ngophatneknha/ai-engineering-hub

01 / THE SIGNAL

我们发现了什么

ngophatneknha/ai-engineering-hub。# AI 工程与自主智能体学习中心这是一个资料、实践教程和源代码的综合空间，汇集了在自学和研究 AI 工程、大语言模型（LLM）、自主智能体系统（Autonomous Agents）和 MLOps 过程中所收集和总结的内容。

来源：GitHub（发现于 2026-11-09）
证据等级：D · 发现产品或需求信号，暂未获得可核验的商业证据。
商业模式：待核验
主题：独立产品
初筛评分：16.8/100 · 收录 1 次

#独立开发#待验证#产品发现

02 / SOURCE & EVIDENCE

证据，比故事更重要。

发现产品或需求信号，暂未获得可核验的商业证据。

规则清洗与初筛，未经人工商业核验。原文语境、实际客户和付费情况仍需自行验证。

引用与数字披露

来源类型（原作者自述／第三方测算／媒体转引）需采集端标注，本版尚未落字段。

作者: 未标注
出处: https://github.com/ngophatneknha/ai-engineering-hub
抓取日期: 2026.11.09
来源类型: 未标注

币种: 未标注
口径: 未标注
披露主体: 未标注
披露日期: 未标注

中文辅助译文（节选·触顶截断）

AI Engineering 与 Autonomous Agents 学习中心

这是一个汇集在学习与研究 AI Engineering、Large Language Models（LLM）、自主智能体系统（Autonomous Agents）与 MLOps 过程中收集并总结的文档、实践课程与源代码的空间。

该仓库的主要目的是作为自学场所、存储个人实验项目，同时为正在了解和追求 AI Engineering 道路的社区分享一个系统化的参考库。

1. 仓库概览

在探索和学习 AI 的过程中，从数学理论、大型语言模型到智能体编排 framework 的高质量资料往往分散在许多不同来源中。边学边总结有助于学习者： 形成从数学基础、如何从零构建模型到应用于实际生产的连贯视角。 存储示例源代码，以便直接运行、修改、试验并把想法整合在一起。 * 创建一个便捷的参考目录，以便在需要解决具体问题（RAG、Multi-Agent、Tool Use、Evaluation）时快速查阅和对照。

该仓库分为两个主要区域： 根目录：收录 93+ 个关于 Computer Vision、OCR、Chat UI、Reasoning UI、多模态 RAG 和 Multi-Agent MCP 系统的开源实践项目。 curated-courses/ 目录：汇集来自全球专家、大学和开源组织的 50 套课程、项目和文档。

2. 目录组织结构

AI-ENGINEERING-HUB/
|-- [93+ Root Projects] # 独立实践应用和示例项目
|-- curated-courses/ # 50 套深入课程与资源
| |-- aie-book-chiphuyen/ # Chip Huyen 的 AI Engineering 书籍资源
| |-- langchain-framework/ # LangChain framework
| |-- langgraph-orchestration/ # 图形式智能体编排 framework LangGraph
| |-- crewai-multi-agent/ # 面向多智能体系统的 CrewAI framework
| |-- qdrant-vector-database/ # Qdrant 向量数据库
| |-- ragas-eval-framework/ # RAG 质量评估库
| |-- ollama-local-llms/ # 在个人电脑上运行 LLM 的工具
| |-- awesome-mcp-servers-catalog/# Model Context Protocol 目录
| |-- mcp-reference-servers/ # 标准化 MCP 示例服务器集
| |-- superpowers-coding-skills/ # coding agent 技能框架
| |-- claude-code-agents-suite/ # Claude Code 智能体编排工具集
| |-- claude-mem-plugin/ # 会话压缩与记忆插件
| |-- claude-flow-orchestration/ # ruFlo 多智能体工作流编排
| |-- planning-with-files/ # 用 Markdown 管理工作计划
| |-- claude-scientific-skills/ # 数据分析和研究技能
| |-- claude-code-guide/ # Claude Code 与 SKILL.md 配置指南
| |-- oh-my-claudecode/ # 预构建多智能体扩展工具
| |-- ecc-agent-harness/ # 优化 agent harness、记忆和安全
| |-- teamai-cli-tencent/ # 团队技能与配置共享 CLI
| |-- pi-desktop-agent-env/ # agent 的 local-first 桌面环境
| |-- openai-plugins/ # 来自 OpenAI 的插件文档和示例
| |-- diagram-design/ # AI 工具的系统图设计模板
| |-- system-design-notes/ # 分布式系统设计笔记
| |-- ultimate-ai-engineer-roadmap-2026/ # 2026 AI Engineer 参考路线图
| |-- microsoft-ml-for-beginners/ # 通过 Scikit-Learn 学习 12 周 Machine Learning
| |-- microsoft-ai-for-beginners/ # 神经网络、Computer Vision、NLP
| |-- microsoft-generative-ai-for-beginners/ # 构建 GenAI 应用的 21 节课
| |-- microsoft-ai-agents-for-beginners/ # 关于 AI Agents 系统的 18 节课
| |-- microsoft-autogen/ # Microsoft 的多智能体对话 framework
| |-- karpathy-nn-zero-to-hero/ # 从 micrograd 到 GPT 构建神经网络
| |-- karpathy-nanochat/ # 训练流程和聊天界面
| |-- rasbt-llms-from-scratch/ # 用 PyTorch 从零编写 GPT
| |-- llm-course/ # LLM Scientist & Engineer 路线（Maxime Labonne）
| |-- huggingface-llm-course/ # 来自 Hugging Face 的官方课程
| |-- ai-engineering-from-scratch/# 从零编写 Transformer、Vector DB、RAG
| |-- rag-techniques-nirdiamant/ # 高级 RAG 技术汇总
| |-- genai-agents/ # 实际 Agent 架构（Planning、Memory）
| |-- llama-index-core/ # 将私有数据连接到 LLM 的 framework
| |-- awesome-llm-apps/ # 100+ Agent 和 RAG 应用合集
| |-- claude-cookbooks/ # 工具调用和评估实践指南
| |-- anthropic-agent-skills/ # Agent 技能打包标准
| |-- agentic-loop-engineering/ # 状态控制循环设计
| |-- deep-learning-paper-implementations/ # 按论文实现的 60+ PyTorch 模型
| |-- dive-into-deep-learning/ # 带源代码的 D2L 交互式书籍
| |-- deep-learning-book/ # Ian Goodfellow 的 Deep Learning 书籍
| |-- prompt-engineering-guide/ # 国际提示工程技术手册
| |-- made-with-ml/ # MLOps、CI/CD 和模型运维
| |-- learn-ai-engineering/ # AI Engineer 系统架构地图
| |-- ai-expert-roadmap/ # Machine Learning & AI 技能图谱
| `-- awesome-machine-learning/ # 按语言分类的 ML 库目录
|-- README.md # 中央指南文档
`-- LICENSE # MIT 开源许可证

3. 自学参考路线

下面是从仓库中的课程总结出的建议学习路线图，帮助学习者规划从基础到复杂的步骤：

flowchart TD
subgraph Stage1["第 1 阶段：数学与 Deep Learning 基础"]
A1["线性代数与微积分"] --> A2["使用 Scikit-Learn 的基础 Machine Learning"]
A2 --> A3["神经网络、CNN 与 RNN"]
A3 --> A4["实践经典论文实现（D2L 与 PyTorch）"]
end

subgraph Stage2["第 2 阶段：深入理解 LLM 并从零构建"]
B1["自注意力（Self-Attention）机制"] --> B2["Transformer Decoder（GPT from Scratch）"]
B2 --> B3["Tokenization 与训练流程"]
B3 --> B4["模型微调：LoRA/QLoRA、DPO 与量化"]
end

subgraph Stage3["第 3 阶段：Prompt 工程与 GenAI 应用"]
C1["Prompt 技术：CoT、ReAct、Few-shot"] --> C2["函数调用（Function Calling）与输出格式"]
C2 --> C3["构建聊天与多模态搜索应用"]
end

subgraph Stage4["第 4 阶段：RAG 系统与 Vector Database"]
D1["数据分块与 Embedding Models"] --> D2["Vector Search 与 Hybrid Search（Qdrant）"]
D2 --> D3["高级 RAG 技术：Re-ranking、HyDE、GraphRAG"]
D3 --> D4["RAG 度量与评估（Ragas Framework）"]
end

subgraph Stage5["第 5 阶段：自主智能体与多 Agent 系统"]
E1["Agent 循环、规划与记忆"] --> E2["使用外部工具（Tool Use）"]
E2 --> E3["多智能体编排（LangGraph、CrewAI、AutoGen）"]
E3 --> E4["状态控制与用户交互"]
end

subgraph Stage6["第 6 阶段：MCP 标准协议与 Agent 工具"]
F1["Model Context Protocol（MCP）协议"] --> F2["打包 Agent 技能（Skills）"]
F2 --> F3["编程智能体环境（Coding Agents）"]
F3 --> F4["使用 Ollama 运行本地模型"]
end

subgraph Stage7["第 7 阶段：系统设计与 MLOps 运维"]
G1["大规模系统设计（System Design）"] --> G2["用图表可视化架构"]
G2 --> G3["AI 工程原理（Chip Huyen AIE Book）"]
G3 --> G4["CI/CD、监控与模型服务（Made With ML）"]
end

Stage1 --> Stage2
Stage2 --> Stage3
Stage3 --> Stage4
Stage4 --> Stage5
Stage5 --> Stage6
Stage6 --> Stage7

4. 典型 Agentic RAG 系统的运行模型

顺序图展示了现代 AI 应用如何接收请求、结合记忆、查询数据并调用工具来回答：

sequenceDiagram
autonumber
actor User as 用户
participant Orchestrator as 编排器（LangGraph / CrewAI）
participant Memory as 上下文记忆（Session / Long-term）
participant Retriever as RAG 检索器（LlamaIndex）
participant VectorDB as Vector Database（Qdrant）
participant Tools as MCP 服务器 / 外部工具
participant Model as 语言模型（LLM / Ollama）

User->>Orchestrator: 发送请求或需要解决的问题
Orchestrator->>Memory: 检查会话历史与上下文
Memory-->>Orchestrator: 返回相关上下文信息
Orchestrator->>Retriever: 请求检索业务文档
Retriever->>VectorDB: 进行语义搜索并重新排序（Re-ranking）
VectorDB-->>Retriever: 返回相似文档片段
Retriever-->>Orchestrator: 移交已标准化的文档上下文
Orchestrator->>Model: 发送带上下文和工具列表的 Prompt
Model-->>Orchestrator: 请求激活工具（Tool Call）
Orchestrator->>Tools: 通过 MCP 协议或 API 调用外部工具
Tools-->>Orchestrator: 返回执行结果
Orchestrator->>Model: 补充工具结果以完成推理
Model-->>Orchestrator: 生成带分析的完整回答
Orchestrator->>User: 返回最终结果及引用来源

5. `curated-courses/` 中 50 门课程与项目的详细目录

下表按主题分组汇总了这些资源，便于跟踪和学习：

第 1 组：Machine Learning & Deep Learning 基础

汇集有助于巩固微积分、矩阵代数、基础机器学习和神经网络结构知识的资料。

序号	目录名	作者 / 来源	内容摘要
1	`microsoft-ml-for-beginners`	Microsoft	通过 Scikit-Learn 学习经典机器学习的 12 周课程，包含真实数据练习。
2	`microsoft-ai-for-beginners`	Microsoft	基于 PyTorch 和 TensorFlow 的神经网络、Computer Vision、NLP 与 Transformers 课程。
3	`karpathy-nn-zero-to-hero`	Andrej Karpathy	从零编写自动微分 micrograd、makemore 模型到 GPT 架构。
4	`deep-learning-book`	Ian Goodfellow	MIT Press《Deep Learning》教材的汇总与在线学习目录。
5	`dive-into-deep-learning`	D2L.ai	交互式教材，附带可在 PyTorch 和 JAX framework 上运行的源代码。
6	`deep-learning-paper-implementations`	Phil Wang (lucidrains)	纯 PyTorch 实现的 60+ 篇研究论文源代码：Diffusion、ViT、RoPE、Attention。
7	`awesome-machine-learning`	Joseph Misiti	按编程语言分类的开源机器学习库和工具目录。

第 2 组：理解 LLM 并从零构建（Build From Scratch）

这些项目有助于深入理解 Transformer Decoder 结构、Attention 机制以及模型训练/微调流程。

序号	目录名	作者 / 来源	内容摘要
8	`rasbt-llms-from-scratch`	Sebastian Raschka	用 PyTorch 从零编写 GPT-2/3 的源代码：从数据处理、预训练到 fine-tuning。
9	`karpathy-nanochat`	Andrej Karpathy	从训练小型语言模型到 Web 聊天界面的完整流程。
10	`ai-engineering-from-scratch`	Rohit Ghumare	不依赖大型 framework，自行编写 Vector DB、Attention、Transformer、RAG 和 Self-Correction。
11	`llm-course`	Maxime Labonne	面向 LLM Scientist 和 Engineer 的详细路线：Tokenizer、LoRA/QLoRA、DPO、量化。
12	`huggingface-llm-course`	Hugging Face	来自 Hugging Face 的官方课程，介绍 Transformers、Datasets、TRL 和 PEFT 工具集。

第 3 组：Prompt 工程与 GenAI 应用开发

关于结构化 Prompt 设计、函数调用和构建用户交互应用的文档与示例。

序号	目录名	作者 / 来源	内容摘要
13	`prompt-engineering-guide`	DAIR.AI	Prompt 技术手册：Zero-shot、Few-shot、Chain-of-Thought、ReAct 及高级策略。
14	`microsoft-generative-ai-for-beginners`	Microsoft	21 节课，构建文本生成、聊天机器人、搜索和图像生成应用。
15	`claude-cookbooks`	Anthropic	工具调用（tool use）、结构化输出、文本和图像分析的实践指南。
16	`awesome-llm-apps`	Shubham Saboo	100+ 个可参考并直接试运行的 RAG 和 Agent 示例应用合集。
17	`openai-plugins`	OpenAI	关于将模型连接到外部服务的插件机制的参考文档和示例源代码。

第 4 组：RAG 系统与 Vector 数据库

这些技术有助于将模型连接到业务数据仓库，并衡量回答的准确性。

序号	目录名	作者 / 来源	内容摘要
18	`rag-techniques-nirdiamant`	Nir Diamant	RAG 技术汇总：Chunking、Re-ranking、Contextual Compression、Graph RAG。
19	`llama-index-core`	LlamaIndex / Jerry Liu	通过连接器和索引将私有数据连接到大型语言模型的库。
20	`qdrant-vector-database`	Qdrant	用 Rust 编写的向量数据库，支持混合搜索和精确 payload 过滤。
21	`ragas-eval-framework`	Exploding Gradients	RAG 定量评估框架：忠实度（faithfulness）、相关性和覆盖率。

第 5 组：智能体系统与多 Agent 编排

构建具备规划、记忆、数据共享和协作解决大型问题能力的智能体。

序号	目录名	作者 / 来源	内容摘要
22	`langchain-framework`	LangChain	用于连接任务链、工具和 LLM 处理组件的流行 framework。
23	`langgraph-orchestration`	LangChain	以循环图形式为复杂流程编排有状态 agent 工作流。
24	`crewai-multi-agent`	CrewAI Inc	组织分层角色智能体团队以共同执行任务的 framework。
25	`microsoft-ai-agents-for-beginners`	Microsoft	18 节课，介绍 Agent 设计模式、多智能体协议和实际部署。
26	`microsoft-autogen`	Microsoft	自动多智能体对话 framework，支持动态群组对话和安全代码执行。
27	`genai-agents`	Nir Diamant	实际 agent 设计模式：规划（Planning）、长期记忆、自我检查（Reflection）。
28	`agentic-loop-engineering`	Cobus Greyling	设计反思循环和智能体对话状态控制机制的架构。

第 6 组：智能体环境、技能与 MCP 协议

扩展工具、会话记忆和工具连接协议标准。

序号	目录名	作者 / 来源	内容摘要
29	`mcp-reference-servers`	Model Context Protocol	官方参考服务器集：Filesystem、SQLite、Postgres、Git、Puppeteer。
30	`awesome-mcp-servers-catalog`	punkpeye	社区开发的 Model Context Protocol 服务器汇总目录。
31	`anthropic-agent-skills`	Anthropic	将指南和脚本打包为可复用 agent 技能的标准。
32	`superpowers-coding-skills`	obra	专为 coding agents 设计的技能框架和软件开发流程。
33	`claude-code-agents-suite`	wshobson	在 Claude Code 环境中支持自动化和任务分派的智能体套件。
34	`claude-mem-plugin`	thedotmack	跨会话记忆上下文并自动压缩相关信息的插件。
35	`claude-flow-orchestration`	ruvnet	大规模多智能体工作流编排 framework ruFlo。
36	`planning-with-files`	OthmanAdi	通过 Markdown 文件规划并跟踪工作进度的方法。
37	`claude-scientific-skills`	K-Dense-AI	用于科学研究、仿真和实验数据分析的技能集。
38	`claude-code-guide`	zebbern	环境设置、SKILL.md 文件和扩展命令的详细指南。
39	`oh-my-claudecode`	Yeachan-Heo	预配置的扩展和智能体工具集，支持快速部署。
40	`ecc-agent-harness`	affaan-m	从安全、记忆和研究流程方面优化 agent harness。
41	`teamai-cli-tencent`	Tencent	在技术团队中共享技能、工作规则和 MCP 配置的工具。
42	`pi-desktop-agent-env`	vastsa	为编程智能体优化的本地桌面环境。
43	`ollama-local-llms`	Ollama	直接在本地机器上运行开源模型，用于实验和离线推理。

第 7 组：系统设计与可视化（System Design）

有助于理解分布式系统架构、负载承受能力以及如何通过图表表达想法的资料。

序号	目录名	作者 / 来源	内容摘要
44	`system-design-notes`	liquidslr	大型系统设计笔记汇总：Sharding、Caching、Message Queues、Rate Limiting。
45	`diagram-design`	Cathryn Lavery	面向技术文档的清晰、规范系统图设计模板库。

第 8 组：参考路线与 MLOps 流程

总结整体知识以及将 AI 项目投入实际应用流程的标准化步骤。

序号	目录名	作者 / 来源	内容摘要
46	`aie-book-chiphuyen`	Chip Huyen	来自作者 Chip Huyen 的著名 AI Engineering 书籍的资源、练习和分析。
47	[`made

……（正文超出本站单页篇幅上限，此处截断；完整表述请见下方原文入口。）

译文由上游机器翻译生成，可能有误；判断请以英文原文为准。

英文原文（来源本站未改写）

AI Engineering & Autonomous Agents Learning Hub

Không gian tổng hợp tài liệu, giáo trình thực hành và mã nguồn được thu thập, đúc kết trong quá trình tự học và nghiên cứu về AI Engineering, Large Language Models (LLM), Hệ thống tác tử tự hành (Autonomous Agents) và MLOps.

Kho lưu trữ này được xây dựng với mục đích chính là làm nơi tự học, lưu trữ các dự án thực nghiệm cá nhân, đồng thời chia sẻ một thư viện tham khảo có hệ thống cho cộng đồng những người đang tìm hiểu và theo đuổi con đường AI Engineering.

1. Đôi Nét Về Kho Lưu Trữ

Trong quá trình tìm tòi và học tập về AI, các tài liệu chất lượng cao từ lý thuyết toán, mô hình ngôn ngữ lớn đến các framework điều phối tác tử thường nằm rải rác ở rất nhiều nguồn khác nhau. Việc vừa học vừa tổng hợp lại giúp người học: Có cái nhìn liền mạch từ nền tảng toán học, cách xây dựng mô hình từ đầu cho đến ứng dụng vào thực tế sản xuất. Lưu trữ mã nguồn mẫu để có thể trực tiếp chạy, chỉnh sửa, thử nghiệm và gộp các ý tưởng lại với nhau. * Tạo ra một danh mục tham chiếu thuận tiện để khi cần giải quyết một bài toán cụ thể (RAG, Multi-Agent, Tool Use, Evaluation) có thể tra cứu và đối chiếu nhanh chóng.

Kho lưu trữ được chia làm hai khu vực chính: Thư mục gốc: Tuyển tập 93+ dự án thực hành mã nguồn mở về Computer Vision, OCR, Chat UI, Reasoning UI, RAG đa phương thức và hệ thống Multi-Agent MCP. Thư mục curated-courses/: 50 bộ giáo trình, dự án và tài liệu được gom lại từ các chuyên gia, trường đại học và tổ chức mã nguồn mở trên thế giới.

2. Cấu Trúc Tổ Chức Thư Mục

AI-ENGINEERING-HUB/
|-- [93+ Root Projects]             # Các ứng dụng và dự án mẫu thực hành độc lập
|-- curated-courses/                # 50 bộ giáo trình và tài nguyên chuyên sâu
|   |-- aie-book-chiphuyen/         # Tài nguyên sách AI Engineering của Chip Huyen
|   |-- langchain-framework/       # Framework LangChain
|   |-- langgraph-orchestration/    # Framework LangGraph điều phối tác tử dạng đồ thị
|   |-- crewai-multi-agent/         # Framework CrewAI cho hệ đa tác tử
|   |-- qdrant-vector-database/     # Cơ sở dữ liệu vector Qdrant
|   |-- ragas-eval-framework/       # Thư viện đánh giá chất lượng RAG
|   |-- ollama-local-llms/          # Công cụ chạy LLM trên máy cá nhân
|   |-- awesome-mcp-servers-catalog/# Danh mục Model Context Protocol
|   |-- mcp-reference-servers/      # Bộ máy chủ MCP mẫu chuẩn hóa
|   |-- superpowers-coding-skills/  # Khung kỹ năng cho coding agent
|   |-- claude-code-agents-suite/   # Bộ công cụ điều phối tác tử cho Claude Code
|   |-- claude-mem-plugin/          # Plugin nén và ghi nhớ phiên làm việc
|   |-- claude-flow-orchestration/  # Điều phối workflow đa tác tử ruFlo
|   |-- planning-with-files/        # Quản trị kế hoạch làm việc bằng Markdown
|   |-- claude-scientific-skills/   # Kỹ năng phân tích số liệu và nghiên cứu
|   |-- claude-code-guide/          # Hướng dẫn cấu hình Claude Code và SKILL.md
|   |-- oh-my-claudecode/           # Tiện ích mở rộng đa tác tử dựng sẵn
|   |-- ecc-agent-harness/          # Tối ưu harness, bộ nhớ và bảo mật agent
|   |-- teamai-cli-tencent/         # CLI chia sẻ kỹ năng và cấu hình nhóm
|   |-- pi-desktop-agent-env/       # Môi trường desktop local-first cho agent
|   |-- openai-plugins/             # Tài liệu và mẫu plugin từ OpenAI
|   |-- diagram-design/             # Mẫu thiết kế sơ đồ hệ thống cho AI tools
|   |-- system-design-notes/        # Ghi chú thiết kế hệ thống phân tán
|   |-- ultimate-ai-engineer-roadmap-2026/ # Lộ trình tham khảo AI Engineer 2026
|   |-- microsoft-ml-for-beginners/ # 12 tuần Machine Learning qua Scikit-Learn
|   |-- microsoft-ai-for-beginners/ # Mạng neural, Computer Vision, NLP
|   |-- microsoft-generative-ai-for-beginners/ # 21 bài học xây dựng ứng dụng GenAI
|   |-- microsoft-ai-agents-for-beginners/ # 18 bài học về hệ thống AI Agents
|   |-- microsoft-autogen/          # Framework đàm thoại đa tác tử của Microsoft
|   |-- karpathy-nn-zero-to-hero/   # Xây dựng mạng neuron từ micrograd đến GPT
|   |-- karpathy-nanochat/          # Quy trình huấn luyện và giao diện chat
|   |-- rasbt-llms-from-scratch/    # Tự lập trình GPT từ đầu bằng PyTorch
|   |-- llm-course/                 # Lộ trình LLM Scientist & Engineer (Maxime Labonne)
|   |-- huggingface-llm-course/     # Giáo trình chính thức từ Hugging Face
|   |-- ai-engineering-from-scratch/# Tự code Transformer, Vector DB, RAG từ số 0
|   |-- rag-techniques-nirdiamant/  # Tổng hợp các kỹ thuật RAG nâng cao
|   |-- genai-agents/               # Kiến trúc Agent thực tế (Planning, Memory)
|   |-- llama-index-core/           # Framework kết nối dữ liệu riêng với LLM
|   |-- awesome-llm-apps/           # Bộ sưu tập hơn 100 ứng dụng Agent và RAG
|   |-- claude-cookbooks/           # Hướng dẫn thực hành gọi công cụ và đánh giá
|   |-- anthropic-agent-skills/     # Tiêu chuẩn đóng gói kỹ năng cho Agent
|   |-- agentic-loop-engineering/   # Thiết kế vòng lặp điều khiển trạng thái
|   |-- deep-learning-paper-implementations/ # 60+ mô hình PyTorch theo paper
|   |-- dive-into-deep-learning/    # Sách tương tác D2L kèm mã nguồn
|   |-- deep-learning-book/         # Sách Deep Learning của Ian Goodfellow
|   |-- prompt-engineering-guide/   # Cẩm nang kỹ thuật prompt quốc tế
|   |-- made-with-ml/               # MLOps, CI/CD và vận hành mô hình
|   |-- learn-ai-engineering/       # Bản đồ kiến trúc hệ thống AI Engineer
|   |-- ai-expert-roadmap/          # Sơ đồ kỹ năng Machine Learning & AI
|   `-- awesome-machine-learning/   # Danh bạ thư viện ML theo ngôn ngữ
|-- README.md                       # Tài liệu hướng dẫn trung tâm
`-- LICENSE                         # Giấy phép mã nguồn mở MIT

3. Lộ Trình Tham Khảo Khi Tự Học

Dưới đây là sơ đồ gợi ý lộ trình học tập được tổng kết từ các giáo trình có trong kho lưu trữ, giúp người học định hình các bước đi từ cơ bản đến phức tạp:

flowchart TD
    subgraph Stage1["Chặng 1: Nền Tảng Toán Học & Deep Learning"]
        A1["Đại số tuyến tính & Giải tích"] --> A2["Machine Learning cơ bản với Scikit-Learn"]
        A2 --> A3["Mạng nơ-ron, CNN & RNN"]
        A3 --> A4["Thực hành triển khai Paper kinh điển (D2L & PyTorch)"]
    end

    subgraph Stage2["Chặng 2: Hiểu Sâu LLM & Tự Xây Dựng Từ Đầu"]
        B1["Cơ chế Tự chú ý (Self-Attention)"] --> B2["Transformer Decoder (GPT from Scratch)"]
        B2 --> B3["Tokenization & Quy trình Huấn luyện"]
        B3 --> B4["Tinh chỉnh mô hình: LoRA/QLoRA, DPO & Lượng tử hóa"]
    end

    subgraph Stage3["Chặng 3: Kỹ Thuật Prompt & Ứng Dụng GenAI"]
        C1["Kỹ thuật Prompt: CoT, ReAct, Few-shot"] --> C2["Gọi Hàm (Function Calling) & Định Dạng Đầu Ra"]
        C2 --> C3["Xây dựng Ứng Dụng Chat & Tìm Kiếm Đa Phương Thức"]
    end

    subgraph Stage4["Chặng 4: Hệ Thống RAG & Vector Database"]
        D1["Phân mảnh dữ liệu & Embedding Models"] --> D2["Vector Search & Hybrid Search (Qdrant)"]
        D2 --> D3["Kỹ thuật RAG Nâng cao: Re-ranking, HyDE, GraphRAG"]
        D3 --> D4["Đo lường & Đánh giá RAG (Ragas Framework)"]
    end

    subgraph Stage5["Chặng 5: Tác Tử Tự Hành & Hệ Thống Đa Agent"]
        E1["Vòng lặp Agent, Lập kế hoạch & Bộ nhớ"] --> E2["Sử dụng Công cụ Ngoài (Tool Use)"]
        E2 --> E3["Điều phối Đa Tác tử (LangGraph, CrewAI, AutoGen)"]
        E3 --> E4["Kiểm soát Trạng thái & Tương tác Người Dùng"]
    end

    subgraph Stage6["Chặng 6: Chuẩn Giao Thức MCP & Công Cụ Tác Tử"]
        F1["Giao thức Model Context Protocol (MCP)"] --> F2["Đóng gói Kỹ năng Agent (Skills)"]
        F2 --> F3["Môi trường Tác tử Lập trình (Coding Agents)"]
        F3 --> F4["Chạy Mô hình Cục bộ với Ollama"]
    end

    subgraph Stage7["Chặng 7: Thiết Kế Hệ Thống & MLOps Vận Hành"]
        G1["Thiết Kế Hệ Thống Quy Mô Lớn (System Design)"] --> G2["Trực quan hóa Kiến trúc Bằng Sơ đồ"]
        G2 --> G3["Nguyên lý Kỹ thuật AI (Chip Huyen AIE Book)"]
        G3 --> G4["CI/CD, Giám sát & Phục vụ Mô hình (Made With ML)"]
    end

    Stage1 --> Stage2
    Stage2 --> Stage3
    Stage3 --> Stage4
    Stage4 --> Stage5
    Stage5 --> Stage6
    Stage6 --> Stage7

4. Mô Hình Hoạt Động Của Một Hệ Thống Agentic RAG Điển Hình

Sơ đồ tuần tự thể hiện cách thức một ứng dụng AI hiện đại tiếp nhận yêu cầu, kết hợp bộ nhớ, tra cứu dữ liệu và gọi công cụ để trả lời:

sequenceDiagram
    autonumber
    actor User as Người dùng
    participant Orchestrator as Bộ Điều Phối (LangGraph / CrewAI)
    participant Memory as Bộ Nhớ Ngữ Cảnh (Session / Long-term)
    participant Retriever as Bộ Truy Xuất RAG (LlamaIndex)
    participant VectorDB as Vector Database (Qdrant)
    participant Tools as Máy Chủ MCP / Công Cụ Ngoài
    participant Model as Mô Hình Ngôn Ngữ (LLM / Ollama)

    User->>Orchestrator: Gửi yêu cầu hoặc bài toán cần giải quyết
    Orchestrator->>Memory: Kiểm tra lịch sử và ngữ cảnh phiên làm việc
    Memory-->>Orchestrator: Trả về thông tin ngữ cảnh liên quan
    Orchestrator->>Retriever: Yêu cầu tìm kiếm tài liệu nghiệp vụ
    Retriever->>VectorDB: Tìm kiếm ngữ nghĩa và xếp hạng lại (Re-ranking)
    VectorDB-->>Retriever: Trả về các đoạn tài liệu tương đồng
    Retriever-->>Orchestrator: Bàn giao ngữ cảnh tài liệu đã chuẩn hóa
    Orchestrator->>Model: Gửi Prompt kèm Ngữ cảnh và Danh sách công cụ
    Model-->>Orchestrator: Yêu cầu kích hoạt công cụ (Tool Call)
    Orchestrator->>Tools: Gọi công cụ ngoài qua giao thức MCP hoặc API
    Tools-->>Orchestrator: Trả về kết quả thực thi
    Orchestrator->>Model: Bổ sung kết quả công cụ để suy luận hoàn tất
    Model-->>Orchestrator: Tạo câu trả lời đầy đủ kèm phân tích
    Orchestrator->>User: Phản hồi kết quả cuối cùng kèm nguồn trích dẫn

5. Danh Mục Chi Tiết 50 Khóa Học & Dự Án Trong `curated-courses/`

Dưới đây là bảng tổng hợp các tài nguyên đã được phân loại theo từng nhóm chủ đề để tiện theo dõi và học tập:

Nhóm 1: Nền Tảng Machine Learning & Deep Learning

Tập hợp các tài liệu giúp củng cố kiến thức giải tích, đại số ma trận, học máy cơ bản và cấu trúc mạng neuron.

STT	Tên Thư Mục	Tác Giả / Nguồn	Tóm Tắt Nội Dung
1	`microsoft-ml-for-beginners`	Microsoft	Khóa học 12 tuần về học máy cổ điển qua Scikit-Learn với các bài tập dữ liệu thực tế.
2	`microsoft-ai-for-beginners`	Microsoft	Giáo trình mạng neuron, Computer Vision, NLP và Transformers trên PyTorch và TensorFlow.
3	`karpathy-nn-zero-to-hero`	Andrej Karpathy	Tự viết bộ vi phân tự động micrograd, mô hình makemore đến kiến trúc GPT từ con số 0.
4	`deep-learning-book`	Ian Goodfellow	Tổng hợp và mục lục học trực tuyến cuốn sách giáo khoa Deep Learning của MIT Press.
5	`dive-into-deep-learning`	D2L.ai	Sách giáo khoa tương tác kèm mã nguồn chạy trên các framework PyTorch và JAX.
6	`deep-learning-paper-implementations`	Phil Wang (lucidrains)	Bộ mã nguồn PyTorch thuần thực thi hơn 60 bài báo nghiên cứu: Diffusion, ViT, RoPE, Attention.
7	`awesome-machine-learning`	Joseph Misiti	Danh bạ thư viện và công cụ học máy mã nguồn mở phân loại theo ngôn ngữ lập trình.

Nhóm 2: Tìm Hiểu LLM & Xây Dựng Từ Đầu (Build From Scratch)

Các dự án giúp hiểu rõ cấu trúc Transformer Decoder, cơ chế Attention và quy trình huấn luyện/tinh chỉnh mô hình.

STT	Tên Thư Mục	Tác Giả / Nguồn	Tóm Tắt Nội Dung
8	`rasbt-llms-from-scratch`	Sebastian Raschka	Mã nguồn tự viết GPT-2/3 từ đầu bằng PyTorch: từ xử lý dữ liệu, tiền huấn luyện đến fine-tuning.
9	`karpathy-nanochat`	Andrej Karpathy	Quy trình toàn diện từ việc huấn luyện một mô hình ngôn ngữ nhỏ gọn đến giao diện web chat.
10	`ai-engineering-from-scratch`	Rohit Ghumare	Tự code Vector DB, Attention, Transformer, RAG và Self-Correction không phụ thuộc framework lớn.
11	`llm-course`	Maxime Labonne	Lộ trình chi tiết cho LLM Scientist và Engineer: Tokenizer, LoRA/QLoRA, DPO, lượng tử hóa.
12	`huggingface-llm-course`	Hugging Face	Giáo trình chính thức từ Hugging Face về bộ công cụ Transformers, Datasets, TRL và PEFT.

Nhóm 3: Kỹ Thuật Prompt & Phát Triển Ứng Dụng GenAI

Tài liệu và ví dụ về thiết kế prompt có cấu trúc, gọi hàm và xây dựng ứng dụng tương tác người dùng.

STT	Tên Thư Mục	Tác Giả / Nguồn	Tóm Tắt Nội Dung
13	`prompt-engineering-guide`	DAIR.AI	Cẩm nang kỹ thuật prompt: Zero-shot, Few-shot, Chain-of-Thought, ReAct và các chiến lược nâng cao.
14	`microsoft-generative-ai-for-beginners`	Microsoft	21 bài học xây dựng ứng dụng sinh văn bản, chatbot, tìm kiếm và tạo ảnh.
15	`claude-cookbooks`	Anthropic	Hướng dẫn thực hành gọi công cụ (tool use), đầu ra có cấu trúc, phân tích văn bản và ảnh.
16	`awesome-llm-apps`	Shubham Saboo	Bộ sưu tập hơn 100 ứng dụng RAG và Agent mẫu có thể tham khảo và chạy thử trực tiếp.
17	`openai-plugins`	OpenAI	Tài liệu tham khảo và mã nguồn mẫu về cơ chế plugin kết nối mô hình với dịch vụ ngoài.

Nhóm 4: Hệ Thống RAG & Cơ Sở Dữ Liệu Vector

Các công nghệ giúp kết nối mô hình với kho dữ liệu nghiệp vụ và đo lường độ chính xác của câu trả lời.

STT	Tên Thư Mục	Tác Giả / Nguồn	Tóm Tắt Nội Dung
18	`rag-techniques-nirdiamant`	Nir Diamant	Tổng hợp các kỹ thuật RAG: Chunking, Re-ranking, Contextual Compression, Graph RAG.
19	`llama-index-core`	LlamaIndex / Jerry Liu	Thư viện kết nối dữ liệu riêng với mô hình ngôn ngữ lớn qua các cổng kết nối và chỉ mục.
20	`qdrant-vector-database`	Qdrant	Cơ sở dữ liệu vector viết bằng Rust, hỗ trợ tìm kiếm kết hợp và lọc payload chính xác.
21	`ragas-eval-framework`	Exploding Gradients	Khung đánh giá định lượng RAG: độ trung thực (faithfulness), độ liên quan và độ bao quát.

Nhóm 5: Hệ Thống Tác Tử & Điều Phối Đa Agent

Xây dựng các tác tử có khả năng lập kế hoạch, ghi nhớ, chia sẻ dữ liệu và phối hợp giải quyết bài toán lớn.

STT	Tên Thư Mục	Tác Giả / Nguồn	Tóm Tắt Nội Dung
22	`langchain-framework`	LangChain	Framework phổ biến để liên kết các chuỗi tác vụ, công cụ và thành phần xử lý của LLM.
23	`langgraph-orchestration`	LangChain	Điều phối luồng agent có trạng thái dưới dạng đồ thị chu trình cho các quy trình phức tạp.
24	`crewai-multi-agent`	CrewAI Inc	Framework tổ chức đội ngũ tác tử đóng vai trò phân tầng để cùng thực thi nhiệm vụ.
25	`microsoft-ai-agents-for-beginners`	Microsoft	Khóa học 18 bài về các mẫu thiết kế Agent, giao thức đa tác tử và triển khai thực tế.
26	`microsoft-autogen`	Microsoft	Framework đàm thoại đa tác tử tự động, hỗ trợ hội thoại nhóm động và thực thi mã an toàn.
27	`genai-agents`	Nir Diamant	Các mẫu thiết kế agent thực tế: Lập kế hoạch (Planning), Ghi nhớ dài hạn, Tự kiểm tra (Reflection).
28	`agentic-loop-engineering`	Cobus Greyling	Kiến trúc thiết kế các vòng lặp phản xạ và cơ chế kiểm soát trạng thái hội thoại của tác tử.

Nhóm 6: Môi Trường Tác Tử, Kỹ Năng & Giao Thức MCP

Các công cụ mở rộng, bộ nhớ phiên làm việc và chuẩn giao thức kết nối công cụ.

STT	Tên Thư Mục	Tác Giả / Nguồn	Tóm Tắt Nội Dung
29	`mcp-reference-servers`	Model Context Protocol	Bộ máy chủ tham chiếu chính thức: Filesystem, SQLite, Postgres, Git, Puppeteer.
30	`awesome-mcp-servers-catalog`	punkpeye	Danh mục tổng hợp các máy chủ Model Context Protocol cộng đồng phát triển.
31	`anthropic-agent-skills`	Anthropic	Tiêu chuẩn đóng gói hướng dẫn và kịch bản dưới dạng kỹ năng agent có thể tái sử dụng.
32	`superpowers-coding-skills`	obra	Khung kỹ năng và quy trình phát triển phần mềm dành riêng cho coding agents.
33	`claude-code-agents-suite`	wshobson	Bộ tác tử hỗ trợ tự động hóa và phân công công việc trong môi trường Claude Code.
34	`claude-mem-plugin`	thedotmack	Plugin ghi nhớ ngữ cảnh qua các phiên làm việc và tự động nén thông tin liên quan.
35	`claude-flow-orchestration`	ruvnet	Framework ruFlo điều phối quy trình làm việc đa tác tử quy mô lớn.
36	`planning-with-files`	OthmanAdi	Phương pháp lập kế hoạch và theo dõi tiến độ công việc thông qua tệp Markdown.
37	`claude-scientific-skills`	K-Dense-AI	Bộ kỹ năng phục vụ nghiên cứu khoa học, mô phỏng và phân tích số liệu thực nghiệm.
38	`claude-code-guide`	zebbern	Hướng dẫn chi tiết thiết lập môi trường, tệp SKILL.md và các lệnh mở rộng.
39	`oh-my-claudecode`	Yeachan-Heo	Bộ tiện ích mở rộng và tác tử cấu hình sẵn hỗ trợ triển khai nhanh chóng.
40	`ecc-agent-harness`	affaan-m	Tối ưu hóa harness cho agent về khía cạnh bảo mật, bộ nhớ và luồng nghiên cứu.
41	`teamai-cli-tencent`	Tencent	Công cụ chia sẻ kỹ năng, quy tắc làm việc và cấu hình MCP trong nhóm kỹ thuật.
42	`pi-desktop-agent-env`	vastsa	Môi trường desktop cục bộ được tinh chỉnh để phục vụ các tác tử lập trình.
43	`ollama-local-llms`	Ollama	Chạy mô hình mã nguồn mở trực tiếp trên máy để phục vụ thử nghiệm và suy luận offline.

Nhóm 7: Thiết Kế Hệ Thống & Trực Quan Hóa (System Design)

Tài liệu hỗ trợ hiểu về kiến trúc hệ thống phân tán, chịu tải và cách thể hiện ý tưởng qua sơ đồ.

STT	Tên Thư Mục	Tác Giả / Nguồn	Tóm Tắt Nội Dung
44	`system-design-notes`	liquidslr	Tổng hợp ghi chú thiết kế hệ thống lớn: Sharding, Caching, Message Queues, Rate Limiting.
45	`diagram-design`	Cathryn Lavery	Thư viện mẫu thiết kế sơ đồ hệ thống rõ ràng, chuẩn mực dành cho tài liệu kỹ thuật.

Nhóm 8: Lộ Trình Tham Khảo & Quy Trình MLOps

Đúc kết kiến thức tổng thể và các bước chuẩn hóa quy trình đưa dự án AI vào thực tế.

STT	Tên Thư Mục	Tác Giả / Nguồn	Tóm Tắt Nội Dung
46	`aie-book-chiphuyen`	Chip Huyen	Tài nguyên, bài tập và phân tích từ cuốn sách AI Engineering nổi tiếng của tác giả Chip Huyen.
47	[`made

... (truncated at the site's per-page length limit; see the source link below for the full text.)

出处https://github.com/ngophatneknha/ai-engineering-hub抓取日期 2026.11.09 · 采集源 GitHub

03 / EVIDENCE GAPS

这条还缺什么证据？

下面每条都由本条已有字段推出（等级、理由、商业模式、来源次数、是否演示），本站不生成推测性结论；通用验证方法放在方法论页。

可核验的收入或付费证据查官网定价页与付费口径；第三方数据源（如 GetLatka）只作旁证，需标注来源与时点。
商业模式未定确认按席位／按用量／授权还是开源托管版收费；开源项目另查 LICENSE 与是否存在付费版。
只有单一来源找一手站点或其他渠道是否重复出现同一产品；社区热帖数量不等于商业进展。

通用验证清单（谁有这个问题／谁愿意付费／一个人能交付哪一小步）见我们的筛选方法。

04 / SIGNAL HISTORY

发现时间线

2026.11.09

入选当期日报 GitHub · D 级信号 · 原始链接