karthikreddy-7/ai-engineering-playbook

A Zero-to-100 학습 경로 적용 AI 엔지니어링.

RAG · embeddings · 벡터 검색 · 에이전트 · MCP · 그 주변의 생산 공학

✈karthikreddy-7.github.io/ai-engineering-playbook

*검색 · 어두운 모드 · 렌더링 다이어그램 · 자체 등급 퀴즈 · 플래시 카드 드릴 · 진행 추적 *

---

이것은 무엇인가?

consumer side of AI Engineering: 당신은 당신이 기차를하지 않았고 시스템을 구축하지 않은 모델을 가지고 정확하고, 빠르고, 싸고, 실제 사용자의 앞에 넣어 충분히 안전합니다.

이 주제에 대부분의 물자는 정의의 더미입니다. 정의는 무엇인가를 알려줍니다. 이름 * 그들은 그것 없이 무슨 틈을 말하지 않습니다, 그것 비용, 또는 당신이 대신에 도달한 무슨 — 그리고 그 것들은 당신이 한 건물에있을 때.

그래서 모든 페이지는 주문에서 세 가지 질문에 답합니다.

**1 왜이 존재합니까? **

필요한 개념을 만드는 특정 고통, 그리고 왜 명백한 대안은 잃습니다.

2 실제로 어떻게 작동합니까?

한 레벨 아래로, 다이어그램 : 메커니즘, 매개 변수 및 그 문제에 대한 수학.

**3 무엇 생산에서 잘못? **

---

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?