AI Compass：工程师的完整 AI 领域导航指南

Source: Dev.to

AI 学习可能会显得支离破碎。作为一名投身 AI 的软件工程师，我遇到了只讲基础却忽略生产环境的教程、难以实践的学术论文，以及要么太浅显要么假设读者具备博士水平知识的博客文章。我希望有一个地方，能够把工程师从“AI 是什么？”一路带到“如何在生产环境中部署和监控 LLM？”——涵盖其中的所有内容。

AI Compass

AI Compass 是一个开源学习仓库，包含 100 多篇 Markdown 指南，组织成结构化课程。它面向各个层次的工程师：

• 完全的初学者，甚至不知道神经网络是什么
• 正在转向 AI/ML 岗位的软件工程师
• 想要精通 LLM 和代理的资深机器学习工程师
• 需要了解 AI 能力的工程管理者

所有内容均采用 MIT 许可证，你可以将其用于个人学习、团队入职培训，或作为自己资源的基础。

仓库结构

ai-compass/
├── ai-fundamentals/            # 如果你是 AI 新手，从这里开始
├── foundations/                # 数学、机器学习基础、深度学习
├── learning-paths/             # 按经验水平划分的结构化路径
├── prompt-engineering/         # 技巧与模式
├── llm-systems/                # RAG、代理、工具、多模态
├── genai-tools/                # GitHub Copilot、Claude、ChatGPT 指南
├── agents/                     # 代理架构与模式
├── practical-skills/           # 构建与调试 AI 功能
├── production-ml-llm/          # MLOps、部署、监控
├── best-practices/             # 评估、安全、UX
├── ethics-and-responsible-ai/
├── career-and-self-development/
├── resources/                  # 精选课程、书籍、论文
└── projects-and-templates/    # 带代码的入门项目

定制学习路径

完全初学者（无 AI 知识）

• ai-fundamentals/what-is-ai.md
• ai-fundamentals/key-terminology.md
• ai-fundamentals/how-models-work.md
• ai-fundamentals/training-models.md
• ai-fundamentals/predictive-vs-generative.md

新手后端工程师（2–4 周）

• foundations/ml-fundamentals.md
• foundations/llm-fundamentals.md
• prompt-engineering/（精选指南）
• production-ml-llm/deployment-patterns.md
• llm-systems/rag-and-retrieval.md

前端工程师转 AI

• learning-paths/frontend-engineer-to-ai.md – 涵盖流式响应、聊天 UI 模式、WebLLM 与客户端推理。

项目与模板

projects-and-templates/ 目录包含完整的入门项目，每个项目都有代码、依赖文件、架构图以及扩展练习。

包含的模板

• Model Card – 为模型透明度编写文档
• Prompt Library – 组织与版本化 Prompt
• Evaluation Report – 结构化 LLM 评估报告
• Incident Postmortem – 从 AI 系统故障中学习

示例代码

# simple_rag.py
from openai import OpenAI
import numpy as np

client = OpenAI()

class SimpleRAG:
    def __init__(self):
        self.documents = []
        self.embeddings = []

    def add_document(self, text: str):
        embedding = self._embed(text)
        self.documents.append(text)
        self.embeddings.append(embedding)

    def query(self, question: str, top_k: int = 3) -> str:
        # Retrieve relevant documents
        query_embedding = self._embed(question)
        similarities = [np.dot(query_embedding, doc_emb) for doc_emb in self.embeddings]
        top_indices = np.argsort(similarities)[-top_k:][::-1]
        context = "\n\n".join([self.documents[i] for i in top_indices])

        # Generate answer
        response = client.chat.completions.create(
            model="gpt-4o",
            messages=[
                {"role": "system", "content": f"Answer based on this context:\n\n{context}"},
                {"role": "user", "content": question}
            ]
        )
        return response.choices[0].message.content

    def _embed(self, text: str) -> list:
        response = client.embeddings.create(
            model="text-embedding-3-small",
            input=text
        )
        return response.data[0].embedding

内容概览

AI 基础

• 什么是 AI？——历史与时间线
• 神经网络工作原理
• 训练过程解析
• 预测式 AI 与生成式 AI 的区别

LLM 系统

• Transformer 架构
• 检索增强生成（RAG）
• 函数调用与工具使用
• 多模态模型
• 开源模型部署

Prompt Engineering

• 基础与技术
• 高级模式（链式思考、Few‑shot）
• 实际案例（客服、代码生成）
• 需要避免的反模式

代理（Agents）

• 架构（ReAct、Plan‑and‑Execute）
• 工具设计原则
• 多代理系统
• 记忆与状态管理

Production ML/LLM

• MLOps 基础
• 部署模式（蓝绿、金丝雀、影子）
• 监控与告警（指标、漂移检测）
• 成本优化（模型选择、缓存、批处理）
• 治理与合规（欧盟 AI 法案、GDPR、NIST AI RMF）

最佳实践

• LLM 评估策略
• AI 应用安全（Prompt 注入、API 安全）
• AI 交互设计（UX）
• 可复现性

伦理与负责任的 AI

• 公平性与偏见
• 安全与对齐
• 隐私与数据保护
• 组织指南

如何使用仓库

自主学习

按照与你水平相匹配的学习路径进行。每篇指南都包含解释、示例和练习。

参考

使用 GitHub 搜索在需要快速回顾时定位特定主题。

团队入职

将相关学习路径分享给新成员，以统一团队的 AI 知识。

项目规划

在启动新 AI 功能时，参考最佳实践清单、模板和评估报告。

贡献

AI 发展迅速，仓库也应随之演进。欢迎贡献：

• 修复错误或过时信息
• 添加新示例或练习
• 改进解释
• 覆盖新兴主题
• 翻译内容

请参阅 CONTRIBUTING.md 获取指南。

入门

git clone https://github.com/satinath-nit/ai-compass.git
cd ai-compass

或直接在 GitHub 上浏览仓库。

如果你觉得该资源有帮助，请在 GitHub 上给它点星——这有助于让更多人发现该项目。

如有问题或建议，请打开 issue 或在仓库中留下评论。

自信地在 AI 领域中航行。今天就开始你的旅程吧。