AI Infra 中文学习项目地图
这页把 AI Infra Learning (中文) star list 整理成实际学习路线。它解决的问题不是“哪个项目最火”，而是：如果目标是快速理解 AI Infra / LLM 工程 / Agent 工程，应该按什么顺序读、哪些项目只作索引、哪些值得后续深挖源码。
推荐学习主线
1. 先建立 AI 系统全景
优先读 Infrasys-AI/AISystem、Infrasys-AI/AIInfra、cr7258/ai-infra-learning。
这三类材料适合回答“AI Infra 到底包含哪些层”：芯片/加速器、通信、编译器、训练框架、推理引擎、服务编排、LLMOps、Kubernetes 资源管理。学习目标是先建立分层地图，不急着陷入某个框架的 API。
2. 补 LLM 基础和开源模型使用
读 datawhalechina/happy-llm、datawhalechina/self-llm、AiHubCN/Awesome-Chinese-LLM、Hannibal046/Awesome-LLM。
happy-llm 偏原理入门，self-llm 偏开源模型微调/部署实操，两个组合起来能覆盖“模型是什么”和“怎么在本地/服务器上跑起来”。Awesome list 只适合作查表，不适合从头读。
3. 进入 GPU / CUDA / kernel
顺序建议：HeKun-NVIDIA/CUDA-Programming-Guide-in-Chinese → Tony-Tan/CUDA_Freshman → xlite-dev/LeetCUDA → a-hamdi/GPU。
这一层是从“会用模型”走向“理解推理性能”的关键。LeetCUDA 最有工程训练价值，因为它覆盖 200+ CUDA kernels、Tensor Cores、HGEMM、FlashAttention 相关 MMA 练习；适合和 paged-attention、radix-attention、kv-cache-offload 的理论页一起读。
4. 读推理优化和 serving 论文/代码索引
核心入口是 xlite-dev/Awesome-LLM-Inference，再回到本 wiki 的 llm-serving-engine-selection-map。
这一层关注 FlashAttention、PagedAttention、量化、并行、KV cache、speculative decoding、prefill/decode disaggregation。读法不是把 awesome list 全部扫完，而是围绕问题选论文：吞吐、延迟、显存、长上下文、router、KV offload。
5. 做工程化和 LLMOps 横向理解
读 liguodongiot/llm-action、InftyAI/Awesome-LLMOps、CalvinXKY/InfraTech。
llm-action 适合建立工程化知识面；Awesome-LLMOps 适合作工具查表；InfraTech 更适合动手做 PyTorch/vLLM/SGLang 框架入门和性能加速练习。这个阶段可以开始回看 dynamo、vllm、sglang、SkyPilot、K8s AI Serving 相关页面。
6. 进入 Agent / Skills / 应用层
读 datawhalechina/hello-agents、panaversity/learn-agentic-ai、luzhenqian/ai-coding-lab、libukai/awesome-agent-skills。
hello-agents 是 Agent 入门主线；learn-agentic-ai 把 OpenAI Agents SDK、Memory、MCP、A2A、Knowledge Graph、Dapr、Kubernetes 串起来，适合连接本 wiki 的 mcp、agent-memory、agent-skills-plugin-system-map；ai-coding-lab 偏 AI 编程实战；awesome-agent-skills 是 Skills 生态索引。
7. 最后用面试材料查漏补缺
读 WeThinkIn/AIGC-Interview-Book、wdndev/llm_interview_note、bcefghj/ai-agent-interview-guide。
这些材料不适合作第一遍学习主线，因为容易把概念碎片化。更适合在读完前六层后，用来补缺：模型基础、推理优化、RAG、Agent、项目表达、简历和 STAR 面试稿。
项目取舍
| 类型 | 项目 | 用法 |
|---|---|---|
| 核心教材 | AISystem、AIInfra、happy-llm、self-llm、hello-agents |
从头读，建立主干 |
| 工程练习 | InfraTech、LeetCUDA、CUDA_Freshman、GPU、ai-coding-lab |
边读边做，适合沉淀代码实验 |
| 查表索引 | Awesome-LLM-Inference、Awesome-Chinese-LLM、Awesome-LLM、Awesome-LLMOps、awesome-agent-skills |
不全量阅读，按问题检索 |
| 职业/面试 | AIGC-Interview-Book、llm_interview_note、ai-agent-interview-guide |
用于复盘和表达 |
| 暂缓 | academicpages、ai-briefing、Java AI 示例、自动驾驶/world model 清单 |
与 AI Infra 主线弱相关，暂不深挖 |
最值得后续单独摄入的项目
Infrasys-AI/AISystem：AI 系统全栈知识体系，适合产出一篇“AI 系统分层”概念页。Infrasys-AI/AIInfra：AI Infra 中文材料核心入口，适合做学习源页。CalvinXKY/InfraTech：包含 PyTorch/vLLM/SGLang/性能加速练习，适合做工程实践地图。xlite-dev/LeetCUDA：CUDA kernel 实战价值高，适合补 GPU kernel 学习路线。xlite-dev/Awesome-LLM-Inference：可和 llm-inference、llm-serving-engine-selection-map 联动，整理推理优化论文路线。datawhalechina/self-llm：中文开源模型微调/部署实战，适合补模型部署入门。datawhalechina/hello-agents：Agent 教程主线，可和 ai-agent-frameworks-map、agent-framework-programming-model-map 对齐。nanocoai/nanoclaw：容器化个人 Agent，和 OpenClaw / OpenCowork / nanobot / OpenShell 有架构对比价值。
这条路线和现有 wiki 的连接
- llm-inference、paged-attention、radix-attention、kv-cache-offload：承接推理优化理论。
- llm-serving-engine-selection-map：承接 vLLM/SGLang/Dynamo/SkyPilot/llm-d 等工程选型。
- ai-agent-frameworks-map、agent-framework-programming-model-map：承接 Agent 应用层。
- agent-skills-plugin-system-map：承接 Agent Skills 学习材料。
- github-stars-ingest-candidates：承接后续项目摄入 backlog。