🎯 以互动方式学习 AI/ML

我构建了 AI-ML Companion——这里涵盖了所有 AI、ML、GenAI 和 Agentic AI 的概念，通过动画图表、测验和动手实践的 Python 代码进行直观教学。

260+ 模块 • 20 条学习路径 • 9 个真实世界项目 • 11 条路径可免费开始

这里是您端到端 GenAI 学习的一站式平台。⭐ 请给本仓库加星标，以便及时获取最新的 GenAI 资源 :)

📚 目录

• 文档与学习资源
• 实际用例与项目

---

📖 文档与学习资源

🎯 入门

• GenAI 路线图——您的 GenAI 完整学习路径
• AI/ML 路线图——全面的 AI/ML 学习指南
• AI-ML Companion——交互式 AI/ML 学习平台，包含 17 条学习路径、250 多个模块、可视化内容、测验以及动手编码（从 ML 基础到 LLM 再到 MLOps）
• GenAI 核心术语——关键术语和概念
• LLM 基础——大型语言模型的核心概念

🧠 核心概念与指南

• 向量嵌入指南——理解向量表示
• 提示工程——编写有效提示
• AI 设计模式——顶级 25 种 AI 设计模式
• ML 参考指南——机器学习参考手册

🏗️ 架构与技术栈

• GenAI 技术栈——技术栈概览
• LLM 提供商——LLM 提供商对比
• 高级 RAG 决策流程——RAG 架构指南
• GenAI 项目生命周期——端到端项目指南

☁️ 云平台指南

• AWS 上的 GenAI——AWS 实现 | GitHub | YouTube
• Azure 上的 GenAI——Azure 实施指南
• VertexAI 上的 GenAI——Google Cloud VertexAI 指南

💼 职业与面试准备

• GenAI 面试问答——常见面试问题
• Agentic AI 面试问答——代理相关面试准备
• 90+ 多智能体 AI 面试问答——多智能体特定面试准备
• AI 职位与重要主题——职业发展路径及重点主题

🚀 生产与企业应用

• GenAI 企业生产检查清单——生产就绪指南

---

🛠️ 实际用例与项目

🔍 检索增强生成 (RAG)

• 高级 RAG——全面的 RAG 技术，包括代理式、图结构式、多模态等，以及 9 种高级模式（纠正式 RAG、混合搜索、查询扩展等）
• 缓存增强生成——使用上下文缓存实现更快响应的 RAG 替代方案

🤖 代理式 AI 与编排

• Agentic AI——基于 CrewAI 和 LangGraph 框架的多智能体系统
• AI 模式——25 种高级推理模式（思维链、ReAct、思维树、元提示等）
• MCP - 模型上下文协议——用于 LLM 工具与网络搜索互操作性的标准协议
• 多智能体生产级内容审核系统——基于 React 前端的 AI 驱动多智能体内容审核系统
• 多智能体系统中的延迟处理——如何处理多智能体系统中的延迟

💬 对话式 AI

• 带记忆的聊天机器人——使用本地模型并具备持久对话记忆的 PDF 聊天机器人
• 对话式分析——全栈应用，用于分析客户反馈（React + FastAPI + PostgreSQL）

🔧 LLM 提供商与工具

• LLM 提供商——比较 OpenAI、Gemini、Claude、Groq 以及本地模型（Ollama、HuggingFace）
• 嵌入模型——关于 Google、OpenAI 和 HuggingFace 向量嵌入的指南

📊 数据与分析应用

• 文本转 SQL——将自然语言转换为 SQL 查询，并附带可视化
• 图数据库问答——使用自然语言查询 Neo4j 图数据库
• 情感分析——分析客户通话记录的情感倾向和攻击性
• 您的 AI 聊天分析——聊天数据分析仪表盘

🎨 提示工程与安全

• 提示工程——从基础到 APE（自动提示工程师）的 16 种以上技巧
• 提示卫士——利用 Meta 的 Llama Guard 检测提示注入和越狱尝试

🖼️ 多模态与专业化

• Gemini Nano Banana - 使用 Gemini 2.5 Flash 进行文本到图像生成
• Llama 4 多功能应用 - 一体化应用：聊天、OCR、RAG 和代理式 AI

⚡ 自动化

• n8n 自动化 - n8n 工作流自动化平台的设置与使用指南

---

🔗 快速访问链接

类别	资源
学习平台	AI-ML Companion — 带有 17 条学习路径、250 多个模块、测验和编程练习的互动式 AI/ML 学习平台
学习路径	GenAI 路线图 • AI/ML 路线图
基础知识	核心术语 • LLM 基础 • 嵌入指南
云平台	AWS • Azure • VertexAI
面试准备	GenAI 问答 • 代理式 AI 问答
热门项目	高级 RAG • 代理式 AI • 文本转 SQL

---

🤝 贡献说明

我们欢迎各类贡献。如需添加有用的资源或代码，请按以下步骤操作：

1. 克隆本仓库

2. 克隆仓库

   git clone https://github.com/genieincodebottle/generative-ai.git
   

3. 创建新分支

   git checkout -b feature-name
   

4. 进行修改并提交

   git commit -m "您的提交信息"
   

5. 推送您的分支

   git push origin feature-name
   

6. 打开一个 Pull Request，并简要描述您的更改内容。

generative-ai 快速上手指南

本仓库是一个端到端的生成式 AI（GenAI）学习中心，提供从基础概念、架构设计到企业级实战项目的完整资源。适合希望系统学习 GenAI、大语言模型（LLM）、RAG 及智能体（Agentic AI）的开发者。

环境准备

在开始之前，请确保您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
• 代码编辑器：VS Code 或 PyCharm（推荐安装 Jupyter 插件以运行 .ipynb 文件）
• 前置依赖：
  • 基础机器学习库（如 torch, transformers，具体视项目而定）
  • API Key：部分示例需要 OpenAI, Google Gemini, AWS 或 Azure 的 API 密钥

💡 国内开发者提示：

• 建议使用国内镜像源加速 Python 包安装（如清华源、阿里源）。
• 访问 HuggingFace 模型时，建议配置镜像地址或使用 hf-mirror。

安装步骤

由于本仓库包含多个独立的项目和文档，建议先克隆整个仓库，然后根据具体需求进入对应目录安装依赖。

1. 克隆仓库

   git clone https://github.com/genieincodebottle/generative-ai.git
   cd generative-ai
   

2. 创建虚拟环境（推荐）

   python -m venv venv
   # Windows
   venv\Scripts\activate
   # macOS/Linux
   source venv/bin/activate
   

3. 安装通用依赖 不同子项目可能有不同的 requirements.txt。以核心的 RAG 或 Agentic AI 项目为例，进入对应目录安装：

   示例：安装高级 RAG 项目依赖

   cd genai-usecases/advance-rag
   pip install -r requirements.txt
   

   若使用国内镜像加速安装：

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

4. 配置环境变量 大多数项目需要在根目录或项目目录下创建 .env 文件来存储 API 密钥。

   cp .env.example .env
   

   编辑 .env 文件，填入您的 OPENAI_API_KEY, GOOGLE_API_KEY 等凭证。

基本使用

本仓库的核心价值在于其结构化的学习路径和可运行的代码示例。以下是两种最常用的使用方式：

1. 运行实战项目（以聊天机器人为例）

尝试运行一个带有记忆功能的本地 PDF 聊天机器人：

# 进入项目目录
cd genai-usecases/chatbot-with-memory

# 确保已安装依赖并配置好 .env 文件

# 运行主程序 (具体启动命令请参考该项目下的 README 或脚本)
python app.py
# 或者如果是 Streamlit 应用
streamlit run app.py

启动后，浏览器将自动打开本地界面，您可以上传 PDF 并与文档进行对话。

2. 学习核心概念与提示词工程

对于理论学习和提示词调试，可以直接运行 Jupyter Notebook：

# 进入提示词工程目录
cd genai-usecases/prompt-engineering

# 启动 Jupyter Lab
jupyter lab

在浏览器中打开 prompt_engineering.ipynb，按照单元格顺序执行代码，体验从基础提示词到自动提示词工程（APE）的 16+ 种技巧。

3. 查阅学习路线图

如果您尚未开始编码，建议先阅读文档目录中的路线图以规划学习路径：

• GenAI 学习路线: 查看 GenAI_Roadmap.md
• 核心术语: 阅读 docs/essential-terms-genai.pdf
• 架构决策: 参考 docs/advance-rag-decision-flow-chart.pdf 了解 RAG 架构选择逻辑。