星战科技xingzhan.cloud
返回市场
人工智能基础组件

人工智能基础组件

作者：6NineLives3 星标更新：2025-11-12
安装使用来源：spider==github.com

项目介绍

🧠 AI-Essentials — 最终的人工智能学习目录

一个由社区驱动的仓库，帮助任何人学习人工智能——提供可运行的示例、简洁的解释以及视觉指南，涵盖从基础到现代人工智能的主题。

⭐ 为什么这个仓库存在

  • 💻 实用示例 - 所有代码开箱即用
  • 📊 视觉学习 - 使用Mermaid图表和清晰的解释
  • ⚡ 快速开始 - 每个主题都有“五分钟内了解AI”的总结
  • 🎯 全面覆盖 - 从机器学习基础到前沿技术
  • 🔗 精选资源 - 最佳教程、文档和学习路径

Stars License Python Node

⭐ 给这个仓库点赞 以关注更新并贡献！

🚀 快速开始

1. 克隆并安装

# 克隆仓库
git clone https://github.com/6NineLives/AI-Essentials.git
cd AI-Essentials

# Python环境设置
python -m venv .venv
source .venv/bin/activate  # Windows: .\.venv\Scripts\activate
pip install -r requirements.txt

# Node.js环境设置
npm install

2. 配置环境

# 复制示例环境文件
cp .env.example .env

# 编辑.env文件并添加你的API密钥
# OPENAI_API_KEY=your_key_here
# PINECONE_API_KEY=your_key_here (可选)

3. 运行示例

# 基础知识
python 01_Foundations/linear_regression.py
python 01_Foundations/perceptron_example.py

# 大型语言模型
python 02_LLMs/openai_example.py
python 02_LLMs/transformers_example.py
jupyter notebook 02_LLMs/llm_basics.ipynb

# 检索增强生成
python 03_RAG/rag_pipeline.py
python 03_RAG/vectorstore_setup.py

# 模型上下文协议
python 04_MCP/mcp_server_example.py
node 04_MCP/client_example.js

# 人工智能代理
python 05_Agents/openai_agent.py
python 05_Agents/crewai_agent_example.py

# 向量数据库
python 06_Vector_Databases/chromadb_example.py
python 06_Vector_Databases/pinecone_example.py

# 提示工程
python 07_Prompt_Engineering/examples/system_prompt_tuning.py

📂 仓库结构

AI-Essentials/
├── 01_Foundations/          # 机器学习基础
│   ├── README.md            # 线性回归与感知机概念
│   ├── linear_regression.py # 工作示例及可视化
│   ├── perceptron_example.py # 神经网络基础
│   └── resources.md         # 精选学习材料
│
├── 02_LLMs/                 # 大型语言模型
│   ├── README.md            # LLM概念与架构
│   ├── openai_example.py    # OpenAI API使用
│   ├── transformers_example.py # Hugging Face transformers
│   ├── llm_basics.ipynb     # 交互式Jupyter笔记本
│   └── ai_in_5_minutes.md   # 快速LLM概述
│
├── 03_RAG/                  # 检索增强生成
│   ├── README.md            # RAG管道解释
│   ├── rag_pipeline.py      # 完整RAG实现
│   ├── vectorstore_setup.py # 向量数据库设置
│   └── ai_in_5_minutes.md   # 快速RAG概述
│
├── 04_MCP/                  # 模型上下文协议
│   ├── README.md            # MCP概念与使用
│   ├── mcp_server_example.py # Python MCP服务器
│   ├── client_example.js    # JavaScript MCP客户端
│   └── ai_in_5_minutes.md   # 快速MCP概述
│
├── 05_Agents/               # 人工智能代理
│   ├── README.md            # 代理架构
│   ├── openai_agent.py      # 函数调用代理
│   ├── crewai_agent_example.py # 多代理协作
│   └── ai_in_5_minutes.md   # 快速代理概述
│
├── 06_Vector_Databases/     # 向量存储与搜索
│   ├── README.md            # 向量数据库概念
│   ├── chromadb_example.py  # 本地向量数据库
│   ├── pinecone_example.py  # 云端向量数据库
│   └── ai_in_5_minutes.md   # 快速向量数据库概述
│
└── 07_Prompt_Engineering/   # 提示优化
    ├── README.md            # 提示工程指南
    ├── examples/
    │   ├── system_prompt_tuning.py # 系统提示示例
    │   └── few_shot_examples.md    # 少样本学习
    └── ai_in_5_minutes.md   # 快速提示工程概述

📚 学习路径

🔰 绝对初学者路径

如果你是AI和机器学习的新手：

  1. 01_Foundations - 从这里开始！学习ML基础知识

    • 线性回归 - 预测连续值
    • 感知机 - 第一个神经网络
    • 资源 - 精选入门指南

  2. 02_LLMs - 了解现代AI

    • 什么是LLM及其工作原理
    • 运行第一个LLM示例
    • 交互式Jupyter探索

  3. 07_Prompt_Engineering - 获取更好的结果

    • 学习如何与AI沟通
    • 掌握提示技巧
    • 实践示例

🚀 现代AI堆栈路径

对于希望构建生产级AI应用的开发者：

  1. 02_LLMs - 掌握语言模型
  2. 03_RAG - 添加知识检索
  3. 06_Vector_Databases - 优化存储
  4. 05_Agents - 构建自主系统
  5. 04_MCP - 标准化集成

🎯 快速专业追赶

对于有经验但新接触现代AI的开发者：

  • 阅读所有**“五分钟内了解AI”**概要（总计30分钟）
  • 每个文件夹中运行一个示例（2-3小时）
  • 对于相关用例进行深入研究

🎓 覆盖主题

01_Foundations - 机器学习基础

学习AI的基本构建模块：

  • 线性回归 - 从数据预测值
  • 感知机 - 最简单的神经网络
  • 核心概念 - 特征、训练、预测

🔍 应用场景：价格预测、趋势分析、分类

02_LLMs - 大型语言模型

掌握现代AI的语言理解能力：

  • OpenAI API - GPT-3.5、GPT-4使用
  • Transformers - Hugging Face模型
  • 分词 - LLM如何处理文本
  • 函数调用 - 给LLM能力

🔍 应用场景：聊天机器人、代码生成、内容创作

03_RAG - 检索增强生成

将LLM响应扎根于自己的数据：

  • RAG管道 - 端到端实现
  • 文档分块 - 最优文本分割
  • 向量搜索 - 语义检索
  • 上下文注入 - 增强LLM提示

🔍 应用场景：知识库、问答系统、文档搜索

04_MCP - 模型上下文协议

标准化AI到工具的通信：

  • MCP服务器 - 暴露数据和功能
  • MCP客户端 - 连接应用程序
  • 协议 - 标准集成模式

🔍 应用场景：Claude桌面集成、工具访问、数据连接器

05_Agents - 人工智能代理

构建自主AI系统：

  • ReAct模式 - 推理+行动
  • 工具使用 - API调用、数据库查询
  • 多代理 - 协作AI团队
  • 规划 - 多步骤任务执行

🔍 应用场景：客户服务、研究助手、自动化

06_Vector_Databases - 语义搜索

高效存储和查询嵌入：

  • ChromaDB - 本地、轻量级选项
  • Pinecone - 云端、生产规模
  • 相似度搜索 - 查找相关内容
  • 元数据过滤 - 混合搜索

🔍 应用场景：语义搜索、推荐、RAG系统

07_Prompt_Engineering - 优化AI输出

通过更好的提示获取更好的结果：

  • 系统提示 - 设置行为和语气
  • 少样本学习 - 通过示例教学
  • 链式思维 - 分步推理
  • 输出格式化 - 控制结构

🔍 应用场景：所有LLM应用都受益于良好的提示

💡 “五分钟内了解AI”系列

快速、专业的概要供忙碌的开发者阅读：

总阅读时间：约30分钟，了解整个现代AI堆栈！

🤝 贡献

我们欢迎贡献！请参阅CONTRIBUTING.md以获取指南。

贡献方式：

  • 🐛 报告错误或问题
  • ✨ 建议新的示例或主题
  • 📝 改进文档
  • 🔗 添加学习资源
  • 💻 提交代码改进

初次贡献建议：

  • 在其他语言中添加示例（如JavaScript、Go等）
  • 创建额外的“五分钟内了解AI”指南
  • 扩展resources.md文件
  • 添加更多可视化示例

🗺️ 发展路线图

即将推出

  • 评估模式（RAGAS、G-Eval）
  • 微调指南
  • 生产部署示例
  • 多模态AI（图像、音频）
  • 代理安全性和护栏

社区请求

  • LangChain/LlamaIndex变体
  • 更多MCP服务器示例
  • Docker快速启动
  • 视频教程
  • 互动网页演示

有想法吗？ 打开一个议题来提出它！

📖 额外资源

官方文档

社区

继续学习

⚖️ 许可证

MIT许可证 - 详情见LICENSE文件。

随意使用此代码进行学习、项目或商业应用。

🌟 致谢

由AI社区贡献构建。特别感谢：

  • OpenAI提供的GPT模型和API
  • Anthropic提供的Claude和MCP
  • Hugging Face提供的transformers
  • 所有开源AI工具创建者

📬 联系

<div align="center">

由AI社区制作 ❤️

如果这个仓库对你有帮助，请给它一个 ⭐ 并分享它！

⬆ 返回顶部

</div>