karthikreddy-7/ai-engineering-playbook

応用AI工学のためのゼロツー-100学習パス

RAG・埋め込み・ベクター検索・エージェント・MCP・生産エンジニアリング

447 **karthikreddy-7.github.io/ai-engineering-playbook **

検索・ダークモード・レンダリング図・自己グレードのクイズ・フラッシュカードドリル・進捗追跡

お問い合わせ

これは何ですか?

AIエンジニアリングのConsumer side:あなたは、あなたが訓練し、システムを構築しなかったモデルを取る 実際のユーザーの正面に置くのに十分正しい、速く、安くおよび安全です。

この主題のほとんどの材料は定義の山です。 定義は何かが何かを言う 呼びます。 彼らはそれなしで休憩、それがコスト、またはあなたが代わりに到達したものを教えてくれません — そして、その建物を建てるときには関係するものなのです。

そのため、すべてのページは3つの質問に答えます。

1 なぜこの存在?

必要な概念を作る特定の痛み、そして明らかな選択肢が失われる理由。

2 実際にどのように機能しますか?

図: メカニズム、パラメータ、数学の1つのレベルダウン。

3 生産で何が間違っていますか?

---

What this is

The consumer side of AI engineering: you take models you did not train and build systems that are correct, fast, cheap, and safe enough to put in front of real users.

Most material on this subject is a pile of definitions. Definitions tell you what something is called. They don’t tell you what breaks without it, what it costs, or what you’d reach for instead — and those are the things that matter when you’re the one building it.

So every page answers three questions, in order:

[!NOTE] This is not a machine-learning course. No PyTorch, no training loops, no backprop. Model internals appear only at survival depth — enough to reason about a boundary question without bluffing.

Who it’s for

Engineers building at the application layer who want to understand these systems properly rather than assemble them from tutorials. It assumes you can code and have called an LLM API.

It’s organized around the questions that decide whether a system works:

• How does RAG actually work — and what does productionizing it involve?
• How does HNSW work, and why cosine similarity?
• How do you evaluate retrieval quality when there’s no single right answer?
• What does document Q&A over 10M documents for 50k users look like?