AI-Compass：汇聚前沿动态、开源项目与工程实践的 AI 知识库
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。
🌟 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RAG+workflow、Agent、GraphRAG、MCP+A2A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、MCP+A2A、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”“MCP+A2A 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 MCP+A2A、3.1 RAG+workflow、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。
RAG+workflow 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；MCP+A2A 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 MCP+A2A：现在做 AI 工具接入和多智能体协作，绕不开这条线3.1 RAG+workflow：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
查看16道真题和解析