Awesome-Lists-and-CheatSheets
Awesome-Lists-and-CheatSheets 是一个面向 IT 与计算机科学领域的精选资源导航库，涵盖了编程、算法、软件架构、人工智能、云计算及大数据等多个核心方向。它不仅仅是一个简单的链接集合，更是一份经过作者深度阅读、筛选与去重后的“知识地图”，提供了包括文章、书籍、课程、开源项目、速查表（CheatSheets）及思维导图在内的高质量资料索引。
在信息爆炸的时代，开发者往往面临资料碎片化、质量参差不齐的困扰。Awesome-Lists-and-CheatSheets 旨在解决这一痛点，帮助用户从海量信息中快速定位高价值内容，避免在低质资源上浪费时间。其独特的亮点在于严格遵循系统化的知识图谱架构进行归档，既支持针对特定技术点的快速查询，也能辅助用户构建完整的学习路径，实现从碎片化学习到系统化掌握的跨越。
这份资源特别适合软件工程师、算法研究人员、架构师以及计算机专业的学生使用。无论是希望快速上手新技术的初学者，还是寻求深度理论支撑的资深从业者，都能从中找到经过时间沉淀的优质内容，站在巨人的肩膀上高效成长。
使用场景
某中级后端工程师在接到“将单体架构迁移至云原生微服务”的任务后，急需快速构建系统的知识体系并筛选高质量的技术选型。
没有 Awesome-Lists-and-CheatSheets 时
- 信息检索低效：在搜索引擎中淹没于过时的博客和营销号文章，难以区分哪些是真正经过生产环境验证的架构方案。
- 学习路径碎片化：缺乏系统性的路线图（Roadmap），不知道从容器化、服务网格到可观测性的正确学习顺序，导致知识点零散不成体系。
- 资源甄别成本高：面对海量的开源项目、书籍和课程，无法快速判断哪些值得深读，浪费大量时间试错。
- 速查资料缺失：在编写具体代码或配置时，找不到精炼的速查表（CheatSheet），需反复查阅冗长的官方文档。
使用 Awesome-Lists-and-CheatSheets 后
- 精准获取精选链接：直接访问按“服务端开发与基础架构”分类的索引，瞬间获得去重、去芜存菁后的权威文章与项目链接。
- 遵循清晰成长路线：依据内置的“知识图谱”与学习指南，按部就班地掌握从理论到云原生落地的完整路径，建立系统化认知。
- 高效利用优质资源：通过明确的标签（如 #Book#、#Course#、#Code#）快速定位高价值书籍、视频教程及标杆开源项目，直击核心。
- 即时调用速查手册：利用细分领域的 CheatSheet 和思维导图，快速确认语法细节与架构模式，大幅缩短编码与调试时间。
Awesome-Lists-and-CheatSheets 将开发者从碎片化的信息焦虑中解放出来，通过沉淀的优质索引帮助其站在巨人肩膀上，实现从“盲目搜索”到“系统掌控”的效率飞跃。
运行环境要求
未说明
未说明
快速开始
序言 | 前言
Awesome-Lists 涵盖了编程语言与理论、Web 与大前端、服务端开发与基础架构、云计算与大数据、数据科学与人工智能、产品设计等多个领域，收录了文章、书籍、课程、案例、开源项目等多种类型的精选资料索引（在各个系列的文章末尾会附上一些细分领域关联性较强的参考资料列表）。Awesome-Lists 记录了笔者在日常阅读、学习与实践中发掘的优秀的资料，其按照知识图谱中定义的各个领域的知识体系分门别类地存放；笔者会不断更新其中链接，去芜存菁，去重留一，希望为同仁提供优秀的、有价值的、尽可能精简的资料索引。
梭罗在《瓦尔登湖》中写道：知道自己知道什么，也知道自己不知道什么，这就是真正的知识。知我所知是对于自己能力的正确认识，知我所不知则能为自己未来的路明确些方向。站在巨人的肩膀上窥探大道三千，才能触类旁通，他山之石，可以攻玉。相较于其他很多的 Awesome-* 项目，笔者认为 AwesomeList 更为纯粹，其中收录的文章链接都是笔者阅读、筛选之后，按照 IT 技术图谱与知识架构归档留存。在碎片化学习的同时，也能够建立系统化的知识。
导航 | Nav
约定 | Convention
本系列文章目录层次如下：
{Something}-List.md - 该文件包含或者分割为以下内容：
概述
- 生态系统
- 学习路径 & 路线图 & 指南
- 备忘录
资源
- 书籍
- 资料集
- 课程
- 系列
- 网站
- 教程
{Something}-OpenSource-List.md
- 展示
- 开发工具
- 框架
- ...
@Deprecated {Something}-Syntax-List.md - 该文件包含或者分割为以下内容：
- 变量 & 表达式
- 控制流 & 错误处理
- 函数 & 函数式编程
- 类 & 对象
- 元编程
@Deprecated {Something}-DataStructure-List.md - 该文件包含或者分割为以下内容：
- 基本类型
- 索引集合
- 键值集合
@Deprecated {Something}-Functionality-List.md - 该文件包含或者分割为以下内容：
- 存储
- 网络
- 系统 / 进程
@Deprecated {Something}-DevOps-List.md - 该文件包含或者分割为以下内容：
- 构建工具、任务运行器、打包工具、依赖管理
- 调试
- 测试、单元测试、集成测试、端到端测试
- 架构、模块系统、状态管理
- 风格指南、JavaScript 编程语言的代码规范。
@Deprecated {Something}-Production-List.md - 该文件包含或者分割为以下内容：
- 性能优化 / 调优
- 发布 / 部署
- 可访问性 / 监控
- 实时
- 国际化
@Deprecated {Something}-Internals-List.md 内部机制、核心/编译器/引擎
本系列文章索引类别约定如下：
- #Article#：单篇文章，也是默认的引用类型
- #Slide#：幻灯片
- #Series#：系列文章
- #Book# 📚：书籍
- #Course# 🎥：视频教程
- #Collection# 🗃️：资源集锦
- #Code#
: 开源的项目或者框架、库。 - #Scratch#: 从零构建某些系统
- #Tool#: 工具
- #Paper#
- #Tutorial#
目前，在知识体系中会存在多层构建的问题，对于非 #Article#、#Series# 类遵循的归纳原则就是：仅放置在最顶层与最底层，不放在中间层。
关于
统计 | Stats
# 统计所有的有效链接数
$ wc -l **/*.md | grep -E -v "(Weekly|total|README)" | awk '{s+=$1} END {printf "%.0f", s}'
致谢
- 秘密知识之书: 一本充满启发性的清单、手册、备忘录、博客、技巧、一行命令、CLI/Web 工具等的合集。
版权
笔者所有文章遵循 知识共享 署名 - 非商业性使用 - 禁止演绎 4.0 国际许可协议，欢迎转载，尊重版权。您还可以前往 NGTE Books 主页浏览包含知识体系、编程语言、软件工程、模式与架构、Web 与大前端、服务端开发实践与工程架构、分布式基础架构、人工智能与深度学习、产品运营与创业等多类目的书籍列表：
相似工具推荐
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。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
awesome-machine-learning
awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。
scikit-learn
scikit-learn 是一个基于 Python 构建的开源机器学习库，依托于 SciPy、NumPy 等科学计算生态，旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口，涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具，内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。 对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言，scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点，让用户无需重复造轮子，只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。 其核心技术亮点在于高度一致的 API 设计风格，所有估算器（Estimator）均遵循相同的调用逻辑，极大地降低了学习成本并提升了代码的可读性与可维护性。此外，它还提供了强大的模型选择与评估工具，如交叉验证和网格搜索，帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目，scikit-learn 以其稳定性、详尽的文档和活跃的社区支持，成为连接理论学习与工业级应用的最
keras
Keras 是一个专为人类设计的深度学习框架，旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。 无论是刚入门的学生、专注算法的研究人员，还是需要快速落地产品的工程师，都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。 Keras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码，即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性，还允许开发者根据需求自由选择：利用 JAX 或 PyTorch 的即时执行模式进行高效调试，或切换至速度最快的后端以获得最高 350% 的性能提升。此外，Keras 具备强大的扩展能力，能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群，是连接原型开发与生产部署的理想桥梁。