AI基础知识开源工作流
AI基础知识开源工作流 是 AI Skill Hub 本期精选Agent工作流之一。已获得 1.3k 颗 GitHub Star，综合评分 8.2 分，整体质量较高。我们强烈推荐将其纳入你的 AI 工具库，帮助提升工作效率。
📚 深度解析
AI基础知识开源工作流 工作流的设计遵循"最小配置，最大复用"原则：核心逻辑已经封装好，用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制，在网络波动或 API 限速等情况下仍能稳定运行，适合作为生产环境的自动化基础设施。
在实际部署时，建议先在测试环境中运行 3-5 次，验证各个环节的输出结果符合预期，再部署到生产环境。AI Skill Hub 评分 8.2 分，是同类 Agent 工作流中的精选推荐。
📋 工具概览
综合性开源学习平台，涵盖GPU架构、CUDA编程、大模型基础和AI Agent等核心知识。适合AI工程师、学生及从业者系统学习AI基础设施和智能体开发技术。
AI基础知识开源工作流 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
📖 中文文档
综合性开源学习平台，涵盖GPU架构、CUDA编程、大模型基础和AI Agent等核心知识。适合AI工程师、学生及从业者系统学习AI基础设施和智能体开发技术。
AI基础知识开源工作流 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
# 克隆仓库 git clone https://github.com/ForceInjection/AI-fundamentals cd AI-fundamentals # 查看安装说明 cat README.md # 按 README 完成环境依赖安装后即可使用
- 访问 GitHub 仓库获取工作流文件
- 在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
- 上传工作流文件
- 按照提示配置必要的环境变量和 API Key
- 运行测试确认流程正常后投入使用
# 查看帮助 ai-fundamentals --help # 基本运行 ai-fundamentals [options] <input> # 详细使用说明请查阅文档 # https://github.com/ForceInjection/AI-fundamentals
# ai-fundamentals 配置说明 # 查看配置选项 ai-fundamentals --config-example > config.yml # 常见配置项 # output_dir: ./output # log_level: info # workers: 4 # 环境变量（覆盖配置文件） export AI_FUNDAMENTALS_CONFIG="/path/to/config.yml"
AI Fundamentals
本仓库是一个全面的人工智能基础设施（AI Infrastructure）学习资源集合，涵盖从硬件基础到高级应用的完整技术栈。内容包括 GPU 架构与编程、CUDA 开发、大语言模型、AI 系统设计、性能优化、企业级部署等核心领域，旨在为 AI 工程师、研究人员和技术爱好者提供系统性的学习路径和实践指导。
- 适用人群：AI 工程师、系统架构师、GPU 编程开发者、大模型应用开发者、技术研究人员。 - 技术栈：CUDA、GPU 架构、LLM、AI 系统、分布式计算、容器化部署、性能优化。
---
Star History:
---
9.7 模型部署与运维实践
跨硬件平台的模型服务化落地指南，涵盖 Mac 本地 DeepSeek-R1 运行、Ollama 架构原理，以及 DeepSeek-V3 MoE 在 H20 硬件与 Qwen2-VL 在华为昇腾上的专项部署调优。
- 动手跑大模型 - 手把手教你如何跑大模型
- Ollama 推理框架详解 - Ollama 的架构原理与进阶配置
- DeepSeek-V3 MoE 模型 vLLM 部署 - H20 硬件上的部署方案与 SLO 验证
- Qwen2-VL-7B 华为昇腾部署 - 国产硬件平台的部署优化
12.2 AI Infra 基础课程（入门）
面向初学者的大模型入门知识体系，涵盖 Transformer 架构原理、GPT-3/4 与 PaLM 等模型的规模与训练成本分析、DeepSeek V1/V2/R1 技术演进（MLA 与 MoE 稀疏化）、能力涌现现象研究，以及 GPU 架构/CUDA 编程与云原生 AI 基础设施运维实践。
- 大模型原理与最新进展 - 交互式在线课程平台。
- AI 编程入门 - AI 编程基础知识与应用入门。
- AI Infra 课程演讲稿 - 完整的课程演讲内容、技术要点与实践案例。
- 学习目标：深入理解大模型工作原理、最新技术进展与企业级应用实践。
- 核心内容：
- Transformer 架构深度解析：编码器-解码器结构、多头注意力机制、文本生成过程。
- 训练规模与成本分析：GPT-3/4、PaLM 等主流模型的参数量、训练成本和资源需求。
- DeepSeek 技术突破：V1/V2/R1 三代模型演进、MLA 架构创新、MoE 稀疏化优化。
- 能力涌现现象研究：规模效应、临界点突破、多模态融合发展趋势。
- AI 编程工具生态：GitHub Copilot、Cursor、Trae AI 等工具对比分析与应用实践。
- GPU 架构与 CUDA 编程：硬件基础、并行计算原理、性能优化策略。
- 云原生 AI 基础设施：现代化 AI 基础设施设计、容器化部署与运维实践。
10.3 实战代码与演示项目
从理论走向落地的工程实践代码库，包含基于异步通信总线的企业级多智能体系统、多轮指代消解微服务、MCP 客户端/服务端交互 Demo，以及结合 LangChain 的记忆功能与 PDF 智能翻译器实现。
完整端到端系统：
- 企业级多智能体系统 - 包含异步通信总线、状态监控与容错机制的完整 MAS 实现
- 多轮指代消解对话系统 - 支持实体识别、状态管理与微服务部署的 NLP 实战
专项工具与演示：
- MCP 智能体演示 - MCP 服务端与客户端交互的完整示例
- LangChain 记忆功能集成 - 包含基础记忆类型、智能客服应用和 LangGraph 记忆管理的演示
- 代码实现示例
- Agent Skill：PDF 智能翻译器 - 结合 OCR 与 LLM 的多模态文档处理工具
5. 大语言模型应用开发与编排
探索以自然语言驱动与 Agent 自主决策为核心的 Software 3.0 开发范式，包含 Spring AI 企业级 Java 接入、LangGraph 有状态多智能体图计算模型，以及 Coze/n8n 无代码工作流编排技术。详细的深度探讨可参考 大模型编程指南。
5.3 AI 工作流与编排
无代码/低代码（No-Code/Low-Code）AI 应用落地指南，包含 Coze 私有化部署配置、n8n 多智能体编排实践，以及 Dify、Ragflow 等主流开源编排平台的架构与商业许可对比。
- Coze 部署和配置手册 - Coze 平台的私有化部署与配置指南。
- n8n 多智能体编排指南 - 基于 n8n 构建 Multi-Agent 系统。
- 开源大模型应用编排平台对比 - 主流应用编排平台的深度横评。
---
7. 大语言模型理论与基础
LLM 核心理论与架构基石，深入解析 Tokenizer 分词机制、Embedding 向量表示学习、混合专家模型 (MoE) 与模型压缩量化技术，并前瞻思维链 (CoT) 推理增强、基于 LLM 的意图识别及 Deep Research (深度研究) 前沿应用架构。
详细内容请访问：LLM 理论与基础 - 核心文档门户，涵盖基础理论、深度研究与工作流编排。
7.5 工作流编排与应用平台 (Workflow)
将 LLM 能力转化为自动化业务流，横向评测 Dify、AnythingLLM 等开源应用编排平台功能与商用许可，并提供基于 Coze 与 n8n 构建多智能体系统的私有化部署实践。
- 工作流编排指南 - 大模型应用编排平台与自动化工作流实践总览。
- 开源大模型应用编排平台功能与商用许可对比分析 - Dify、AnythingLLM、Ragflow 与 n8n 的深度横评。
- 使用 n8n 构建多智能体系统的实践指南 - 基于 n8n 构建 Multi-Agent 系统。
- Coze 部署和配置手册 - Coze 平台的私有化部署与配置指南。
8. 大模型训练
涵盖从 SFT 监督微调到大规模预训练的完整工程路径，结合 70B 模型从零训练实战，剖析数据清洗、硬件集群配置、超参数优化 (CARBS) ，以及面向 AIOps 场景的 Kubernetes 模型后训练 (Post-Training) 与评估框架设计。详细指南可参考：模型训练与微调总览 。
8.2 大规模模型训练实践
复盘 70B 参数模型从零训练全生命周期，深度解析开源数据集清洗与评估策略、裸金属基础设施配置与自动化脚本，以及扩展至超大规模参数的优化器选型策略。
- Training a 70B model from scratch: open-source tools, evaluation datasets, and learnings - 70B 参数模型从零训练的完整技术路径与经验总结。
- Sanitized open-source datasets for natural language and code understanding: how we evaluated our 70B model - 大规模训练数据集的清洗、评估与质量控制方法。
- From bare metal to a 70B model: infrastructure set-up and scripts - 大模型训练基础设施的搭建、配置与自动化脚本。
- Open-sourcing CARBS: how we used our hyperparameter optimizer to scale up to a 70B-parameter language model - 超参数优化器在大规模模型训练中的应用与调优策略。
8.3 模型后训练与评估
保障模型生产环境表现的评估体系，解析 AIOps 后训练策略、基于 Kubernetes 的自动化模型评估框架构建，以及基准测试数据集的生成方法。
- AIOps 后训练技术 - 面向智能运维场景的模型后训练技术与实践。
- Kubernetes 模型评估框架 - 基于 K8s 的大模型评估框架设计与实现。
- Kubernetes AIOps 基准测试生成框架 - 自动化生成 AIOps 基准测试数据集的框架设计。
---
9. 大模型推理
企业级大模型推理系统落地指南，解构 Mooncake 以 KV Cache 为中心的调度架构、vLLM/llm-d 核心推理框架底层机制，深度剖析 LMCache 多层存储体系与 Tair 跨实例缓存共享，并提供 DeepSeek 等前沿模型在多硬件平台的部署调优实践。
10.2 核心工程组件与基础设施
解构构建高可靠 Agent 的底层支撑体系，涵盖动态上下文组装与压缩工程、Claude/Mem0 记忆架构机制、MCP 工具互操作协议规范，以及 Agent Sandbox 与 Kubernetes 运维智能体基础设施演进。
上下文与记忆系统：
- 上下文工程原理 - 动态数据组装、压缩与检索技术
- 快速入门 | Anthropic 指南 | LangChain 实践 | OpenViking 剖析 | Claude Code 上下文压缩
- 记忆系统架构总览 - 赋予智能体长期记忆与个性化能力的核心机制
- 理论与实践综述 | 大模型记忆综述 | 记忆系统演进思考
- MemoryOS 架构 | MemMachine 深度解析 | Mem0 快速入门 | Hermes 内存架构解析
- Claude Code: 记忆机制解析 | Claude-Mem: 系统介绍 | Claude Code: Agent 执行流程解析 | SuperMemory: 集成分析
工具及协议：
- Model Context Protocol (MCP) - MCP 原理与实战，探讨 AI 工具链的未来
Agent Skill：
- Claude Skills 开发指南 - 扩展智能体能力的工具定义规范与最佳实践
- 构建完整指南 (PDF)
- Agent Skill 开发指南（在线版）- 由原力注入博主维护的优秀认知技能（Agent Skill）合集，包含深度代码阅读、架构分析、文档评审等自动化工作流。
- CUDA Code Skill - 面向 AI IDE（Claude Code、Trae 等）的 CUDA 知识增强代码生成与性能分析技能库。
- mmx-cli - MiniMax AI 平台的 CLI 技能，支持文本、图片、视频、语音、音乐生成与 Web 搜索，遵循 agentskills.io 标准。
AI Agent Infra：
- 基础设施技术栈 - 全面梳理工具层、数据层与编排层
- 基础设施的崛起 - 生态演进趋势与未来投资方向
- OpenHarness 深入浅出：解密开源智能体基础设施 (配套 PPT) - 大型语言模型 (LLM) 在推理与生成能力上取得了突破性进展，但它们本身受限于静态的上下文窗口，无法直接与真实世界进行交互。要让模型成为能够自主解决复杂任务的工程化智能体 (Agent) ，必须为其配备执行动作的工具、持久化的记忆以及安全隔离的运行边界。这就是“智能体基础设施” (Agent Harness) 的核心使命。
- Agent Sandbox 的演进与设计范式 (配套 PPT) - 探讨 Agent Sandbox 的核心设计理念，对比 OpenShell、Sandlock 等沙箱方案，揭示从“硬件级隔离”向“策略优先”演进的技术趋势。
- 深度解析 Kagent：以构建 Kubernetes 运维智能体为例 (配套 PPT) - 深度解析 Kagent 的核心架构与工作机制，并以“构建阿里云 ACK 运维智能体”为实战案例，展示大模型与运维工具的编排。
- OpenClaw Operator 架构深度解析 - 云原生时代 AI Agent 运行时环境编排机制
- DeepSeek-TUI 实战 - 榨干 DeepSeek V4 长上下文红利的命令行编程 Agent 实战指南
- Claude Code Sandbox 安全隔离机制解析 - Linux 环境下基于 Bubblewrap 的底层隔离架构
- 扩展托管智能体 - 让决策与执行解耦，各行其职的 AI 原生基础设施
- 在 Elasticsearch 之上实现虚拟文件系统 - Elasticsearch 虚拟文件系统实现解析（英文原文）
11.3 大模型与知识图谱协同应用
构建高可信、可解释智能应用的最佳实践，结合完整源码与图谱数据，深入剖析基于 LLM+KG 架构的银行反电诈智能风控系统设计方案。
- 银行反电诈智能系统设计 - 基于
LLM+KG的金融风控系统设计方案，实战反欺诈场景 - 反欺诈 demo 源码 - 完整的反欺诈系统演示代码，包含数据生成、图谱构建与智能体推理
优秀的开源AI学习资源库，知识覆盖面广，HTML格式便于访问，社区活跃度高，适合作为系统学习AI基础的参考资料。
- 使用 Cursor 编辑器、希望提升 AI 编程效率的开发者
- 需要让 Claude / Cursor 操作本地工具的 AI 工程师
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- 需要从图片、PDF 提取文字的文档自动化场景
- 跨境业务、多语言内容运营团队
- 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- Cursor rules 控制在 80 行内，否则模型上下文成本会显著上升
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- embedding 模型与查询模型不一致导致检索失效
- 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
- Docker：AI-fundamentals 提供官方镜像，docker compose up 一键启动
- CLI：直接 npm install -g / pip install，命令行调用
- 本地部署：CPU 8GB 起，GPU 推荐 16GB+ 显存
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
⚡ 核心功能
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 使用 Cursor 编辑器、希望提升 AI 编程效率的开发者
- 需要让 Claude / Cursor 操作本地工具的 AI 工程师
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- embedding 模型与查询模型不一致导致检索失效
👥 适合人群
🎯 使用场景
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
⚖️ 优点与不足
- +Apache-2.0 协议，可免费商用
- +大幅减少重复性人工操作
- +可视化流程，清晰直观
- +可扩展性强，支持复杂场景
- −初始配置和调试需投入一定时间
- −强依赖外部服务的稳定性
- −复杂场景需具备一定技术基础
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
✅ Apache 2.0 — 宽松开源协议，可商用，需保留版权声明和 NOTICE 文件，含专利授权条款。
🔗 相关工具推荐
❓ 常见问题 FAQ
经综合评估，AI基础知识开源工作流 在Agent工作流赛道中表现稳健，质量优秀。如果你已有明确的使用需求，可以直接上手体验；如果还在评估阶段，建议对比同类工具后再做决策。
| 原始名称 | AI-fundamentals |
| 原始描述 | 开源AI工作流：AI 基础知识 - GPU 架构、CUDA 编程、大模型基础及AI Agent 相关知识。。⭐1.3k · HTML |
| Topics | AI基础GPU架构CUDA编程大模型AI Agent |
| GitHub | https://github.com/ForceInjection/AI-fundamentals |
| License | Apache-2.0 |
| 语言 | HTML |
收录时间：2026-05-19 · 更新时间：2026-05-30 · License：Apache-2.0 · AI Skill Hub 不对第三方内容的准确性作法律背书。