cs249r_book
cs249r_book 是一本由哈佛大学边缘计算实验室开源的机器学习系统教材，全称为《人工智能系统工程的原则与实践》。它旨在解决当前行业“急于构建 AI 系统，却缺乏严谨工程化方法”的核心痛点，填补了算法理论与实际落地之间的鸿沟。
该项目不仅提供系统的理论知识，更强调动手实践。其独特亮点在于配套了完整的工程生态：包括从零实现的深度学习框架 TinyTorch、用于系统模拟的 MLSys·im 工具、基于 Arduino 的硬件实验套件（Kits）以及丰富的 Jupyter 实验课程。这些内容均经过自动化流程严格验证，确保代码与理论同步更新。此外，项目还涵盖了面向从业者的 StaffML 面试指南和教学幻灯片，形成了一个闭环的学习体系。
cs249r_book 非常适合希望深入理解 AI 底层架构的开发者、计算机专业的学生、科研人员以及从事 AI 基础设施建设的工程师使用。无论你是想掌握如何高效部署模型，还是希望从系统工程角度重新审视 AI 开发，这套资源都能提供从原理到实战的全面指导，帮助你将 AI 创意转化为稳定可靠的工程系统。
使用场景
某初创公司的算法团队正试图将实验室中准确率极高的深度学习模型部署到资源受限的边缘设备上，却遭遇了严重的工程化瓶颈。
没有 cs249r_book 时
- 理论脱节：团队成员精通模型调参，但缺乏系统级思维，导致模型在服务器运行流畅，一旦移植到边缘端就因内存溢出或延迟过高而崩溃。
- 重复造轮子：为了处理量化、剪枝和异构计算调度，工程师们花费数周搜索零散的博客和过时的文档，自行摸索底层实现，效率极低且容易出错。
- 维护噩梦：由于缺乏统一的工程规范，代码库中充斥着硬编码的优化逻辑，新成员难以理解系统架构，后续迭代和维护成本呈指数级上升。
- 盲目试错：面对性能瓶颈，团队只能凭经验盲目尝试各种优化手段，无法科学地权衡计算精度、能耗与延迟之间的制约关系。
使用 cs249r_book 后
- 体系构建：团队依托书中“人工智能系统工程原则”，快速建立起从算法设计到硬件部署的全链路视角，提前规避了架构设计上的先天缺陷。
- 实战加速：直接复用书中提供的 TinyTorch 框架和标准化实验套件（Labs/Kits），在几天内就完成了原本需要数周的算子优化与推理引擎搭建。
- 规范落地：遵循书中定义的最佳实践重构代码，实现了模块化与可解释性，使得系统架构清晰透明，新人上手时间缩短了一半以上。
- 科学决策：利用书中的评估方法论，团队能够量化分析不同优化策略的收益，精准找到了满足业务需求的最佳平衡点，不再依赖直觉猜谜。
cs249r_book 不仅填补了算法理论与工程落地之间的巨大鸿沟，更让团队从“拼凑代码”转变为真正“工程化”地构建可靠 AI 系统。
运行环境要求
- 未说明
未说明（课程涵盖单机多卡及分布式集群场景，但无具体最低显卡型号或显存要求）
未说明
快速开始
机器学习系统
人工智能系统工程原理与实践
📘 教材（当前版本） • 📙 第一卷 + 第二卷 (2026年夏季) • 🔥 TinyTorch • 🔮 MLSys·im (开发中) • 💼 StaffML (开发中) • 🌐 生态系统
📚 纸质版将于2026年由麻省理工学院出版社出版。
使命
世界正在匆忙构建AI系统，却并未将其作为工程学科来对待。
这种差距正是我们所说的AI工程。
AI工程是一门致力于构建高效、可靠、安全且稳健的智能系统，使其能够在现实世界中运行的学科，而不仅仅是孤立的模型。 我们的使命是将AI工程确立为与软件工程和计算机工程并列的基础性学科，通过教授如何设计、构建和评估端到端的智能系统来实现这一目标。
我们的目标： 帮助10万名学习者在今年掌握机器学习系统，并在2030年前达到100万人。
为何采用单一仓库
我将此设计为一个集成式课程体系，而非一系列独立项目。教材传授理论知识；TinyTorch让你亲手构建其内部机制；硬件套件迫使你直面真实的约束条件；模拟器则让你能够推理那些你无力租用的基础设施。之所以设置这些环节，是因为我发现，只阅读的学生难以内化知识，而只编写代码的学生又缺乏泛化能力。
这个仓库就是整个课程体系。
越来越多的贡献者正在帮助改进其中的每一个部分：修复错误、精炼解释、在新硬件上进行测试。他们的工作让所有人都受益匪浅，对此我深表感谢，也欢迎每一份拉取请求。
课程体系
各个组成部分相互关联。教材为你提供思维模型；实验课则借助MLSys·im——一款用于模拟你无法实际访问的基础设施的建模引擎，同时也可作为独立工具——让你以交互方式思考各种权衡取舍。TinyTorch让你亲手搭建系统的核心组件；硬件套件使你直面真实的部署约束；StaffML则检验你是否真正理解了这些内容。而教师中心、幻灯片和通讯则为教育工作者提供了将这套体系引入课堂所需的一切。
适用于学生
| 组件 | 在课程中的作用 | 链接 | |
|---|---|---|---|
| 📖 | 教材 | MIT Press 出版的两卷本教材。书中涵盖了理论、思维模型以及定量推理，这些都是后续所有内容的基础。 | 现行版本 · 第一卷 + 第二卷 (2026年夏季) |
| 🔬 | 实验 | 交互式的 Marimo 笔记本，用于探索教材中的权衡：更改参数、观察哪些部分会出错、培养直觉。底层由 MLSys·im 提供支持。 | 了解更多 (开发中) |
| 🔥 | Tiny🔥Torch | 通过20个循序渐进的模块从零开始构建你自己的机器学习框架。只有亲手构建过系统，才能真正理解它。 | 开始使用 |
| 🛠️ | 硬件套件 | 将机器学习部署到 Arduino、Raspberry Pi 和 Jetson 上。真实的内存限制、功耗预算和延迟要求。 | 浏览实验 |
| 🔮 | MLSys·im | 计算基础设施规模下的内存瓶颈、网络饱和度和调度限制，这些规模是你无法实际接触到的。 | 了解更多 (开发中) |
| 💼 | StaffML | 基于物理原理的机器学习系统岗位面试题库。包含题库、练习题、模拟面试及进度跟踪功能。 | 即将推出 (开发中) |
适用于教育工作者
| 组件 | 提供内容 | 链接 | |
|---|---|---|---|
| 🎓 | 教师中心 | 人工智能工程蓝图：两份各为期12周的教学大纲、教学指南、评估量表以及助教手册。 | 查看中心 |
| 🎬 | 讲座幻灯片 | 涵盖每一章的 Beamer 幻灯片，提供四种主题变体。直接导入你的课程即可授课。 | 浏览幻灯片 (开发中) |
| 📬 | 通讯 | 关于课程更新、新章节以及社区建设进展的信息。 | 订阅 |
你将学到的内容
本教材教你从机器学习与系统工程的交叉视角进行思考。每一章都将算法概念与支撑其实际运行的基础设施桥梁连接起来。
| 你知道... | 你将学到... | |
|---|---|---|
| 如何训练一个模型 | → | 训练如何在 GPU 集群上扩展 |
| 量化可以缩小模型尺寸 | → | INT8 计算如何映射到芯片硬件 |
| 什么是 Transformer 模型 | → | 为什么 KV 缓存会在推理时占据大量内存 |
| 模型运行在 GPU 上 | → | 调度器如何在延迟和吞吐量之间取得平衡 |
| 边缘设备存在限制 | → | 如何协同设计模型与硬件 |
教材结构
教材遵循 Hennessy & Patterson 的教学模式，分为两卷：
| 卷册 | 主题 | 范围 | |
|---|---|---|---|
| 📗 | 第一卷 | 构建、优化、部署 | 单机机器学习系统（1–8 个 GPU）。基础、优化以及单节点上的部署。 |
| 📘 | 第二卷 | 扩展、分布式、治理 | 生产规模的分布式系统。多机基础设施、容错机制和治理。 |
快速入门
① |
阅读教材。 从 现行版本 开始。它是所有其他内容的基础。 |
② |
选择一条实践路径。 构建框架（TinyTorch）、探索权衡（实验）或 部署到真实硬件（硬件套件）。 |
③ |
自我测试。 使用 StaffML 进行练习：涵盖云、边缘、移动设备和 TinyML 的基于物理原理的系统设计问题。 |
④ |
教授这门课程。 采用 人工智能工程蓝图 和 讲座幻灯片 来开展教学。 |
分支指南
[!NOTE] 您当前位于
dev分支。 活跃开发在此分支进行。如需查看最新稳定版本，请参阅main分支。
| 分支 | 包含内容 | 状态 | |
|---|---|---|---|
| 🟢 | mainmlsysbook.ai |
单卷本教材（当前版本） | 已上线——这是读者目前看到的内容。 |
| 🟡 | dev← 您在这里 |
第一卷 —— 双卷拆分版（内容已完成，正在进行编辑润色） 第二卷 —— 规模化实践（活跃开发中） 课程体系 —— TinyTorch、硬件套件、MLSys·im、实验课、StaffML |
TinyTorch 和硬件套件已上线。 MLSys·im、实验课和 StaffML 正在开发中。 |
双卷拆分版将在发布时取代单卷本版本。
支持本项目
|
为仓库加星 星标向高校和基金会表明这项工作具有重要意义。这些星标直接用于资助面向资源匮乏课堂的研讨会和硬件套件。  100 → 1,000 → 10,000 → 100,000 → 到2030年覆盖100万名学习者 |
资助项目使命 所有捐赠都将进入 Open Collective,一个透明的教育推广基金。每一美元都将用于帮助更多学生。 
|
贡献方式
| 我想... | 请前往 | |
|---|---|---|
| 📖 | 修复错别字或改进某一章节 | 教材贡献指南 |
| 🔥 | 添加一个 TinyTorch 模块或修复一个 bug | TinyTorch 贡献指南 |
| 🛠️ | 改进硬件实验 | 硬件套件指南 |
| 🐛 | 报告问题 | GitHub 问题页面 |
| 💬 | 提出问题 | GitHub 讨论区 |
贡献者
感谢以下各位优秀人士，他们为使这一资源更好地服务于所有人做出了重要贡献！
图例: 🪲 漏洞猎人 · 🧑💻 代码贡献者 · ✍️ 文档大师 · 🎨 设计艺术家 · 🧠 创意火花 · 🔎 代码审查员 · 🧪 测试调试者 · 🛠️ 工具开发者
📖 教材贡献者
🔥 TinyTorch 贡献者
 Vijay Janapa Reddi 🪲 🧑💻 🎨 ✍️ 🧠 🔎 🧪 🛠️ |
 kai 🪲 🧑💻 🎨 ✍️ 🧪 |
 Dang Truong 🪲 🧑💻 ✍️ 🧪 |
 Didier Durand 🪲 🧑💻 ✍️ |
 Pratham Chaudhary 🪲 🧑💻 ✍️ |
 Karthik Dani 🪲 🧑💻 |
 Avik De 🪲 🧪 |
 Takosaga 🪲 ✍️ |
 rnjema 🧑💻 🛠️ |
 joeswagson 🧑💻 🛠️ |
 AndreaMattiaGaravagno 🧑💻 ✍️ |
 Rolds 🪲 🧑💻 |
 asgalon 🧑💻 ✍️ |
 Amir Alasady 🪲 |
 jettythek 🧑💻 |
 wzz 🪲 |
 Ng Bo Lin ✍️ |
 keo-dara 🪲 |
 Wayne Norman 🪲 |
 Ilham Rafiqin 🪲 |
 Oscar Flores ✍️ |
harishb00a ✍️ |
 Pastor Soto ✍️ |
 Salman Chishti 🧑💻 |
 Aditya Mulik ✍️ |
💼 面试中心贡献者
即将推出！
🛠️ 硬件套件贡献者
Vijay Janapa Reddi 🪲 🧑💻 🎨 ✍️ 🧪 🛠️ |
 Marcelo Rovai ✍️ 🧑💻 🎨 |
Salman Chishti 🧑💻 |
Pratham Chaudhary 🧑💻 |
🧪 实验室贡献者
Vijay Janapa Reddi 🧑💻 🎨 ✍️ |
Salman Chishti 🧑💻 |
Pratham Chaudhary 🧑💻 |
✉️ 订阅 • 💬 参与讨论 • 🌐 访问 mlsysbook.ai
专为 AI 工程师打造，满怀热爱
正在全球各地制作中 🌎
版本历史
tinytorch-v0.1.92026/02/18tinytorch-v0.1.82026/02/08tinytorch-v0.1.72026/01/29tinytorch-v0.1.62026/01/27tinytorch-v0.1.52026/01/27tinytorch-slides-v0.1.02026/01/25tinytorch-v0.1.32026/01/22tinytorch-v0.1.42026/01/22tinytorch-v0.1.22026/01/14tinytorch-v0.1.12026/01/14tinytorch-v0.1.02026/01/14book-v0.5.12026/01/13tinytorch-audio-v0.1.12025/12/18book-v0.5.02026/01/13book-v0.4.22026/01/13book-v0.4.12026/01/13book-v0.4.02026/01/13book-v0.3.02026/01/13book-v0.2.02026/01/13book-v0.1.02026/01/13常见问题
相似工具推荐
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。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。