用 93 个项目练习 RAG 与智能体开发

AI 项目教程很多，难的是知道从哪一个开始，以及跑通之后该补什么。patchy631/ai-engineering-hub 把 OCR、RAG、Agent、MCP、模型评估和微调整理成项目目录，宣称提供 93+ 个可用于生产的项目，并按入门、中级、高级划分学习路径。

它最值得借鉴的地方，是把 AI 工程拆成了可以逐步练习的具体任务。不过，项目覆盖面广，不等于每个示例都经过生产验证。读这份目录，应该同时看它能教你搭什么，以及它还没证明什么。

从一个组件开始，比直接搭全能助手更容易学明白

仓库标注了三个难度层级：22 个入门项目、48 个中级项目、23 个高级项目，合计 93 个。这里的数字是作者给出的分类统计，输入内容没有提供逐项核验结果。

入门项目围绕单个组件和直接的实现展开。例如，用 Llama 3.2 vision 把公式图片转换成 LaTeX，用 Gemma-3 提取结构化文本，用 Qwen 2.5 VL 做文字识别。它们都叫 OCR，但模型和输出目标不同，适合用来理解图片输入、模型调用、结果展示这条基本链路。

聊天界面也有多个切入口：DeepSeek-R1 配 Chainlit 的本地聊天应用、Llama 3.2 vision 聊天界面，以及 Qwen3:4B 配 Streamlit 的 Thinking UI。Streaming AI Chatbot 则使用 Motia，关注实时流式输出。

这些项目的价值不只是得到一个可演示的页面。对于前端开发者，它们把熟悉的输入框、消息列表和状态展示，接到了模型能力上；对于全栈开发者，则多了一段需要理解的推理调用链路。

但名称不能代替实现说明。比如「100% local」描述的是 Llama OCR 项目的定位，并没有交代硬件门槛、运行速度和识别质量；Thinking UI 展示了什么推理内容，目录同样没有展开。

RAG 的进阶，是不断接住真实数据里的麻烦

RAG（检索增强生成）可以先理解为：回答前先找资料，再把找到的内容交给模型。仓库从 LlamaIndex 和 Ollama 的 Simple RAG Workflow 起步，接着提供文档问答、GitHub 仓库问答，以及使用 ModernBert embeddings、Llama 3.3、Llama 4 的不同实现。

这些项目说明，RAG 并不是某个固定模型的功能，而是一套可以替换组件的流程。模型、嵌入模型、检索服务都可能变化，业务需要决定怎么组合。

中级项目开始处理更复杂的输入和决策：通过 IBM 的 Docling 处理 Excel，针对复杂文档构建问答，让 Agent 在 RAG 和 SQL 之间选择路径，或者在文档检索不足时转向网页搜索。多模态项目又把音频、视频、网站和图像带进同一类问题。

RAG 的工程难度，往往藏在资料怎么进入系统、问题怎么分流，以及查不到时怎么办。

目录里也有性能导向的组合。Fastest RAG Stack 使用 SambaNova、LlamaIndex 和 Qdrant；另一个 Milvus 与 Groq 项目标注了低于 15ms 的检索延迟。

这里必须把范围看清：低于 15ms 指向检索环节，不能直接读成完整问答耗时。原文没有提供数据规模、硬件、并发量或测试方法，「Fastest」也缺少可核对的对照结果。

Agent 和 MCP 值得学，但评估要一起跟上

中级项目把重点从一次调用扩展到多组件协作，包括 CrewAI 内容规划、Microsoft AutoGen 股票分析、DeepSeek-R1 酒店预订，以及带记忆的助手。Graphiti、Zep 等工具出现在记忆相关项目里，反映出作者对跨轮次信息保留的关注。

MCP（模型上下文协议）在目录中占了很大篇幅。可以把它理解为模型应用连接工具和数据的一种接口约定。具体项目包括 Cursor 的 Linkup 搜索接入、LlamaIndex 本地 MCP 客户端、基于 Ragie 的视频 RAG，以及组合 Firecrawl 和 Supabase 的语音 Agent。

高级项目继续扩展到多 MCP 服务界面、深度研究助手、浏览器自动化和多模态数据编排。它们提供的是组合范例，能帮助读者理解不同工具如何接在一起。

但工具接通之后，结果是否更好，需要另一套证据。仓库因此也收录了使用 CometML Opik 的端到端 RAG 评估，以及 Llama 4 对 DeepSeek-R1、Qwen3 对 DeepSeek-R1、Claude 3.7 对 o3、Sonnet4 对 O4、Sonnet4 对 Qwen3-Coder、GPT-OSS 对 Qwen3 等比较项目。

这些标题说明「有比较项目」，并没有给出谁胜出。尤其是 O3 vs Claude Code 的描述写的是 Claude 3.7 与 o3，究竟比较模型能力还是编程工具的完整工作流，单看目录无法确定。

高级部分还有用 Unsloth 和 Ollama 微调 DeepSeek、构建类似 DeepSeek-R1 的推理模型，以及从零实现 Transformer。这些方向更适合有明确学习目标的人，不必把它们当成使用 Agent 之前必须完成的课程。

我的判断

我认可这份目录的学习组织方式：先理解一个组件，再处理多组件工作流，最后进入微调和生产部署。相比只读概念教程，它让学习者有具体产物；相比一开始就照着大型助手项目拼装，也更方便定位自己究竟没理解哪一段。

但这种难度划分是作者的经验安排。原文没有学习效果对照数据，也没有说明每个项目的完成时间和先修条件。语音、浏览器自动化、复杂文档处理各有门槛，同一个「中级」标签不能保证投入相近。

更需要保留判断的是「Production-Ready」。目录没有给出统一的测试覆盖、部署条件、故障处理或维护承诺，暂时无法据此确认生产成熟度。NotebookLM Clone 提到 RAG、引用和播客，也只能说明目标功能范围，不能推导出它与原产品的完整能力相当。

把它当成可按需挑选的工程样例库，比当成经过统一验收的生产方案更合适。

对前端和全栈读者，也没必要顺着 93 个项目逐个刷。和常见的单框架教程相比，这份仓库更适合横向找实现思路；如果目标是熟练掌握某个框架，仍需要回到该框架的完整文档，补上项目示例没有交代的部分。

仓库采用 MIT License，方便学习和改造代码；但这项许可本身并不回答所用模型、第三方服务和数据各自的使用条件。

能拿来做什么

• 如果你想给现有页面加 AI 功能，可以先选 OCR、本地聊天或 Streaming AI Chatbot 中的一个项目，跑通输入、调用和展示，再确认它的依赖与运行要求。
• 如果你要做团队文档或代码问答，可以从 Simple RAG Workflow、Document Chat RAG、GitHub RAG 中挑选对应入口。先验证资料能否被正确检索，再决定是否加入网页回退、SQL 路由或多模态输入。
• 如果你正在给 Cursor 接工具，可以对照 Cursor Linkup MCP、LlamaIndex MCP 和 MCP Agentic RAG，理解客户端、工具服务与业务工作流如何配合，避免只记住一个安装步骤。
• 如果你正在选模型，可以借用仓库的比较项目与 Opik 评估方向，用自己的任务样本复测。原文没有公布比较结论，项目标题不能直接作为选型依据。