📌 项目日期：2026年11月 | 数据来源：GitHub官方仓库 | 星数：823+
Outcome School 创始人 Amit Shekhar 维护的 AI System Design 完整学习指南："用简单的词解释一切，每个深挖主题配详细博客"。覆盖面极广：LLM推理、GPU、KV Cache、缓存 → RAG、向量数据库 → AI Agent、MCP、多Agent系统 → 语音AI、护栏、评测、可观测性、成本优化，最后还有一个"拿下任何AI系统设计面试"的逐步框架。
动手侧的互补：从零训练理解底层看 MiniMind，RAG实战搭一套看 Dify知识库教程。
| 板块 | 主题 |
|---|---|
| 推理基础 | LLM推理、GPU、KV Cache、缓存策略 |
| 检索增强 | RAG、向量数据库 |
| 智能编排 | AI Agent、MCP、多Agent系统、语音AI |
| 生产保障 | 护栏、评测、可观测性、成本优化 |
git clone https://github.com/amitshekhariitbhu/ai-system-design.git
# 按大纲顺序读，每个主题有对应深度博客链接
# 面试前：直接跳到"step-by-step framework"章节过一遍答题框架Outcome School创始人Amit Shekhar维护的AI系统设计完整学习指南：从LLM推理、GPU、KV Cache、缓存，到RAG、向量数据库、AI Agent、MCP、多Agent系统、语音AI、护栏、评测、可观测性、成本优化，逐步进阶，每个深挖点配详细博客。
想成为AI Engineer/GenAI/LLM/Agentic/前向部署/解决方案架构/MLOps工程师，以及给AI产品做后端的工程师——也是AI系统设计面试的系统级教材。
按仓库大纲顺序读：基础（推理/GPU/KV Cache/缓存）→ 检索（RAG/向量库）→ 智能（Agent/MCP/多Agent）→ 保障（护栏/评测/可观测/成本），每个主题点进对应深度博客。