Hands-On AI Engineering — практика AI-проектов

Коллекция из 60+ готовых AI-проектов от сообщества AI Engineering. Каждый проект — это полный рабочий код с инструкциями по запуску: от мультиагентных исследовательских систем до OCR-распознавания рецептов и RAG-пайплайнов с графовым поиском. Все проекты адаптированы для реальных задач и используют OpenAI, Anthropic, Google, Mistral, а также open-source модели через Ollama.

Сборник ориентирован на практиков: каждый проект можно запустить, поэкспериментировать и адаптировать под собственные задачи. Никаких теоретических описаний — только рабочий код с зависимостями и документацией.

Категории проектов

AI Agents

Более 35 агентов для автоматизации задач: финансовый анализ, исследование документов, планирование путешествий, брендинг, код-ревью, поддержка клиентов, новостные дайджесты, кадровый анализ, маршрутизация запросов.

Выделим наиболее интересные:

• Multi-Agent Research Assistant with Memory — четверо агентов (Planner, Research, Writer, Critic) работают с общей памятью на базе Actian VectorAI DB. Ищет ответы в PDF, научных статьях, руководствах и транскриптах, самооценка через Criticfeedback loop, работает полностью локально на Ollama с BGE-эмбеддингами. Результаты сохраняются между сессиями.
• Agentic RAG — система на LangGraph, которая проверяет релевантность контекста перед генерацией ответа. Если контекст недостаточен — автоматически перезапрашивает запрос и повторяет поиск, пока не получит проходящую валидацию выборку.
• Self-Evolving Code Review Agent — ревьюер кода, который учится на обратной связи инженеров без переобучения модели. Использует LangGraph для оркестрации и Actian VectorAI DB для хранения накопленных знаний о командных конвенциях.
• Deep Research Assistant — исследовательский агент на LangChain Deep Agents с веб-поиском Liner. Ответы приходят полностью цитированными с указанием источников.
• Eagle Eye — агент для ревью GitHub PR через MCP-сервер GitHub и Telegram. Получает diff, выполняет структурированный анализ с оценкой серьёзности, публикует отзыв после подтверждения пользователем.
• Multi-Agent Financial Analyst — команда специализированных агентов для комплексного финансового анализа: сбор данных, фундаментальный анализ, технические индикаторы, итоговый отчёт.
• Daily AI News Digest — автоматический ежедневный дайджест из 92 технических блогов, курируемых Карпати. MiniMax M2.7 оценивает статьи за последние 24 часа и выдаёт 3 самых значимых в Telegram.
• Browser Automation Agent — принимает инструкции на естественном языке и автономно управляет браузером через browser-use.
• CartMate — AI Customer Support Agent — агент поддержки интернет-магазина с памятью на базе Mem0 и Mistral Small 4. Запоминает клиентов и продолжает диалог с того места, где закончил.

OCR

Четыре проекта для извлечения данных из документов и изображений:

• AI Receipt and Expense Tracker — распознаёт чеки и ведёт расходы в SQLite. Gemma 4 E2B vision через llama-cpp-python, полностью офлайн после первого запуска.
• Image-to-Structured-Data Extractor — конвертирует изображения в валидированный JSON с Mistral Large 3 и библиотекой Instructor.
• LaTeX Formula OCR — извлекает формулы из изображений и PDF в LaTeX с локальной vision-моделью.
• Medical Prescription Digitizer — оцифровывает рукописные или напечатанные рецепты в структурированный вывод с реальной валидацией названий лекарств через RxNorm.

Audio

Три проекта для работы со звуком:

• Music Explorer — чат с любым аудиофайлом или YouTube-видео через Gemini 3 Flash: транскрибация, анализ эмоций, идентификация инструментов, временные метки.
• Multilingual Audio Translator — загрузите или запишите аудио на любом языке, получите транскрибацию через faster-whisper, перевод через Gemini и озвучку обратно через Kokoro TTS.
• Customer Support Voice Agent — голосовой агент для приёма звонков, построенный на Telnyx AI Assistant Builder и FastAPI с инъекцией контекста в каждый вызов.

Multimodal

Шесть проектов, совмещающих зрение, видео и язык:

• Multimodal RAG — индексирует текст, URL, PDF, изображения, аудио и видео в общий ChromaDB. Ретривал через Gemini Embedding 2, генерация ответов через Gemini 3 Flash с передачей реальных URI файлов как источников.
• Video Understanding Agent — суммаризирует YouTube-видео в главы, ключевые выводы и список действий через Gemini Flash.
• GLM-OCR Pro — структурированное извлечение документов с GLM-OCR через Ollama, превращает изображения и PDF в форматированный Markdown локально.
• Medical Document Parser — извлекает структурированный клинический профиль из медицинских PDF и изображений с Gemma 4 vision.

RAG Applications

Одиннадцать систем Retrieval-Augmented Generation для AI-приложений:

• Vision RAG — мультимодальный RAG для обработки и запроса визуального контента.
• GraphRAG Knowledge System — строит локальный граф знаний из загруженных документов с Mistral Small 4 и NetworkX. Поддерживает запросы на уровне сущностей и тематические запросы.
• Hybrid RAG System — параллельно индексирует документы в граф знаний и векторное хранилище. Mistral Small 4 отвечает с контекстом из обоих каналов ретривала.
• HyDE RAG — пайплайн с Hypothetical Document Embeddings: Gemini 3 Flash генерирует гипотетические ответы, Gemini Embedding 2 усредняет эмбеддинги для более точного поиска в ChromaDB.
• RAG Agent with Database Routing — маршрутизует запросы к трём специализированным базам Qdrant (продукты, поддержка, финансы) через агента Agno. При отсутствии релевантных документов переключается на веб-поиск через LangGraph ReAct.
• Rock Music RAG — кастомная база рок-музыки из Wikipedia. Добавляйте любые группы, задавайте вопросы по всем и получайте ответы с источниками на базе BM25-поиска и Gemma 4.
• YouTube Transcript RAG — чат с любым YouTube-видео: Whisper транскрибирует, ChromaDB индексирует, Mistral Small 4 отвечает с привязкой к временным меткам.
• Reasoning RAG — задавайте вопросы по любому веб-источнику и получайте цитированные ответы с пошаговым трассированием рассуждений через Gradio.
• Clinical RAG with ADE — высокоточный клинический RAG с LandingAI ADE для визуального парсинга документов и Mistral Large для обоснованного рассуждения.

Fine-Tuning

• Text-to-SQL Inventory Specialist — дообученная Qwen3.5-2B для Natural Language → SQL запросов к розничным базам данных. Задавайте вопросы на английском и получайте ответы, подкреплённые SQL через Gradio.

Технологии

Проекты используют широкий стек: LangChain, LangGraph, CrewAI, smolagents, AG2, ChromaDB, Qdrant, NetworkX, Firecrawl, Ollama, DuckDuckGo, и множество моделей — Mistral Small/Large, Gemma 4, Gemini 3 Flash, DeepSeek V4, Qwen3.6, MiniMax M2.5/M2.7, GLM-5.1, O3-Mini.

Быстрый старт

Клонируйте репозиторий:

git clone https://github.com/Sumanth077/Hands-On-AI-Engineering.git
cd Hands-On-AI-Engineering

Каждый проект — отдельная папка внутри категории. Перейдите в нужную и следуйте инструкциям в README:

cd ai_agents/research_assistant_with_memory
pip install -r requirements.txt
cp .env.example .env  # добавьте ключи API
python main.py

Требования: Python 3.10+, ключи API (OpenAI, Anthropic, Mistral — в зависимости от проекта), или Ollama для полностью локальных запусков.

Структура репозитория

Hands-On-AI-Engineering/
├── ai_agents/          # 35+ агентов
├── OCR/                # распознавание документов
├── audio/              # обработка звука
├── multimodal/         # мультимодальные проекты
├── rag_apps/           # RAG-системы
├── fine_tuning/        # дообучение моделей
└── CONTRIBUTING.md     # руководство по контрибуции

Лицензия

MIT — свободное использование и модификация. Проект активно поддерживается сообществом AI Engineering, приветствуются контрибуции.