超棒的人工智能

一个精心挑选的、必用且持续维护的资源集合，用于构建和部署人工智能系统。

重點：AI工程（RAG、代理、評估、安全防護、部署）以及最佳書籍、指南、論文和一組精選工具。

---

🏛 核心資源（永續）

這些是基礎——即使今天的工具不再存在，五年後仍然會很有價值。

📚 書籍

現代且實用

• 《設計機器學習系統》 — 可擴展、易維護的機器學習管道（Chip Huyen）。
• 《生成式深度學習（第二版）》 — GAN、VAE、擴散模型（David Foster）。
• 《AI工程》 — 端到端AI產品開發（Chip Huyen）。
• 《100頁語言模型書》 — 本書帶你了解語言模型的演進，從機器學習基礎開始。

基礎性

• 《人工智能：一種現代方法》 — 全面的人工智能理論（Russell & Norvig）。
• 《深度學習》 — 神經網絡與架構（Goodfellow, Bengio, Courville）。
• 《強化學習：導論（第二版）》 — 強化學習基礎（Sutton & Barto）。

---

🏗 AI工程

用於構建健壯、生產級別AI系統的框架與設計模式。
個人建議：並不需要大量框架——從簡單的LLM調用開始，逐步提升。

📖 指南與操作手冊

• 打造高效代理（Anthropic） — ⭐ 設計AI代理的模式、陷阱與權衡。
• 《OpenAI代理指南》 — 建立代理的實用指南。
• 《Google AI代理論文》 - Google提供的AI代理實用指南。
• 《Google代理伴侶論文》 - Google提供的指南。
• 《OpenAI Cookbook》 — 使用OpenAI API的示例代碼、配方及最佳實踐。
• 《LLM工程手冊》 — 對AI工程師極具價值的鏈接寶庫。

🤖 框架

• 《PocketFlow》 — 精簡至100行代碼的極簡AI代理框架，是學習的絕佳方式。
• 《Google ADK》 — Google的代理開發套件（Python、Java）。本地開發體驗優異，支援A2A與MCP。
• 《Pydantic-AI》 — 基於Pydantic模型的類型化、結構化LLM協調框架，確保輸出安全且可預測。
• 《LangGraph》 — 在LangChain之上，利用狀態圖構建多代理工作流。
• 《CrewAI》 — 提供結構化任務與人為介入控制的代理協調工具。
• 《AutoGen》 — Microsoft推出的多代理對話與協作框架。

📦 檢索增強生成（RAG）

• 《LlamaIndex》 — 用於攝取、索引和查詢私有數據的LLM數據框架。
• 《Haystack》 — 開源搜索/RAG框架，具有模塊化管道。
• 《Docling》 — 非常適合用於RAG的任何文檔攝取庫 ⭐

評估

• 《OpenAI Evals》 — OpenAI的評估框架。

---

📄 標誌性論文

塑造現代AI的研究——值得閱讀，以理解當今架構背後的「為什麼」。

• 《注意力就是一切》 — Transformer架構。
• 《神經語言模型的規模定律》 — 模型、數據與運算規模的關係。
• 《語言模型是少樣本學習者》 — GPT-3的能力。
• 《憲法式AI》 — 更安全的模型對齊方法。

---

🎓 課程

向最優秀的專家學習——適合各個水平的結構化內容。

初學者

• 《Google生成式AI學習路徑》
• 《Hugging Face LLM課程》
• 《Fast.ai—實用深度學習》

中高級

• 《史丹福CS324：大型語言模型》
• 《全棧深度學習》
• 《MIT 6.S191：深度學習入門》

專注領域

• 《DeepLearning.AI短課程》
• 《Google Deepmind| 強化學習入門》
• 《Karpathy的LLM從零到英雄》
• 《神經網路—從零到英雄》

---

📰 新聞通訊

在不被噪音淹沒的情況下，隨時掌握AI發展動態。

• 《The Rundown AI》
• 《AlphaSignal》
• 《Superhuman AI》
• 《AI Engineer》

⚡ 工具

用於構建和部署AI應用程序的工具。

💬 模型

• 《ChatGPT》 — 最適合通用編碼與推理。
• 《Claude》 — 最適合長上下文分析與結構化思考。
• 《Gemini》 — 最適合與Google生態系統整合。
• 《Perplexity》 — 最適合快速研究並附帶即時引用。
• 《Cohere》 — 最適合企業級LLM，擁有強大的檢索增強生成API。
• 《Mistral》 — 最適合輕量級、高性能的開源模型。
• 《Qwen》 — 最適合多語言及以中文為主的應用。
• 《DeepSeek》 — 最適合高效、成本優化的大型模型，推理能力具競爭力。

👨‍💻 編碼與開發工具

• 《Claude Code》 — 具有長上下文代碼編輯功能的IDE擴展。
• 《GitHub Copilot》 — IDE內的代碼補全、聊天與重構功能。
• 《Cursor》 — 基於LLM的IDE，可用於多文件編輯及代碼庫感知聊天。

🎨 多媒体 AI 工具

🖼 图像

• ChatGPT-4o 图像生成 — 集成图像创作，支持风格控制。
• Midjourney — 创作艺术风及照片级逼真图像与视频。
• Adobe Firefly — 集成于 Creative Cloud。
• Ideogram — 在生成图像中实现精准、易读的文本。
• Flux — 高分辨率、可编辑提示词的图像。

🎥 视频

• Kling — 创作电影级、逼真的视频。
• Google Veo 3 — 高质量视频，附带同步音频。
• Runway — 视频编辑与生成一体化。

🎙 音频

• ElevenLabs — 高品质文本转语音。
• Suno — 根据文本提示生成AI音乐。
• Aiva — 为媒体创作音乐。

---

Awesome Artificial Intelligence 快速上手指南

awesome-artificial-intelligence 并非一个单一的可安装软件包，而是一个精选的人工智能工程资源清单。它汇集了构建和部署 AI 系统所需的书籍、框架、论文、课程及工具。本指南将帮助你快速筛选核心资源并搭建开发环境。

环境准备

由于该清单涵盖多个独立的开源框架（如 LangGraph, LlamaIndex, AutoGen 等），你需要准备通用的 Python 开发环境。

系统要求

• 操作系统: Linux, macOS 或 Windows (推荐 WSL2)
• Python 版本: Python 3.10 或更高版本 (大多数现代 AI 框架已不再支持 Python 3.9 及以下)
• 硬件:
  • 基础学习：任意现代 CPU，8GB+ 内存
  • 本地模型运行/微调：推荐 NVIDIA GPU (显存 8GB+)

前置依赖

建议先安装基础工具链：

# 检查 Python 版本
python --version

# 安装 pip 包管理器的增强工具
pip install --upgrade pip setuptools wheel

# 安装虚拟环境管理工具 (推荐 uv 或 venv)
# 使用 uv (更快，推荐):
curl -LsSf https://astral.sh/uv/install.sh | sh
# 或使用标准库:
python -m venv ai-env

安装步骤

你不需要“安装”整个清单，而是根据需求选择具体的框架进行安装。以下是针对清单中推荐的几个核心框架的安装命令。

注意：国内开发者建议使用清华源或阿里源加速下载。

1. 创建并激活虚拟环境

# 如果使用 uv
uv venv ai-env
source ai-env/bin/activate  # Windows: ai-env\Scripts\activate

# 如果使用标准 venv
python -m venv ai-env
source ai-env/bin/activate  # Windows: ai-env\Scripts\activate

2. 安装核心框架 (按需选择)

方案 A：轻量级代理框架 (PocketFlow)

适合初学者理解 Agent 原理。

pip install pocketflow -i https://pypi.tuna.tsinghua.edu.cn/simple

方案 B：企业级代理编排 (LangGraph / CrewAI)

适合构建复杂的多代理工作流。

# 安装 LangGraph (基于 LangChain)
pip install langgraph langchain-core langchain-openai -i https://pypi.tuna.tsinghua.edu.cn/simple

# 或安装 CrewAI
pip install crewai crewai-tools -i https://pypi.tuna.tsinghua.edu.cn/simple

方案 C：RAG 数据框架 (LlamaIndex)

适合构建私有知识库问答系统。

pip install llama-index llama-index-llms-openai -i https://pypi.tuna.tsinghua.edu.cn/simple

方案 D：类型安全的 LLM 编排 (Pydantic-AI)

适合需要严格输出结构的场景。

pip install pydantic-ai -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

以下以清单中推荐的 PocketFlow (极简主义) 和 LangGraph (生产级) 为例，展示如何快速启动一个最简单的 AI 应用。

示例 1：使用 PocketFlow 构建最小 Agent

这是一个仅用几行代码即可运行的示例，用于理解 Agent 的基本循环。

from pocketflow import Node, Flow

# 定义一个简单的节点
class HelloNode(Node):
    def action(self, state):
        print("Hello from PocketFlow!")
        return state

# 创建流程并运行
flow = Flow()
flow.add_node(HelloNode())
flow.run({})

示例 2：使用 LangGraph 构建状态化工作流

这是构建生产级多步代理的基础模式。

from typing import Annotated, TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages

# 定义状态结构
class State(TypedDict):
    messages: Annotated[list, add_messages]

# 定义节点函数
def call_model(state: State):
    # 此处通常调用 LLM API，示例中仅打印
    print("Processing messages...")
    return {"messages": ["AI response"]}

# 构建图
builder = StateGraph(State)
builder.add_node("agent", call_model)
builder.add_edge(START, "agent")
builder.add_edge("agent", END)

graph = builder.compile()

# 运行
result = graph.invoke({"messages": [("user", "Hello")]})
print(result)

下一步建议

1. 阅读核心文档：访问清单中列出的 Building Effective Agents (Anthropic) 了解设计模式。
2. 深入学习：参考 Chip Huyen 的《Designing Machine Learning Systems》或《AI Engineering》书籍建立系统工程思维。
3. 关注前沿：订阅 The Rundown AI 或 AI Engineer 通讯以保持技术敏感度。