karthikreddy-7/ai-engineering-playbook

Путь обучения от нуля до 100 для прикладной инженерии ИИ.

RAG · встраивания · векторный поиск · агенты · MCP · и производственная инженерия вокруг них

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

Поиск · темный режим · визуализированные диаграммы · самооценочные викторины · сверла с карточками · отслеживание прогресса

Что это такое

Потребительская сторона ИИ-инжиниринга: вы берете модели, которые вы не обучали, и строите системы, которые Они являются правильными, быстрыми, дешевыми и достаточно безопасными для реальных пользователей.

Большая часть материала по этой теме представляет собой кучу определений. Определения говорят вам, что что-то есть Звонили. Они не говорят вам, что ломается без него, чего это стоит или чего вы бы достигли вместо этого. И это те вещи, которые имеют значение, когда вы строите его.

Каждая страница отвечает на три вопроса по порядку:

1 Почему это существует?

Конкретная боль, которая делает концепцию необходимой, и почему очевидные альтернативы проигрывают.

2 Как это работает на самом деле?

Один уровень вниз, с диаграммой: механизм, параметры и математика, которые имеют значение.

3 Что не так с производством

---

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?