AI Engineering Hub: 93+ туториалов по LLM, RAG и AI-агентам

AI Engineering Hub — это коллекция из 93+ проектов для практики в AI-инжиниринге. Её ведёт команда рассылки Daily Dose of Data Science. Каждый проект — отдельная папка с полным кодом, который можно запустить, разобрать и переделать под свою задачу. Темы: LLM, RAG, агенты, MCP и мультимодальные приложения.

Проекты размечены по трём уровням сложности: 22 проекта для начинающих, 48 для среднего уровня и 23 продвинутых. Отдельно лежит AI Engineering Roadmap — учебный маршрут от основ Python до продакшен-систем.

Почему это стоит посмотреть

Теория по LLM есть везде. Проблема в другом: после прочтения статей непонятно, с чего начать писать код. Эта коллекция закрывает разрыв между знанием и практикой. Каждый проект решает конкретную задачу: OCR с локальной моделью, чат с документами, голосовой бот, анализ трендов.

Проекты собраны не случайно. Они следуют за развитием экосистемы: есть примеры на DeepSeek-R1, Llama 4, Gemma 3, Qwen 3 и GPT-OSS. Есть сравнения моделей друг с другом — например, Llama 4 против DeepSeek-R1 в RAG-задачах или Claude 3.7 против o3 в генерации кода. Это удобно, когда нужно выбрать модель под свой проект и увидеть разницу на живом примере.

С чего начать

Новичкам авторы советуют такой порядок:

1. Пройти AI Engineering Roadmap — общий маршрут обучения.
2. Взять простые проекты: OCR-приложение или базовый RAG.
3. Перейти к агентам и сложным рабочим процессам.
4. Дойти до файнтюнинга и продакшен-систем.

Начальный уровень: 22 проекта

Здесь проекты с одним компонентом и понятной логикой. Хороший способ написать первый работающий код с LLM.

OCR и зрение

• LaTeX OCR with Llama — превращает картинки с формулами в LaTeX-код через Llama 3.2 Vision.
• Llama OCR — полностью локальное OCR-приложение на Llama 3.2 и Streamlit. Данные не уходят в облако.

Чат-интерфейсы

• Local ChatGPT with DeepSeek — мини-ChatGPT на DeepSeek-R1 и Chainlit.
• DeepSeek Thinking UI — чат, в котором видно ход рассуждений модели.

Базовый RAG

• Simple RAG Workflow — простой RAG на LlamaIndex и Ollama.
• Document Chat RAG — чат с документами на Llama 3.3.
• GitHub RAG — чат с GitHub-репозиторием в локальном режиме. Полезно, чтобы быстро разобраться в чужом коде.

Мультимодальность

• Video RAG with Gemini — чат с видеофайлами через Gemini.

Средний уровень: 48 проектов

Здесь системы из нескольких компонентов: агентные рабочие процессы, голос, продвинутый RAG и MCP.

AI-агенты и рабочие процессы

• Agentic RAG — RAG с поиском по документам и запасным поиском в интернете. Если ответа в базе нет, агент сам идёт в сеть.
• AutoGen Stock Analyst — аналитик акций на фреймворке AutoGen от Microsoft.
• Book Writer Flow — автоматическое написание книги на CrewAI.
• Zep Memory Assistant — агент с долговременной памятью на Zep. Он помнит контекст между сессиями.
• Agent with MCP Memory — агент с памятью на графах через Graphiti и трассировкой через Opik.

Голос и аудио

• Real-time Voice Bot — голосовой гид-собеседник на AssemblyAI.
• RAG Voice Agent — голосовой агент с RAG в реальном времени на Cartesia.
• Chat with Audios — RAG поверх аудиофайлов.
• Multilingual Meeting Notes — автоматические заметки со встреч с определением языка.

Продвинутый RAG

• RAG with Dockling — RAG поверх Excel-файлов с IBM Docling.
• Trustworthy RAG — RAG со шкалой доверия к ответам через TLM. Полезно для сложных документов, где ошибки дороги.
• Fastest RAG with Milvus and Groq — поиск за время меньше 15 мс на Milvus и Groq.
• Chat with Code — чат с кодовой базой на Qwen3-Coder.
• RAG SQL Router — агент, который сам решает: искать ответ в документах или писать SQL-запрос.

MCP (Model Context Protocol)

Отдельный блок из десяти проектов про MCP — протокол подключения инструментов к LLM:

• LlamaIndex MCP — локальный MCP-клиент на LlamaIndex.
• MCP Agentic RAG — агентный RAG внутри Cursor через MCP.
• Cursor Linkup MCP — свой MCP-сервер с поиском по вебу для Cursor.
• MCP Video RAG — чат с видео через Ragie по MCP.

Сравнение и оценка моделей

• Evaluation and Observability — сквозная оценка качества RAG через Opik.
• Sonnet4 vs Qwen3-Coder — сравнение моделей для кода.
• GPT-OSS vs Qwen3 — сравнение способностей к рассуждениям.

Продвинутый уровень: 23 проекта

Файнтюнинг, сложные агентные системы и продакшен-развёртывание.

Файнтюнинг и разработка моделей

• DeepSeek Fine-tuning — файнтюнинг DeepSeek с Unsloth и Ollama.
• Build Reasoning Model — сборка модели с рассуждениями по образцу DeepSeek-R1.

Сложные агентные системы

• Multi-Agent Deep Researcher — глубокий исследователь на нескольких агентах с MCP. Работает на Windows и Linux.
• Web Browsing Agent — агент с автоматизацией браузера на CrewAI и Stagehand.
• Paralegal Agent Crew — юридический помощник с RAG.
• Context Engineering Workflow — исследовательский ассистент с управлением контекстом через TensorLake и Zep.

MCP и инфраструктура

• MindsDB MCP — единый MCP-сервер для всех источников данных.
• Graphiti MCP — долговременная память агентов на графах через Zep.
• Pixeltable MCP — работа с мультимодальными данными через один интерфейс.
• Ultimate AI Assistant — ассистент, который работает сразу с несколькими MCP-серверами.

Продакшен-системы

• GroundX Document Pipeline — обработка сложных документов для RAG.
• NotebookLM Clone — собственный NotebookLM с RAG, ссылками на источники и подкастами.

Лицензия и вклад

Репозиторий распространяется по лицензии MIT. Код можно свободно использовать в своих проектах, включая коммерческие. Авторы принимают пул-реквесты: можно добавить свой туториал, улучшить существующий код или сообщить об ошибке через issues.