AI工程师笔记本实战：从Notebook到可复现AI工程体系

之前在整理 AI 工程项目的技术沉淀时，我一直在想一个问题：为什么很多工程师代码写得很好，但项目一多，知识就变成了一座孤岛？模型的训练代码、数据预处理逻辑、调参过程中的灵光一现，往往散落在各个 Notebook、脚本和聊天记录里。最近在梳理calmrocks/ai-engineer-notebooks这类开源 AI 工程笔记仓库时，我意识到一套结构化的 Notebook 体系，其实比单纯堆代码更能决定一个 AI 项目的长期维护效率。

这篇文章会围绕“AI 工程师笔记本”这个概念展开，讲解如何借鉴开源仓库的思路，搭建一套属于自己的 AI 工程笔记体系。文章会覆盖环境准备、目录结构设计、代码示例、常见坑点和工程化建议，适合正在入门 AI 工程、或者已经写了大量 Notebook 但感觉难以维护的开发者。

1. 背景与核心概念

1.1 什么是 AI Engineer Notebooks 类仓库

ai-engineer-notebooks从命名上看，是一个面向 AI 工程师的 Notebook 集合类仓库。这类仓库通常不只是一个笔记集合，而是一个包含可运行代码、实验记录、学习路线、工程模板的完整知识库。

它的典型定位是：

• 记录 AI 项目从数据到模型再到部署的完整链路。
• 沉淀可复用的代码片段，比如数据清洗、特征构造、模型评估脚本。
• 保存实验过程，包括参数对比、结果分析、失败经验。
• 提供新手友好的入门路径，从环境搭建到第一个模型运行。

这里说的“Notebook”通常指 Jupyter Notebook（.ipynb文件），它能把代码、输出结果、Markdown 说明和可视化图表整合在一起。对于 AI 工程来说，这种形式非常适合做探索性分析和实验记录，因为它允许你在一个文档里同时看到“想法、代码、结果”三个层次的内容。

1.2 为什么工程师需要系统化的 Notebook 仓库

在实际项目中，很多开发者会遇到下面这些场景：

• 三个月前写的数据预处理代码，现在打开完全想不起来当时为什么要做某个字段的转换。
• 调参试了很多组学习率，只记得最后用了 0.001，但不知道为什么是它。
• 换了一台电脑，原来的 Python 环境跑不起来，缺失的依赖包要靠报错信息一个个补。
• 同一个特征工程逻辑，在训练脚本和推理脚本里各写了一遍，后来两边改得不一致。

这些问题本质上是“知识没有被结构化”导致的。Notebook 仓库的价值就在于，它强制你按照项目主线组织代码和笔记，把“一次性的实验脚本”变成“可持续积累的工程资产”。

1.3 与普通代码仓库的区别

一个普通的代码仓库往往只关心最终交付的代码，而一个 AI 工程 Notebook 仓库更关心“从问题到方案”的完整链路。两者的区别可以从下面几个维度来看：

理解了这些区别之后，再去看calmrocks/ai-engineer-notebooks这类项目，就能明白它想要解决的核心问题：让 AI 工程过程可以被记录、被复现、被传承。

2. 环境准备与版本说明

在开始搭建自己的 AI 工程笔记本之前，需要先准备好基础环境。下面以常见的 Python 数据科学环境为例，给出环境准备建议。

2.1 基础运行环境

你需要准备：

• 一台可以运行 Python 的电脑，Windows、macOS、Linux 均可。
• Python 版本建议使用 3.9 及以上，具体版本需要根据你用到的深度学习框架要求来定。
• 推荐使用 Anaconda 或 Miniconda 管理 Python 环境，避免不同项目的依赖互相冲突。
• 如果你有 NVIDIA 显卡，并且打算训练深度学习模型，需要提前安装对应版本的 CUDA 和 cuDNN，具体版本以 PyTorch 或 TensorFlow 官方要求为准。

这里不写死具体版本号，因为深度学习框架的版本迭代很快。版本需要根据你的项目实际情况调整，本文示例以常见环境为例，重点演示配置思路。

2.2 创建虚拟环境

Windows 命令行或 macOS/Linux 终端中执行：

conda create -n ai-notebooks python=3.10 -y conda activate ai-notebooks

创建完成后，安装 Jupyter Notebook 和常用的数据科学库：

pip install jupyter notebook pip install numpy pandas matplotlib scikit-learn

如果你需要深度学习框架，可以根据自己的需求安装：

# PyTorch 示例，具体安装命令以官网为准 pip install torch torchvision torchaudio

2.3 验证环境是否可用

在终端中输入：

jupyter notebook

如果浏览器能正常打开 Jupyter 页面，说明基础环境已经就绪。你可以在页面中新建一个 Notebook，执行下面的代码验证核心库是否可用：

import numpy as np import pandas as pd import sklearn print("numpy version:", np.__version__) print("pandas version:", pd.__version__) print("sklearn version:", sklearn.__version__)

正常情况下会输出三个库的版本号。如果某个库导入失败，说明对应依赖没有安装完整。

3. 笔记本仓库的核心模块拆解

一个成熟的 AI 工程笔记仓库，通常会按照项目的生命周期来组织内容。下面是我在整理这类仓库时比较推荐的模块划分方式。

3.1 数据探索与预处理模块

数据探索是 AI 项目的第一步。这个模块的 Notebook 通常用来回答以下问题：

• 数据长什么样？有多少行、多少列？
• 每个字段的类型是什么？有没有缺失值？
• 目标变量的分布是否均衡？
• 特征之间是否存在明显的相关性？

典型的代码片段如下：

# 文件路径：notebooks/01_data_exploration.ipynb import pandas as pd import matplotlib.pyplot as plt # 读取数据 df = pd.read_csv("../data/raw/dataset.csv") # 查看数据基本信息 print("数据集形状:", df.shape) print("\n字段信息:") print(df.info()) # 查看缺失值 print("\n缺失值统计:") print(df.isnull().sum()) # 查看数值型特征的统计描述 print("\n描述性统计:") print(df.describe())

这个阶段的核心产出是“数据报告”，而不是“代码”。在整理笔记时，应该把对数据的判断和业务结论写在 Markdown 单元格里，而不是只留下代码。

3.2 特征工程与实验记录模块

特征工程是决定模型效果上限的重要环节。这个模块的 Notebook 需要记录：

• 构造了哪些新特征。
• 每个特征的含义是什么。
• 基于什么业务逻辑进行构造。
• 特征对模型效果的影响。

举例来说，假如我们有一个电商数据集，想要预测用户是否会在未来 7 天内购买商品。我们可以构造下面这样的特征：

# 文件路径：notebooks/02_feature_engineering.ipynb import pandas as pd import numpy as np # 假设 df 包含用户行为日志 # 每个用户最近 7 天的浏览行为 user_features = df.groupby("user_id").agg( browse_count_7d=("behavior_type", lambda x: (x == "browse").sum()), cart_count_7d=("behavior_type", lambda x: (x == "cart").sum()), buy_count_7d=("behavior_type", lambda x: (x == "buy").sum()), ).reset_index() # 计算转化率 user_features["cart_rate_7d"] = user_features["cart_count_7d"] / (user_features["browse_count_7d"] + 1) user_features["buy_rate_7d"] = user_features["buy_count_7d"] / (user_features["cart_count_7d"] + 1) print(user_features.head())

在这类模块中，建议在 Notebook 开头用 Markdown 写清楚“本次实验的目标”和“使用的数据范围”，在结尾写清楚“实验结论”和“后续优化方向”。

3.3 模型训练与评估模块

模型训练模块是 Notebook 中代码量最大的部分，但也是容易出现的“不可复现”的重灾区。一个合格的训练 Notebook 需要包含：

• 固定随机种子。
• 数据集划分方式。
• 模型参数配置。
• 评估指标定义。
• 训练过程和结果归档。

下面是一个使用 scikit-learn 训练分类模型的示例：

# 文件路径：notebooks/03_model_training.ipynb import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.ensemble import GradientBoostingClassifier from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score import joblib # 固定随机种子，保证实验可复现 np.random.seed(42) # 加载特征工程后的数据 data = pd.read_csv("../data/processed/features.csv") # 分离特征和标签 X = data.drop("target", axis=1) y = data["target"] # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42, stratify=y ) # 训练梯度提升树模型 model = GradientBoostingClassifier( n_estimators=100, learning_rate=0.1, max_depth=3, random_state=42, ) model.fit(X_train, y_train) # 预测并评估 y_pred = model.predict(X_test) print("Accuracy:", accuracy_score(y_test, y_pred)) print("Precision:", precision_score(y_test, y_pred)) print("Recall:", recall_score(y_test, y_pred)) print("F1-score:", f1_score(y_test, y_pred)) # 保存模型 joblib.dump(model, "../models/gbdt_model.pkl")

这里特别要强调的是“随机种子”。很多刚接触机器学习的人会发现，自己每次跑同一个 Notebook，结果都不一样。原因就是模型初始化、数据划分的过程包含随机性。固定了随机种子之后，才能保证不同人、不同时间运行同一份代码得到一致的结果。

3.4 部署与服务化笔记模块

AI 项目的终点不是模型训练完，而是模型能上线提供服务。部署模块的 Notebook 往往记录的是：

• 模型导出格式的选型。
• 推理接口的设计。
• 本地调用测试结果。
• 线上环境部署注意事项。

一个简单的 FastAPI 推理服务代码示例如下：

# 文件路径：service/app.py from fastapi import FastAPI from pydantic import BaseModel import joblib import numpy as np # 加载训练好的模型 model = joblib.load("../models/gbdt_model.pkl") app = FastAPI() class PredictRequest(BaseModel): features: list[float] class PredictResponse(BaseModel): prediction: int probability: float @app.post("/predict", response_model=PredictResponse) def predict(req: PredictRequest): features = np.array(req.features).reshape(1, -1) pred = model.predict(features)[0] proba = model.predict_proba(features)[0][1] return PredictResponse(prediction=int(pred), probability=float(proba))

在部署模块的笔记中，建议记录当前模型文件对应的训练数据和代码版本。这样做的好处是，当线上模型出现异常时，你能快速回溯到当时的训练环境和数据，而不是靠回忆排查问题。

4. 完整实战案例：搭建一个可复现的 AI 工程笔记本

下面通过一个完整的示例，演示如何从零搭建一个面向 AI 工程的笔记本仓库。这个项目会实现一个简单的二分类任务：基于用户行为特征预测用户是否会购买商品。

4.1 创建项目结构

首先按照下面的目录结构创建项目文件夹：

ai-engineer-notebooks/ ├── data/ │ ├── raw/ # 原始数据，不进行任何修改 │ └── processed/ # 经过特征工程后的数据 ├── models/ # 训练产出的模型文件 ├── notebooks/ # Jupyter Notebook 文件 │ ├── 01_data_exploration.ipynb │ ├── 02_feature_engineering.ipynb │ └── 03_model_training.ipynb ├── scripts/ # 可复用的 Python 脚本 ├── service/ # 模型部署服务代码 ├── requirements.txt # 依赖清单 └── README.md # 项目说明

在终端中执行：

mkdir -p ai-engineer-notebooks/{data/raw,data/processed,models,notebooks,scripts,service} cd ai-engineer-notebooks

4.2 编写依赖管理文件

requirements.txt用来锁定项目运行所需的 Python 依赖。一个基础的依赖清单如下：

numpy>=1.24.0 pandas>=2.0.0 scikit-learn>=1.3.0 matplotlib>=3.7.0 jupyter>=1.0.0 fastapi>=0.100.0 uvicorn>=0.23.0 joblib>=1.2.0

注意，这里使用了>=来指定最低版本，而不是用==固定死版本。如果你想追求更强的可复现性，建议在项目稳定后用pip freeze > requirements-lock.txt生成一份精确锁定版本的依赖清单，部署和复现实验时使用这份锁文件。

4.3 编写数据生成脚本

由于这里没有真实数据，我们使用numpy生成一份模拟数据，方便演示整个流程。需要注意的是，模拟数据只是为了跑通 Notebook 流程，真实项目中需要用自己的业务数据替换。

创建scripts/generate_sample_data.py：

# 文件路径：scripts/generate_sample_data.py import numpy as np import pandas as pd # 固定随机种子 np.random.seed(42) n_samples = 1000 # 模拟用户行为特征 browse_count = np.random.randint(0, 200, size=n_samples) cart_count = np.random.randint(0, 50, size=n_samples) favorite_count = np.random.randint(0, 80, size=n_samples) visit_duration = np.random.uniform(0, 60, size=n_samples) # 模拟转化率：浏览多、加购多、停留时间长的用户更容易购买 logit = ( 0.02 * browse_count + 0.08 * cart_count + 0.05 * favorite_count + 0.03 * visit_duration ) / 10 probability = 1 / (1 + np.exp(-(logit - 1.5))) target = np.random.binomial(1, probability) # 构造 DataFrame df = pd.DataFrame( { "browse_count": browse_count, "cart_count": cart_count, "favorite_count": favorite_count, "visit_duration": visit_duration.round(2), "target": target, } ) # 保存原始数据 df.to_csv("data/raw/dataset.csv", index=False) print("样本数据已生成，形状:", df.shape)

运行脚本：

python scripts/generate_sample_data.py

预期输出：

样本数据已生成，形状: (1000, 5)

4.4 编写核心 Notebook

在 Jupyter 中新建notebooks/01_data_exploration.ipynb，输入以下内容执行。

首先进行数据加载和基本探索：

import pandas as pd df = pd.read_csv("../data/raw/dataset.csv") print("数据集形状:", df.shape) print("字段列表:", df.columns.tolist()) print("缺失值统计:\n", df.isnull().sum()) print("目标变量分布:\n", df["target"].value_counts(normalize=True))

然后进行相关性分析：

import matplotlib.pyplot as plt import seaborn as sns # 如果你没有安装 seaborn，可以先执行 pip install seaborn plt.figure(figsize=(8, 6)) corr = df.corr() sns.heatmap(corr, annot=True, cmap="coolwarm", fmt=".2f") plt.title("Feature Correlation Matrix") plt.show()

接着创建notebooks/02_feature_engineering.ipynb：

import pandas as pd df = pd.read_csv("../data/raw/dataset.csv") # 构造互动强度特征 df["total_interaction"] = df["browse_count"] + df["cart_count"] + df["favorite_count"] # 构造加购率特征 df["cart_ratio"] = df["cart_count"] / (df["browse_count"] + 1) # 构造收藏率特征 df["favorite_ratio"] = df["favorite_count"] / (df["browse_count"] + 1) # 删除原始特征列，保留构造后的特征 features = df[["total_interaction", "cart_ratio", "favorite_ratio", "visit_duration", "target"]] # 保存特征工程后的数据 features.to_csv("../data/processed/features.csv", index=False) print("特征工程完成，保存至 data/processed/features.csv")

最后创建notebooks/03_model_training.ipynb：

import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import classification_report, roc_auc_score import joblib np.random.seed(42) data = pd.read_csv("../data/processed/features.csv") X = data.drop("target", axis=1) y = data["target"] X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42, stratify=y ) model = RandomForestClassifier( n_estimators=200, max_depth=6, random_state=42, n_jobs=-1, ) model.fit(X_train, y_train) y_pred = model.predict(X_test) y_proba = model.predict_proba(X_test)[:, 1] print(classification_report(y_test, y_pred)) print("AUC:", roc_auc_score(y_test, y_proba)) # 保存模型 joblib.dump(model, "../models/random_forest_model.pkl") # 查看特征重要性 importance_df = pd.DataFrame( {"feature": X.columns, "importance": model.feature_importances_} ).sort_values("importance", ascending=False) print(importance_df)

4.5 运行与结果验证

按顺序从 01 到 03 运行这三个 Notebook，整个流程就是一条完整的 AI 工程数据流。推荐的操作方式是：

1. 打开终端，进入项目根目录。
2. 执行jupyter notebook启动服务。
3. 在浏览器中依次打开三个 Notebook，逐个运行单元格。

运行完成后，你会在models/目录下看到random_forest_model.pkl文件。这个模型文件可以在后续的 FastAPI 服务中直接加载。

也可以直接在 Python 脚本中验证模型能否正常加载：

import joblib import numpy as np model = joblib.load("models/random_forest_model.pkl") # 模拟一个用户的特征数据 sample = np.array([[120, 0.5, 0.3, 25.0]]) pred = model.predict(sample) proba = model.predict_proba(sample)[0][1] print("预测标签:", pred[0]) print("购买概率:", proba)

5. 常见问题与排查思路

在实际搭建和维护 AI 工程笔记本仓库时，下面几个问题非常容易遇到。

5.1 不同机器上 Notebook 运行结果不一致

问题现象：同一个 Notebook，在自己电脑上 AUC 是 0.85，部署到另一台机器上变成 0.80。

常见原因：

• 没有固定随机种子。
• Python 库版本不一致。
• 数据在传输或复制过程中发生变化。
• 系统环境差异导致浮点计算精度不同。

解决思路：

• 在 Notebook 开头统一设置随机种子。
• 使用requirements-lock.txt锁定依赖版本。
• 对原始数据做哈希校验，例如记录 MD5 值。

import hashlib def file_md5(file_path): with open(file_path, "rb") as f: return hashlib.md5(f.read()).hexdigest() print("data md5:", file_md5("data/raw/dataset.csv"))

5.2 Notebook 里 import 不到自定义模块

问题现象：在scripts/目录下写了utils.py，在 Notebook 中import utils报ModuleNotFoundError。

常见原因：Jupyter 的当前工作目录不是项目根目录，导致 Python 无法找到模块。

解决思路：在 Notebook 开头将项目根目录加入sys.path。

import sys import os # 获取项目根目录路径，并加入模块搜索路径 project_root = os.path.abspath(os.path.join(os.getcwd(), "..")) if project_root not in sys.path: sys.path.append(project_root)

5.3 训练过程内存溢出

问题现象：数据量一大，Notebook 在执行训练的时候就卡死，或者直接报 OOM（内存溢出）。

常见原因：

• 一次将全部数据加载到内存。
• 特征工程中生成了类似笛卡尔积的大表。
• 模型参数设置过大，例如决策树深度过大。

解决思路：

• 使用pd.read_csv的chunksize参数分块读取数据。
• 及时删除不再使用的大变量，并调用gc.collect()。
• 先用小数据子集跑通流程，再逐步扩大数据量。

import pandas as pd import gc # 分块读取大文件 chunk_iter = pd.read_csv("large_data.csv", chunksize=10000) for chunk in chunk_iter: # 处理每一块数据 pass # 手动触发垃圾回收 gc.collect()

5.4 运行环境依赖冲突

问题现象：新拉取项目代码后，执行pip install -r requirements.txt时报版本冲突。

常见原因：

• requirements.txt中不同库对另一个库的版本要求互相矛盾。
• 没有指定版本，导致 pip 安装了不兼容的最新版。

解决思路：

• 尽量使用已知稳定的版本组合。
• 使用 conda 创建独立环境，不要装到 base 环境。
• 记录测试通过的环境版本。

5.5 Notebook 文件冲突无法合并

问题现象：多人协作时，两个同事同时修改一个.ipynb文件，Git 合并时出现大量冲突，难以处理。

常见原因：.ipynb文件本质上是 JSON 格式，包含大量输出内容和单元格元数据，Git 的文本合并算法难以自动合并。

解决思路：

• 使用nbstripout清除 Notebook 的输出内容再提交到 Git。
• 在.gitignore中忽略*.ipynb_checkpoints/目录。
• 多人分工时尽量按不同 Notebook 文件拆分任务。

安装nbstripout并在当前仓库初始化：

pip install nbstripout nbstripout --install

6. 最佳实践与工程建议

6.1 可复现性管理

可复现性是 AI 工程中最容易被忽视、又最重要的能力。可以从下面几个方面入手：

• 固定随机种子，包括numpy、random、torch等所有用到随机数的库。
• 记录训练数据的版本和来源，用 MD5 或文件大小辅助校验。
• 导出模型时同时保存模型对应的特征列顺序和预处理参数。
• 用dvc（Data Version Control）或者简单的文件命名规则管理数据版本。

6.2 Notebook 的代码质量

Notebook 本身容易产生“面条代码”，也就是单元格之间的依赖关系不清晰，顺序调整后整个流程就崩溃。建议采用下面的方式提升代码质量：

• 每个 Notebook 只做一件事。
• 把复用性强的函数抽取到scripts/目录下的.py文件中。
• Notebook 中保留“调用过程”，不放“函数实现”。
• 在一个 Notebook 的开始部分集中 import 库和配置参数。
• 运行全部单元格后，再重新从 Kernel 重启开始跑一遍，验证从上到下的执行顺序正确。

6.3 配置管理

AI 项目的配置项往往很多，比如数据路径、模型参数、训练轮数、评估指标。不建议把这些参数硬编码在 Notebook 单元格里，更好的方式是用 YAML 或 JSON 配置文件统一管理。

一个简单的config.yaml示例：

data: raw_path: data/raw/dataset.csv processed_path: data/processed/features.csv model: name: random_forest n_estimators: 200 max_depth: 6 random_state: 42 train: test_size: 0.2 stratify: true

在 Notebook 中使用yaml库读取配置：

import yaml with open("../config.yaml", "r") as f: config = yaml.safe_load(f) print(config["model"])

这样做的最大好处是，调整参数时不需要翻单元格，只需要修改配置文件即可。

6.4 安全与权限边界

在 AI 工程中，安全边界同样需要注意，尤其是下面几个场景：

• 数据隐私：不要将包含用户敏感信息的原始数据直接提交到 Git 仓库。建议将原始数据放在.gitignore中忽略的目录，或者使用数据版本管理工具统一管理。
• 模型安全：不要将训练好的模型文件直接打包上传到公开仓库。模型可能包含训练数据的潜在记忆，特别是深度模型，存在隐私泄露的风险。
• 服务安全：部署 FastAPI 这样的推理服务时，需要对接口做鉴权，不要在公网直接开放无保护的预测接口。

一个最小的接口鉴权示例：

from fastapi import FastAPI, Header, HTTPException app = FastAPI() API_TOKEN = "your-secure-token" @app.post("/predict") def predict(features: list[float], authorization: str = Header(...)): if authorization != f"Bearer {API_TOKEN}": raise HTTPException(status_code=401, detail="Invalid token") # 推理逻辑 return {"prediction": 1}

这里强调一下，上面的API_TOKEN只是演示。生产环境中，密钥应该通过环境变量或密钥管理服务注入，不能硬编码在代码里。

6.5 日志与实验记录

AI 项目的日志比普通业务项目更难管理，因为你需要记录的不只是代码运行日志，还包括实验的指标、参数、数据版本和时间戳。建议在项目根目录下维护一份experiments.md，结构大致如下：

# 实验记录 ## 2025-06-01 基线模型 - 数据版本：dataset_v1.md5 - 特征版本：features_v1 - 模型：RandomForest - 参数：n_estimators=200, max_depth=6 - 评估结果：AUC=0.82, F1=0.71 - 备注：第一次跑通完整流程 ## 2025-06-03 特征工程优化 - 数据版本：dataset_v1.md5 - 特征版本：features_v2（新增加购率特征） - 模型：RandomForest - 参数：n_estimators=200, max_depth=6 - 评估结果：AUC=0.85, F1=0.75 - 备注：加购率特征对召回有显著提升

这种记录方式虽然看起来简单，但在复盘项目时，它会比任何 fancy 的实验管理工具都直接。

7. 总结与学习路线

通过本文的梳理，可以清楚地看到calmrocks/ai-engineer-notebooks这类仓库的核心价值：它不是简单地把代码堆在一起，而是把 AI 工程中的数据、特征、模型、部署、实验记录整合成一套可复用、可追溯的知识体系。

从一个普通的 Notebook 使用者成长为一个合格的 AI 工程师，可以按照下面的路线逐步进阶：

• 第一阶段：学会用 Notebook 做数据探索，掌握 pandas 和 matplotlib 的常用操作。
• 第二阶段：为每个项目搭建规范化的目录结构，区分数据、代码、模型和笔记。
• 第三阶段：引入配置管理、依赖锁定和实验记录机制，确保项目可复现。
• 第四阶段：把 Notebook 中的核心逻辑抽成独立模块，配合 FastAPI 等框架封装成服务。
• 第五阶段：在团队中推广这套规范，用版本控制、数据版本管理工具保障协作效率。

在实际项目中，优先关注的风险点有三个：数据版本一致性、模型参数可追溯性和部署环境依赖隔离。这三点决定了你的 AI 工程能不能从“能跑”走向“可靠”。

这套体系的搭建不需要一次性完成，可以从小处开始。下一次开启新的 AI 项目时，先创建好目录结构，在第一个 Notebook 里写好数据说明，再开始写代码。坚持几个项目以后，你会发现自己积累的不只是模型，还有一套可持续迭代的工程方法论。

如果本文对你有帮助，可以收藏备用。后续我也会继续整理 AI 工程实践中的具体案例和踩坑记录，欢迎一起交流。