AI-Compass汇聚前沿动态、开源项目与工程实践的 AI 知识库AI-Compass致力于构建最全面、最实用、最前沿的AI技术学习和实践生态通过六大核心模块的系统化组织为不同层次的学习者和开发者提供从完整学习路径。github地址AI-Compasshttps://github.com/tingaicompass/AI-Compass 如果本项目对您有所帮助请为我们点亮一颗星 核心模块架构✍️ 博客模块沉淀体系化技术文章当前覆盖 Python 基础、算法题解与编程能力提升后续会持续更新LLM 相关指南、面试技巧与面试题、企业级逻辑项目讲解等内容 Code模块提供可运行的 AI 实战代码与 Demo当前包含 RAG 等工程样例后续会持续补充更多项目实战代码便于直接调试、复用以及让 AI 做代码级问答与项目拆解 基础知识模块涵盖AI导航工具、Prompt工程、LLM测评、语言模型、多模态模型等核心理论基础⚙️ 技术框架模块包含Embedding模型、训练框架、推理部署、评估框架、RLHF等技术栈 应用实践模块聚焦RAGworkflow、Agent、GraphRAG、MCPA2A等前沿应用架构️ 产品与工具模块整合AI应用、AI产品、竞赛资源等实战内容 学习资源模块汇聚学习平台、精选文章、学术工具、面试资源与常用软件补齐系统化成长路径 企业开源模块汇集华为、腾讯、阿里、百度飞桨、Datawhale等企业级开源资源 社区与平台模块提供学习平台、技术文章、社区论坛等生态资源 适用人群AI初学者提供系统化的学习路径和基础知识体系快速建立AI技术认知框架技术开发者深度技术资源和工程实践指南提升AI项目开发和部署能力产品经理AI产品设计方法论和市场案例分析掌握AI产品化策略研究人员前沿技术趋势和学术资源拓展AI应用研究边界企业团队完整的AI技术选型和落地方案加速企业AI转型进程求职者全面的面试准备资源和项目实战经验提升AI领域竞争力AI 时代最稀缺的已经不是又一个塞满链接的资源库而是一份能帮人快速建立方向感、也能直接交给 AI 编程助手持续使用的知识库。AI-Compass想做的正是这样一张面向学习与工程实践的 AI 地图从基础认知、模型与框架到RAG、Agent、MCPA2A、GraphRAG等应用路线再到持续更新的weeklyHighlights尽量把“知道该看什么”和“知道该从哪开始”这两件事一次说清。对初学者来说它不是一堆看完就忘的资料链接而是一条更清楚的学习路径对开发者来说它也不只是收藏夹而是一份可以直接拉到本地交给Claude Code、Codex做专题检索、项目拆解、目录问答和最近变化追踪的长期上下文。一个仓库如果能同时服务人和 AI它的价值就不只是“内容多”而是能持续帮你省时间、减少迷路、把零散信息变成可复用的判断力。这也是我现在越来越想强调star的原因。真正值得长期star的仓库不是第一页看起来多热闹而是你过几天、过几周、甚至换了一个项目之后还会回来继续搜、继续问、继续拿它当参考系。能反复被打开、反复被 AI 使用的仓库才会真正产生复利。所以这次我重新整理AI-Compass时先做的不是继续往里塞资源而是把原来637行、配图很多的仓库导览压缩成一篇更适合阅读的长文。原稿信息很全但更像 README真正值得保留下来的是让读者一眼看清这份仓库到底能解决什么问题哪些内容最值得先看怎样把它当成长期可复用的 AI 知识库。我为什么更想把它当“本地知识库”来用很多仓库最大的问题不是内容少而是“有资料但难以复用”。今天想找一个 RAG 案例明天想问一个 Agent 框架定位后天又想回看最近几周有哪些模型更新如果结构没有分层最后往往还是只能靠人工翻目录。AI-Compass比较适合做本地知识库的地方在于它不是单点资源而是把长期沉淀和周度更新都留了出来。你既可以顺着目录系统学习也可以把整个仓库交给Claude Code、Codex去做主题检索、模块拆解和学习路径梳理。如果你准备把它长期交给 AI 用我会更建议先从下面 4 个入口建立上下文README.md先看总览别一上来就扎进子目录weeklyHighlights/latest.md先知道最近在更新什么weeklyHighlights/INDEX.md再按时间线回看历史增量weeklyHighlights/README.md理解这个目录的维护方式避免把长期沉淀和周报混在一起仓库内搜索是它最容易被低估的能力。直接在 GitHub 或 IDE 里搜关键词很多时候比一层层点目录更快。如果你已经把仓库拉到本地再结合 AI 工具去问“最近几周提到过哪些 Agent 框架”“11.code/milvus里的检索链路有哪些模块”“MCPA2A 更适合从哪几个文件开始看”体验会比单纯收藏网页稳定得多。这份仓库真正有价值的不是“全”而是分层足够清楚1. 先补全基础认知再看模型与框架0.AI导航工具集、1.1 Prompt工程、1.2 LLM测评榜、1.3/1.4 LLM合集这几块很适合用来建立地图感。它不是只丢一串链接而是把导航站、测评榜、语言模型、多模态模型这些入口先摆出来帮助你快速知道现在有哪些主流方向、每类工具大概解决什么问题、值得继续深挖哪一条线。2. 框架层解决的是“怎么把能力接起来”再往下是 Embedding、训练、推理部署、评估、RLHF 等技术框架模块。这些内容的价值不在于看完就会而在于你做 RAG、Agent、评测、微调时能更快知道自己缺的是哪一段能力而不是一上来就在模型选型上绕圈。3. 应用实践层最适合开发者直接拿来问 AI对工程实践最有帮助的其实是3.0 MCPA2A、3.1 RAGworkflow、3.2 Agent、3.4 GraphRAG这一层。这里不是只讲概念而是把协议、框架、工作流、场景化架构都放到了一起。RAGworkflow适合用来理解从文档处理、检索、重排到工作流编排的一整条链路MCPA2A更适合关注多智能体协作、工具调用和协议化接口Agent则更像一个框架与应用的交叉路口能帮助你快速对比主流智能体框架的定位差异。如果你只看 5 个地方我会建议从这里开始11.blog/1.coding这里已经沉淀了107道高频题和一套相对系统的编程能力训练路径11.code/milvus完整 RAG 实战样例适合直接结合代码看检索链路3.0 MCPA2A现在做 AI 工具接入和多智能体协作绕不开这条线3.1 RAGworkflow如果你在做知识库问答、企业文档检索这里很实用weeklyHighlights/latest.md想看“最近有什么变化”先从这里开始我自己这次重写之后更确定了一件事对一个 AI 资料仓库来说最重要的不是继续变大而是让人能更快找到入口、形成路径、拿来就能问。能被持续检索、持续引用、持续交给 AI 使用的仓库才会真正产生复利。如果你准备系统学 AI或者想给自己的 AI 编程助手准备一份靠谱的本地知识库AI-Compass更适合的打开方式不是从头到尾机械浏览而是先抓入口、再按任务深入最后把它变成你自己的长期参考系。GitHub 仓库https://github.com/tingaicompass/AI-Compass