企业官网建设流程全解析

📖 本文带你走进开源课程ai-infra-engineer-learning——一条为AI基础设施工程师打造的完整学习路线。第一课（模块01：Foundations）会用 8 节课 + 5 个实验帮你从零理解ML基础设施，并在本地部署你的第一个机器学习模型服务。全程新手友好，CPU 就能学！

一、为什么学 ML 基础设施？AI 基础设施工程师是做什么的

很多新手以为"搞 AI 就是训练模型"，其实真正的分水岭在这里：

模型不是一次性产物——它要持续重训、做版本管理、做 A/B 实验，推理流量可能高达每秒百万级请求，而模型效果还会"悄悄退化"。这些挑战正是 **ML 基础设施（Machine Learning Infrastructure）**要解决的问题：

• 🚀 把模型部署到生产环境（FastAPI、TorchServe、vLLM）
• 📦 用 Docker / Kubernetes 容器化和编排服务
• 📊 用 Prometheus + Grafana 监控指标、日志、链路
• 💰 在 AWS / GCP / Azure 上优化 60–80% 的云计算成本

这一角色的需求正在快速增长（官方称年增 35%），是 MLOps、ML Platform Engineer 等高薪岗位的底层能力。想系统入门，ML基础设施学习路线里第一课最关键——先把地基打牢。

想先搞懂这个领域的整体图景？直接读第一课的开篇讲义：01-introduction.md

二、第一课（模块01）学什么：8 节课 + 5 个实验课

模块 01「Foundations」难度为Beginner，约 40 小时，不需要 GPU。它被设计成"读一节 → 做一个实验 → 动手练"的节奏：

配套还有 5 个可运行的Guided Labs（每个 45–75 分钟，含目标、步骤、验证清单、排错），按顺序完成即可：

1. 搭建可复现的 Python 开发环境
2. 构建并运行你的第一个 Docker 容器
3. 用 kind 拉起本地 Kubernetes 集群
4. 用 FastAPI 提供 scikit-learn 模型预测服务（生产级模型服务的最小形态）
5. 给 FastAPI 服务加上 Prometheus 指标采集

实验入口在这里：labs/README.md

⭐ 其中第 4 个实验 lab-04-serve-sklearn-model.md 是本课程的"缩影"：训练小模型 → 打包成 API → 容器化 → 部署到集群。后面所有项目都是这个模式加上监控、扩缩容、优化后的扩展版。

三、5 分钟快速开始：克隆仓库，跑通第一课

前置要求（详见 PREREQUISITES.md）：

• 硬件：8GB+ 内存、20GB+ 磁盘（Linux / macOS / Windows WSL2）
• 技能：Python 3.9+ 中级水平、Linux 命令行、Git 基础、ML 基本概念
• 云账号：任选一家（AWS / GCP / Azure），免费额度足够学完大部分内容

一键开始：

git clone https://gitcode.com/gh_mirrors/ai/ai-infra-engineer-learning cd ai-infra-engineer-learning python3 -m venv venv && source venv/bin/activate pip install -r requirements.txt

然后打开第一课总览：

cat lessons/mod-101-foundations/README.md

完整的环境搭建、工具安装（Docker、kubectl、Terraform）和验证脚本都在 GETTING_STARTED.md 里，按步骤抄作业即可。

四、学习路线：从第一课到 LLM 基础设施的 10 个模块

第一课只是地基。整个课程共10 个模块、500+ 小时、3 个完整项目，循序渐进：

完整课程表见 CURRICULUM.md，各模块资源清单在对应目录的resources.md（如 mod-101 资源）。

学完模块 01 后，推荐直接上手第一个实战项目 project-101-basic-model-serving：FastAPI 图片分类 API + Docker + Kubernetes + Prometheus/Grafana 监控，约 30 小时，是简历上第一个拿得出手的 ML 基础设施作品。

五、新手常见问题 FAQ

Q1：第一课需要 GPU 吗？不需要。模块 01 全部用小模型和预训练权重，CPU 足够。GPU 从模块 07（GPU 计算）才开始重点使用。

Q2：云服务商选哪家？AWS、GCP、Azure 任选。拿不准就选 GCP（免费额度更慷慨）或 AWS（工业界用得最多）。学第一课时 0 成本即可。

Q3：每周花多少时间合适？全职约 12–15 周学完全部 10 个模块；兼职每周 10 小时约 1 年。第一课建议 2 周完成（前 2 周学 01–04 节，第 3–4 周学 05–08 节）。

Q4：卡住了怎么办？每个 Lab 都带"预期输出 + 常见故障"小节，先对照排查；再看 GETTING_STARTED.md 的 Troubleshooting 章节。学会排错本身就是这门课要练的核心技能。

Q5：怎么检验自己学会了吗？模块 01 结束有一份 30 题测验（70% 通过）：module-quiz.md。建议做完再进入模块 02。

六、给新手的 3 条学习建议

1. 动手优先：不要只读讲义，把每个 Lab 的命令敲一遍、跑通、故意改坏再修好
2. 记录排错过程：把报错和解法记下来，这些就是你未来面试时的真实案例
3. 控制云账单：一注册就设 $10/$25 预算告警，练完立刻关资源

地基打好了，后面 9 个模块会一路顺畅。现在就去打开 lessons/mod-101-foundations/README.md，开始你的 AI 基础设施工程师之旅吧！🚀