI 代理	构建一个安全、以本地优先的 AI 代理，可以与您的文件进行对话。本教程使用模型上下文协议 (MCP)、LangGraph 和 Streamlit，打造功能强大的个人知识管理工具。	阅读	观看
代理式 RAG - 构建 AI 金融分析师团队	使用 LangGraph 构建一个多代理系统，该系统能够动态规划并从股票 API 和 SEC 文件中检索金融数据，以回答复杂问题，从而超越简单的 RAG 流程。	阅读

AI-Bootcamp 快速上手指南

AI-Bootcamp 是一个专注于实战的开源学习项目，旨在帮助开发者掌握从机器学习基础、MLOps 生产部署到大语言模型（LLM）系统构建的全栈技能。本指南将带你快速开始学习旅程。

环境准备

在开始之前，请确保你的开发环境满足以下要求：

• 操作系统: Windows, macOS 或 Linux。
• Python 版本: 推荐 Python 3.9 或更高版本。
• 包管理工具: pip 或 conda。
• 可选加速: 国内用户建议配置清华源或阿里源以加速依赖下载。
  • 临时使用清华源示例：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple <package_name>
• 云端替代方案: 如果本地环境配置困难，可直接点击项目首页的 [Open In Colab] 按钮，在 Google Colab 云端环境中直接运行所有教程代码，无需本地安装。

安装步骤

本项目主要由一系列 Jupyter Notebook 教程和文档组成，没有单一的“安装包”。你可以通过克隆仓库来获取所有学习资料和代码示例。

1. 克隆仓库 打开终端，执行以下命令将项目下载到本地：

   git clone https://github.com/curiousily/AI-Bootcamp.git
   cd AI-Bootcamp
   

2. 创建虚拟环境 建议使用 venv 或 conda 创建独立的虚拟环境，避免依赖冲突：

   python -m venv ai-bootcamp-env
   # Windows 激活
   ai-bootcamp-env\Scripts\activate
   # macOS/Linux 激活
   source ai-bootcamp-env/bin/activate
   

3. 安装核心依赖 根据你要学习的模块（如基础 ML、MLOps 或 LLM 工程），安装相应的库。以下是涵盖大部分教程的通用依赖安装命令（国内用户请添加 -i https://pypi.tuna.tsinghua.edu.cn/simple）：

   pip install numpy pandas scikit-learn torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
   pip install jupyterlab matplotlib seaborn pandera dvc mlflow fastapi docker uvicorn
   pip install langchain langchain-community langchain-huggingface ollama streamlit dspy evaluate transformers accelerate peft
   

   注：具体每个 Lesson 可能有特定的 requirements.txt，请以对应教程文件夹内的说明为准。

4. 启动学习界面 安装完成后，启动 Jupyter Lab 开始学习：

   jupyter lab
   

基本使用

AI-Bootcamp 的使用方式是按照模块顺序阅读文档并运行对应的 Notebook 代码。以下以最基础的 "Python Essentials for AI Engineering" 为例，展示如何开始第一个练习：

1. 定位教程: 在 Jupyter Lab 中导航至 foundations 目录（或对应章节文件夹）。

2. 打开 Notebook: 找到名为 python-essentials.ipynb (或类似名称) 的文件并打开。

3. 运行代码:

   • 阅读单元格中的理论讲解。
   • 选中代码单元格，按 Shift + Enter 执行代码。

   示例代码片段（数据操作）：

   import pandas as pd
   import numpy as np
   
   # 创建一个简单的 DataFrame 模拟 AI 工程中的数据预处理
   data = {
       'feature_1': np.random.rand(5),
       'feature_2': np.random.rand(5),
       'target': [0, 1, 0, 1, 0]
   }
   df = pd.DataFrame(data)
   
   # 查看数据前几行
   print(df.head())
   
   # 简单的特征缩放示例
   df['feature_1_scaled'] = (df['feature_1'] - df['feature_1'].mean()) / df['feature_1'].std()
   print("\nScaled Feature 1:")
   print(df['feature_1_scaled'])
   

4. 进阶实践:

   • MLOps 模块: 尝试运行 data-validation-and-processing 教程，体验如何使用 pandera 验证数据模式。
   • LLM 模块: 确保本地已安装 Ollama 并拉取模型（如 ollama pull llama3），然后运行 local-ai-quickstart 教程，体验本地大模型推理。

通过依次完成各个模块的 Notebook 练习，你将逐步构建起从数据处理到模型部署的完整 AI 工程能力。