title	AI Guru 知识库
category	documentation
tags	documentation docs-as-code ai-knowledge llmops mlops
summary	GitHub 上最全面的 AI 全栈中文知识库——从数学基础到 Agent 生产部署，含 LLMOps 完整主线。
created	2026-05-31
updated	2026-08-25
tier	supporting
sources
name_zh	AI Guru 知识库

中文简称：AI Guru 知识库

AI Guru 知识库

这可能是 GitHub 上最全面的 AI 学习资源

从理论到生产的完整 AI 知识体系 | 2,061 篇核心文档 + 700+ 概念卡片 | 1,894 万字 | LLMOps 完整主线 | 2026 最新

快速开始 • 为什么选择 • 内容导航 • 适用人群 • 下载到本地

English Version

---

为什么选 AI Guru？

问题：AI 领域变化太快，学习者面临信息碎片化、内容过时、理论与实践脱节的困境

解决方案：AI Guru 是生产级的知识体系，帮你从 0 到 1 掌握 AI，从理论直达生产部署

核心亮点

** 内容全面** 2,061 篇核心知识文档 + 700+ 概念卡片 ~1,894 万字符（约 3,000 页 A4） 24 大知识章节 + 12 子域概念网络 覆盖从数学基础到 AGI 前沿	** 双轨学习** 速成路径：70+ 篇 in-nutshell 指南 系统学习：24 大章节深度剖析 入门友好：48 篇 for_dummy 指南 岗位备考：140 篇面试指南
** 2026 最新** GPT-5.2 / Claude 4.5 / DeepSeek-R1 架构 中国六大厂商 (DeepSeek/Qwen/GLM/Kimi/MiniMax/MiMo) LLMOps 完整主线（Prompt/Eval/RAG/Cost/Observability） Agent 生产部署 + MCP/A2A 协议	** 生产就绪** K8s + GPU 集群部署方案 MLOps + LLMOps 全流水线 推理成本优化（量化/路由/缓存） 企业级安全合规（EU AI Act）

数据说话

 2,061 篇核心文档     1,894 万字符（约 3,000 页 A4）
 24 个知识章节         70+ 篇速成指南 (in-nutshell)
 48 篇入门指南 (for_dummy)     700+ 概念卡片（12 子域）
 240 篇 Agent 专题     157 篇业界领袖观点
 140 篇面试指南        87 篇行业应用案例

核心文档（24 章节目录）：2,061 篇 / 1,894 万字 ｜ 概念卡片（12 子域）：700+ 张

各目录统计

目录	文件数	字符数	占比
概念	700+	—	—
15_智能体	240	284.5 万	15.0%
19_业界观点	157	96.0 万	5.1%
05_大模型	154	230.4 万	12.2%
21_面试岗位	140	87.5 万	4.6%
12_架构基建	140	151.3 万	8.0%
90_学习	123	86.2 万	4.6%
11_模型运维	115	113.0 万	6.0%
10_部署推理	105	94.0 万	5.0%
16_编程	95	65.5 万	3.5%
18_行业应用	87	42.0 万	2.2%
22-FDE	71	25.4 万	1.3%
20_论文精读	69	58.5 万	3.1%
02_机器学习	64	45.5 万	2.4%
治理	64	—	—
17_伦理安全	63	43.8 万	2.3%
07_模型训练	62	76.3 万	4.0%
14_RAG系统	62	56.7 万	3.0%
01_数学基础	60	49.2 万	2.6%
03_深度学习	55	49.9 万	2.6%
13_运维	52	37.5 万	2.0%
08_模型评估	48	58.5 万	3.1%
06_强化学习	44	53.5 万	2.8%
04_计算机视觉	41	31.3 万	1.7%
09_测试	30	31.8 万	1.7%
00_入门	27	24.2 万	1.3%
94_可视化	28	27.1 万	1.4%
总计	2,061	1,894 万	100%

提示：运行 python3 工具/count_words.py 可查看最新的实时统计

---

快速开始

方式一：直接阅读（推荐）

# 克隆仓库
git clone https://github.com/your-org/ai-guru-knowledge-base.git

# 进入仓库根目录
cd ai-guru-knowledge-base

# 从 README 开始探索
less README.md

方式二：Web 端浏览

cd 前端应用/
npm install
npm run dev
# 访问 http://localhost:5173

方式三：导入到 AI 工具

支持导入到 NotebookLM、ima、Claude Projects 等：

# 下载完整知识库
git clone --depth 1 https://github.com/your-org/ai-guru-knowledge-base.git

核心章节架构：每个章节有 README.md 入口 + for_dummy 入门 + in-nutshell 速查，三层阅读路径。

---

适用人群

** 运维/开发工程师** 转型 AI Agent 工程师 15-20 小时 速成指南 →

** 大学生/自学者** 系统学习 AI 全栈 16-20 周 大学课程 →

** 产品经理** 理解 AI 能力边界 8-10 小时 行业应用 →

** 研究人员** 追踪前沿技术 自主学习 必读论文 →

---

内容导航

全库知识图谱与学习路径

graph TD
    %% ===== Layer 0: 入口 =====
    ENTRY[" 入门<br/>AI Fundamentals"]
    MATH[" 数学基础<br/>线代 · 概率 · 微积分 · 信息论"]
    CONCEPT[" 概念<br/>700+ 术语卡片 · 12 子域"]
    PROGRAMMING[" 编程<br/>AI Coding · OpenCode · Vibe Coding"]

    %% ===== Layer 1: 基础理论 =====
    ML[" 机器学习<br/>监督 · 无监督 · 集成 · 推荐"]
    DL[" 深度学习<br/>神经网络 · 优化 · GAN/VAE/Diffusion"]
    RL[" 强化学习<br/>MDP · DQN/PPO · SAC · RLHF"]
    CV[" 计算机视觉<br/>检测 · 分割 · 3D · 视频生成"]
    NLP[" NLP/序列模型<br/>RNN · LSTM · Tokenizer"]

    %% ===== Layer 2: 大模型核心 =====
    LLM[" 大模型<br/>Transformer · MoE · 微调 · 推理模型"]
    MULTIMODAL[" 多模态<br/>视觉语言 · 语音 · 视频"]
    PAPERS[" 论文精读<br/>Transformer · BERT · GPT · RLHF · DPO"]

    %% ===== Layer 3: 训练与评估 =====
    TRAINING[" 模型训练<br/>分布式 · 数据工程 · 对齐 · 压缩"]
    EVAL[" 模型评估<br/>Benchmark · LLM-as-Judge · 红队 · 人工评估"]
    SAFETY[" 伦理安全<br/>价值对齐 · 护栏 · RSI · 供应链安全"]

    %% ===== Layer 4: 部署与运维 =====
    DEPLOY[" 部署推理<br/>vLLM/SGLang · 量化 · KV Cache · MoE推理"]
    ARCH[" 架构基建<br/>K8s · GPU虚拟化 · AI Gateway · 容灾"]
    OPS[" 模型运维<br/>MLOps · LLMOps · 可观测性 · CI/CD"]
    SRE[" 运维 SRE<br/>排障 · 容量规划 · 混沌工程 · FinOps"]

    %% ===== Layer 5: 应用层 =====
    RAG[" RAG 系统<br/>向量数据库 · 混合检索 · Agentic RAG"]
    AGENT[" 智能体<br/>Agent框架 · 评估 · Harness · 协议"]
    INDUSTRY[" 行业应用<br/>金融 · 医疗 · 制造 · 自动驾驶 · AI4Science"]
    INTERVIEW[" 面试岗位<br/>25+ 岗位 · 题库 · 系统设计"]
    FDE[" FDE 全栈工程<br/>端到端项目 · 生产级实践"]
    VIZ[" 可视化<br/>仪表盘 · 可解释性 · 训练监控"]
    VIEWS[" 业界观点<br/>28位领袖 · 观点 · 语录"]
    TEST[" 测试<br/>测试金字塔 · 契约测试 · Agent评估"]
    LEARN[" 学习<br/>课程映射 · 职业路径 · 参考书"]

    %% ===== Edges =====
    ENTRY --> MATH & PROGRAMMING & CONCEPT
    MATH --> ML & DL
    PROGRAMMING --> ML
    ML --> DL & RL & CV
    DL --> NLP & MULTIMODAL
    NLP --> LLM
    DL --> LLM
    CONCEPT -.->|术语参考| ML & DL & LLM & RL
    LLM --> MULTIMODAL & PAPERS
    RL -->|RLHF/DPO/GRPO| LLM
    LLM --> TRAINING & DEPLOY
    TRAINING --> EVAL
    EVAL --> SAFETY
    PAPERS -.->|理论支撑| TRAINING & EVAL
    DEPLOY --> ARCH & OPS
    ARCH --> SRE
    OPS --> SRE
    LLM --> RAG
    RAG --> AGENT
    LLM --> AGENT
    AGENT --> INDUSTRY & FDE
    DEPLOY --> INDUSTRY
    EVAL --> TEST
    EVAL --> VIZ
    ENTRY --> LEARN
    LEARN --> INTERVIEW
    LLM --> VIEWS

    %% ===== Styling =====
    classDef entry fill:#4CAF50,stroke:#2E7D32,color:#fff
    classDef math fill:#2196F3,stroke:#1565C0,color:#fff
    classDef core fill:#9C27B0,stroke:#6A1B9A,color:#fff
    classDef llm fill:#FF9800,stroke:#E65100,color:#fff
    classDef deploy fill:#F44336,stroke:#C62828,color:#fff
    classDef app fill:#00BCD4,stroke:#00838F,color:#fff
    classDef meta fill:#607D8B,stroke:#37474F,color:#fff

    class ENTRY entry
    class MATH,CONCEPT,PROGRAMMING math
    class ML,DL,RL,CV,NLP,MULTIMODAL,PAPERS core
    class LLM,TRAINING,EVAL,SAFETY llm
    class DEPLOY,ARCH,OPS,SRE deploy
    class RAG,AGENT,INDUSTRY,INTERVIEW,FDE app
    class VIZ,VIEWS,TEST,LEARN meta

Loading

学习路径速查:

角色	推荐路径	预计时间
零基础入门	入门 → 数学基础 → 机器学习 → 深度学习	16-20 周
LLM 工程师	大模型 → 模型训练 → 部署推理 → RAG系统 → 智能体	8-12 周
运维/SRE	部署推理 → 架构基建 → 模型运维 → 运维	4-8 周
AI 安全工程师	伦理安全 → 模型评估/红队 → 概念/Safety	4-6 周
面试备战	面试岗位 → 论文精读 → 概念速查 → 学习	2-4 周
全栈工程师	入门 → 编程 → 大模型 → FDE 全栈工程	4-6 周

大学通识课程（入门）

完整的 AI 通识教育，支持 16 周学期制：

模块	内容	时长
AI 基础概念	定义、类型、核心技术	2-3h
技术全景	技术栈、算法、工具链	3-4h
历史时间线	1950-2026，4 次 AI 浪潮	2-3h
工具实践	ChatGPT、Claude、Cursor	3-4h
伦理社会	偏见、隐私、治理	3-4h
未来趋势	AGI 路径、RSI、2026-2040	2-3h
+ 概念词典 + 案例 + 实验	700+ 术语、6 案例、8 实验	—

速成路径（70+ 篇 In-Nutshell 指南）

适合工程师快速上手的实战指南：

阶段 1: 基础认知
├── ① LLM 基础（Token、上下文、Temperature）
└── ② Prompt Engineering（CoT、Few-shot）

阶段 2: 核心技能
├── ③ 模型训练（损失函数、优化器）
├── ④ 模型推理（部署、量化 INT8/FP8）
└── ⑤ RAG 系统（向量数据库、混合检索）

阶段 3: Agent 工程
├── ⑥ AI 智能体（ReAct、Function Calling）
├── ⑦ AI 技能（技能注册、组合）
└── ⑧ Agent 工作流（LangGraph、错误处理）

阶段 4: 生产保障
├── ⑨ AI 测试与评估（Metrics、LLM-as-Judge）
├── ⑩ MLOps 流水线（CI/CD、模型注册）
└── ⑪ AI 运维（可观测性、事故响应）

LLMOps 完整主线

本知识库独有的 LLMOps 全栈主线，覆盖大模型时代 MLOps 的所有关键环节（11_模型运维/ 共 115 篇）：

graph LR
    L[LLMOps 2026 主线] --> P[Prompt 工程化运维<br/>版本化 · A/B 测试 · CI 门禁]
    L --> E[LLM 评估流水线<br/>LLM-as-Judge · 人审闭环 · Eval-Driven Dev]
    L --> R[RAG 流水线运维<br/>四维可变性 · Embedding 升级 · 索引重建]
    L --> C[成本与延迟 SLO<br/>三层缓存 · 智能路由 · Token 熔断]
    L --> O[LLM 可观测性<br/>五层监控 · Trace · 幻觉/PII 在线检测]
    L --> G[AI 治理与合规<br/>EU AI Act · 审计 · 模型卡片]

Loading

文档	内容
LLMOps 2026	主线：传统 MLOps 失效的 7 大原因、三层架构、成熟度模型
Prompt 工程化运维	Prompt 即代码、版本化、A/B 测试、DSPy 自动优化
LLM 评估流水线	LLM-as-Judge、人审闭环、评估陷阱
RAG 流水线运维	四维可变性、Embedding 升级迁移、索引重建灰度
LLM 成本与延迟 SLO	三层缓存、智能路由、Token 预算熔断、FinOps
LLM 可观测性	五层监控、分布式追踪、幻觉/毒性/PII 在线检测

加上横切关注点（数据版本/再训练/系统 SLO/成本/合规）与 16 个工具深度解析，LLMOps 共 115 篇文档。

24 大系统章节

从数学基础到生产部署的完整路径：

展开查看完整目录

章节	核心内容	难度
L0 基础层
00 AI 简介与历史	通识导入：基础概念、技术全景、历史、工具、伦理、未来
01 基础理论	数学与计算机：线代、概率、数据结构、分布式、AI 硬件 2026
L1 模型层
02 经典机器学习	ML 基础：监督/无监督学习、特征工程、XGBoost
03 深度学习	神经网络：MLP、反向传播、优化、世界模型 JEPA
04 计算机视觉	视觉 AI：CNN、YOLO、Diffusion、视频生成 2026
05 NLP 与大模型	LLM 技术：Transformer、GPT-5.2/Claude 4.5、DeepSeek-R1、LoRA/RLHF/DPO
06 强化学习与智能体	RL 与 Agent：DQN/PPO、GRPO、VLA 具身智能
L2 工程层
07 模型训练	训练工程：损失函数、优化器、分布式训练、GRPO 对齐
08 模型评估	评估方法：指标体系、基准测试、LLM-as-Judge、A/B 测试
09 AI 测试	测试工程：Ragas/DeepEval/Promptfoo、契约测试、Eval-Driven Dev
10 部署与推理	推理优化：vLLM/SGLang、量化、KV Cache、推理模型
L3 平台层
11 MLOps 流水线	LLMOps 完整主线 + 传统 MLOps + 工具深度解析（115 篇）
12 架构与基础设施	架构设计 + 基础设施：K8s、多租户、高可用、GPU 集群、容量规划
13 AI 运维	AIOps：事故响应、SRE 实践、混沌工程、K8s 排障
L4 应用层
14 RAG 系统	检索增强：向量数据库、混合检索、Agentic RAG、多模态检索
15 Agent 生产部署	Agent 工程：框架、MCP/A2A 协议、Harness、技能、工作流、评估（240 篇）
Agent Skills	技能体系：技能注册、组合、生态
Agent Workflow	工作流：LangGraph、错误处理、编排
Agent 评估	评估体系：Benchmark、红队测试、Leaderboard
16 AI 编程	编程工具与方法论：Cursor、Claude Code、Vibe Coding
22 FDE 全栈工程	端到端全栈项目：系统设计、架构实践、生产部署
L5 治理层
17 伦理与安全	AI 安全：价值对齐、红队测试、RSI、隐私保护、OWASP LLM
L6 资源层
18 行业应用	行业融合：医疗/金融/制造/零售/教育/自动驾驶
19 业界观点	领袖洞见：28 位 AI 领袖演讲与观点，含 2026 趋势合集
20 必读论文	经典文献：Transformer、BERT、GPT、RLHF、DPO 等里程碑
21 面试与岗位	职业发展：25+ AI 岗位面试指南、题库、系统设计
拓展
90 学习资源	课程映射：微软/Datawhale/HuggingFace 等课程、职业路径
94 可视化	知识图谱可视化：仪表盘、训练监控、评估可视化

概念卡片体系（700+ 张，12 子域）

原子化概念卡，以"一句话理解 + 2026 生态 + 生产最佳实践"三件套为标准：

子域	卡片数	说明
概念/General	151	跨域通用概念（基础/ML/DL/工具/云原生等）
概念/LLM	118	大语言模型架构、训练、对齐、推理
概念/K8s	106	Kubernetes 与云原生 AI 基础设施
概念/Training	61	模型训练、分布式训练、优化
概念/Inference	43	推理引擎、服务化、性能优化
概念/RAG	41	检索增强生成、向量数据库、可观测性
概念/Agent	39	AI 智能体、工具调用、多智能体
概念/GPU	34	GPU 硬件、CUDA、集群管理
概念/Vision	28	计算机视觉、多模态
概念/MLOps	28	ML 运维、CI/CD、监控
概念/Safety	26	AI 安全、对齐、伦理、治理
概念/Math	22	数学基础、优化理论
总计	700+	12 子域，原子化概念网络

每张概念卡均包含：YAML frontmatter（title/aliases/tags/summary/relationships/sources）、一句话理解、核心概念表、2026 生态表、生产最佳实践、延伸阅读。

---

2025-2026 AI 趋势速览

以下趋势帮助从业者快速把握方向。

趋势	关键洞察	本库对应章节
** Agentic AI 大规模落地**	Gartner 预测 2026 年近 50% 企业软件将内嵌自主 Agent 工具；McKinsey 估算 Agent 技术年价值 $2.6-4.4 万亿；但 >40% Agentic AI 项目可能因治理不足被砍	15_智能体 — 240 篇 Agent 全栈文档
** 推理模型与推理时计算扩展**	DeepSeek-R1 开创"推理时计算扩展"范式；RL 训练计算每数月增长 10 倍；o3/R1/Llama-4 推理模型路线图	05_大模型/Reasoning_Models + 07_模型训练/GRPO
** 小模型与高效推理崛起**	紧凑型语言模型预计处理 60% 商业 AI 任务，基础设施成本降低 50%；"效率即新的扩展策略"	10_部署推理/量化 + 边缘LLM
** 多模态 + 具身智能加速**	多模态模型融合视觉、语言与动作，58% 企业已使用物理机器人，VLA 成为新方向	04_计算机视觉 + 06_强化学习/VLA
** AI 安全治理与合规常态化**	EU AI Act 进入执行阶段，80% 受监管行业须实施强制合规框架；RSI（递归自我改进）成为对齐研究新焦点	17_伦理安全 + 概念/Safety/RSI
** MCP/A2A 协议标准化**	MCP（模型上下文协议）成为 Agent 工具调用事实标准；A2A（Agent-to-Agent）推动多 Agent 协作	15_智能体/Agent 协议

综合建议：2026 年的 AI 从业者应重点关注 Agent 工程化 + 推理效率优化 + 安全合规 三大主线——本知识库以 LLMOps + Agent + Safety 三大板块完整覆盖。

---

下载到本地工具

AI Guru 知识库可以作为高质量语料导入到各种 AI 工具中：

NotebookLM (Google)

1. 访问 notebooklm.google.com
2. 创建新项目，选择 "GitHub" 或上传 ZIP
3. 粘贴仓库 URL：https://github.com/your-org/ai-guru-knowledge-base
4. NotebookLM 会自动分析所有文档，生成摘要和问答

ima (腾讯)

1. 打开 ima 应用，创建知识库
2. 导入本地文件夹，选择下载的仓库根目录
3. 即可通过对话查询知识库内容

Claude Projects / ChatGPT GPTs

# 下载精简版（仅核心内容）
git clone --depth 1 --filter=blob:none --sparse https://github.com/your-org/ai-guru-knowledge-base.git
cd ai-guru-knowledge-base
git sparse-checkout set 00_入门 05_大模型 11_模型运维 15_智能体 概念

# 打包上传
zip -r ai-guru-core.zip 00_入门 05_大模型 11_模型运维 15_智能体 概念

Obsidian

所有文档为 Markdown 格式，可直接作为 Obsidian Vault 打开（本库自带 .obsidian/ 配置，支持 wiki 链接与图谱）：

# Obsidian 中直接"打开本地文件夹" → 选择仓库根目录

---

Agent 友好说明

本知识库针对 AI Agent 进行了优化：

• 结构化元数据: 每个文档包含 frontmatter（title/category/tags/summary/relationships）
• 清晰的层级: 章节-文档-段落结构清晰，编号式目录便于检索
• 三层入口: 每章有 README + for_dummy + in-nutshell 三层阅读路径
• 代码可执行: 包含可运行的代码示例
• 中英文对照: 技术术语保留英文，便于理解原始概念
• Wiki 链接: 6,900+ 内部 wikilink，形成知识图谱
• 概念词典: 700+ 张原子化概念卡，12 子域覆盖 AI 全栈
• 版本控制: Git 历史记录，可追溯更新

建议的 Agent 使用方式:

1. 将整个仓库根目录作为知识库导入
2. 使用文件路径作为上下文引用（如 05_大模型/04_LLM架构/05_LLM架构.md）
3. 结合章节 README 快速定位内容
4. 利用 概念/ 做概念查询，治理/ 做跨域关联
5. 用 概念/index.md 做入口索引表

---

前端项目

包含现代化的知识库前端（React + Vite + TypeScript + Tailwind CSS + shadcn/ui）：

cd 前端应用/
npm install
npm run dev

特性：

• Vite 极速构建
• Tailwind CSS + shadcn/ui
• 全文搜索 (Fuse.js)
• 暗黑/亮色模式
• 响应式设计
• Agent 评估仪表盘集成

查看前端详情 →

---

贡献指南

我们欢迎各种形式的贡献！

如何贡献

• 内容: 添加新指南、更新过时信息
• 翻译: 翻译成英文/其他语言
• 前端: 改进 Web 体验（React/Vite）
• Issue: 报告问题或建议

快速开始

# Fork 并克隆
git clone https://github.com/your-username/ai-guru-knowledge-base.git

# 创建分支
git checkout -b feature/your-feature

# 提交更改
git commit -m "feat: 添加 XX 内容"
git push origin feature/your-feature

查看完整贡献指南 →

---

许可证

本项目采用 MIT 许可证 - 详见 LICENSE 文件。

引用的论文、书籍和第三方项目遵循其原始许可证。

---

致谢

感谢所有为本知识库做出贡献的人。

特别感谢：

• DeepLearning.AI - 课程结构灵感
• Hugging Face - 开源 ML 生态
• 所有贡献者和读者

---

AI Guru — 让 AI 学习更系统、更高效、更 accessible

⭐ Star 本仓库 获取更新通知 • Watch 关注新内容 • Fork 创建你的版本

Related

• [[治理/ROADMAP.md]] — AI Guru 知识库路线图
• [[治理/KNOWN_ISSUES.md]] — 已知问题追踪
• [[README_EN]] — English Version
• [[CONTRIBUTING]] — 贡献指南
• [[概念/index]] — 概念图谱首页
• [[概念/README]] — 概念卡片索引
• [[治理/README]] — 跨域综合文档索引
• [[治理/hot.md]] — 热门页面
• [[治理/plan]] — 项目规划与评估报告
• [[00_入门/01_基础入门/02_AI基础.md]] — 知识库入门索引