别再刷 AI 教程了，这 6 本书讲透真AI 工程

如果读者认真想构建 AI 系统，下面这六本书值得了解。 它们覆盖了 AI 工程的不同部分，从大语言模型和检索增强生成，到机器学习系统、数据基础设施和生产工程。 想先学哪一块，下面会说明该先翻开哪一本。

一、《AI Engineering》：动手之前先定一把尺

第一本，Chip Huyen 的《AI Engineering》，中译本叫《AI 工程：大模型应用开发实战》。

如果读者正在用大语言模型（LLM）或基础模型做应用，这大概是最值得推荐的第一本书。

这本书有价值的地方在于，它不局限于讲模型怎么工作，而是讲真正动手构建 AI 应用时要面对哪些工程决策，包括评估、提示工程、检索增强生成（RAG）、微调、智能体、数据集工程和推理优化。

AI 应用最大的问题之一，是开发者往往太关注让模型给出一个好答案，而不太关注整个系统究竟有没有在工作。

比如做一个客服机器人，拿一百个问题测一遍，一百个里答对了九十个，很容易觉得这个应用可以上线了。可真实用户开始提问之后，才会发现生产环境的数据长得不一样，检索返回的是错的文档，送进模型的上下文也并非原先预期的那一批。

到这一步，问题可能都不在模型身上，而在数据、检索管线、评估流程，或者应用拼接提示词的方式。

所以书中评估那一部分特别有用。在动手改进一个 AI 系统之前，先得知道打算怎么衡量它到底有没有变好。

这本书还讲了检索增强生成、智能体、微调和推理优化，对构建现代 AI 应用的各个组成部分，它能给出一个完整的视角。

谁该读？正在做大模型应用、AI 智能体、检索增强系统或 AI 产品的人，可以把它放在最前面。

要说缺点，是 AI 变化太快，一些具体的工具和例子迟早会过时。不过工程上的原则，能管用的时间要长得多。

二、《Designing Machine Learning Systems》：上线才是起点

第二本还是 Chip Huyen 的《Designing Machine Learning Systems》，中译本叫《机器学习系统设计》。

如果想搞清楚一个机器学习模型从笔记本环境（notebook）搬出来、进入真实生产环境之后会经历什么，推荐这一本。

模型在开发阶段可以表现极好，进了生产环境仍然会表现失常，因为它周围的环境变了。数据可能不一样了，用户行为可能变了，基础设施可能有不一样的限制，模型也可能开始见到一些在原始训练数据里没有出现过的输入。

这本书讲的是更完整的机器学习生命周期，包括数据工程、特征工程、训练、部署、监控和持续学习。

有一个概念特别重要，叫分布漂移。

假设用 2025 年的用户行为训练了一个模型。模型在测试数据上表现很好，于是被部署上去。几个月之后，用户行为变了，产品变了，进入系统的用户类型也变了。模型本身不一定变差了，它在生产里收到的数据，可能只是不再像训练时见过的那些了。

理解这些问题很重要，因为机器学习工程不会在模型部署那一刻结束。还需要监控模型，还要搞清楚它的表现随时间怎么变化。

谁该读？来自数据科学或机器学习背景、想把生产工程的底子打得更扎实的人，这本书很值得一读。

它的面铺得比较宽，而不是在某个领域挖得极深。但这恰恰是它作为基础好用在哪里的原因。

三、《Designing Data-Intensive Applications》：一本不是讲 AI 的书

第三本是 Martin Kleppmann 的《Designing Data-Intensive Applications》，中译本叫《数据密集型应用系统设计》。

这不是一本专门讲 AI 的书，但对任何想成为更强的 AI 工程师的人来说，它是这份书单上最有价值的书之一。

理由很简单，认真的 AI 系统高度依赖数据基础设施。

想想一个典型的检索增强应用。它可能有来自不同来源的文档，有一个摄入管线负责处理，接下来是分块、嵌入管线、向量数据库、检索，最后才是大模型生成回答。在模型拿到请求之前，中间已经牵扯了很多系统。

如果应用突然变慢，问题可能不在大模型，而出在数据库变慢、向量搜索过载、摄入管线延迟，或者网络本身带来了延迟。

这时候，理解数据密集型系统就非常有用。

这本书讲存储、复制、分区、事务、批处理、流处理和分布式系统这些概念，它们都是大规模应用的重要基础。理解了这些概念，就能把系统当成一个整体来推理，而不是一遇到问题就默认是 AI 或模型的问题。

谁该读？来自数据科学或机器学习、想补上后端和分布式系统底子的人，应该把它放进书单。

缺点是它很密，所以不必追求快速读完。慢慢读，把里面的概念和手头真正在做的系统对上。

四、《Hands-On Large Language Models》：把概念接到应用上

第四本，Jay Alammar 和 Maarten Grootendorst 的《Hands-On Large Language Models》，中译本叫《图解大模型：生成式 AI 原理与实战》。

如果读者刚接触大语言模型、想用实操的方式搞懂它们是怎么工作的，这大概是最容易上手的几本之一。

这本书讲分词、嵌入、语义搜索、文本分类、提示工程和检索增强生成这些主题，同时给出能直接运行的代码示例。

这本书值得称道的一点，是它把本来很抽象的概念讲清楚了。

比如，嵌入就是把文本变成向量，这句话大概很多人都听过。可光知道这个定义，并不能说明嵌入有什么用。

假设有一句话是 I want to buy a laptop，另一句是 I'm looking for a new computer。词不一样，意思却相当接近。

嵌入提供了一种把这些文本用数学表示出来的办法，意思相近的文本因此能被放得更近。

一旦理解了这一点，语义搜索和检索增强生成这类概念就好懂得多了。

这本书对初学者的价值就在这里，它把底层概念和实际应用接起来，而不是只给定义。

谁该读？刚接触大语言模型，或者想要一份现代自然语言处理和大模型概念的实操入门，这是个很好的选择。

如果读者已经很懂 Transformer 和现代自然语言处理，会觉得其中一些内容眼熟，但对正在打基础的人来说，这是本非常好的书。

五、《Build a Large Language Model (From Scratch)》：把黑箱拆开一次

第五本，Sebastian Raschka 的《Build a Large Language Model (From Scratch)》，中译本叫《从零构建大模型》。

这本是给想深入大语言模型内部的人看的。

这本书不靠 API 调用现成的模型。它用 PyTorch 从零构建一个 GPT 风格的模型，读者会逐步走过分词、注意力、模型架构、训练和微调这些组件。

知道怎么用大语言模型，和明白它内部发生了什么，差别很大。用 API 的时候，文本发给模型，收到一个回答，但内部的绝大部分过程是看不见的。

当亲手实现模型的一部分之后，注意力、分词、上下文、训练、推理这些概念会开始变得清楚很多，因为这些部件怎么拼到一起，读者能直接看到。

比如，注意力是 Transformer 里重要的一环，这一点本来只是个结论。亲手做过之后，还能看到这套机制是怎么实现的，以及它为什么对模型重要。

这种亲手做过的经验，能带来一个强得多的心智模型，用来理解大语言模型是怎么工作的。

谁该读？想深入理解大语言模型是怎么造出来的，又对 Python 和一些基础机器学习概念不陌生的人，这就是我会选的那本。但它不适合速读。

真的把代码写下来、把例子走一遍，收获会大得多。

六、《Machine Learning Design Patterns》：放在手边当参考

第六本，Valliappa Lakshmanan、Sara Robinson 和 Michael Munn 的《Machine Learning Design Patterns》，中译本叫《机器学习设计模式》。

这本书的想法和软件工程里的设计模式类似。

软件工程师会反复遇到某些类型的问题，时间一长，就有了解决它们的常见做法。机器学习系统也有同样反复出现的问题，可能出现在数据表示、可复现性、系统韧性、负责任的 AI，或者机器学习系统各部分之间怎么协作上。

与其把每个问题都当成全新的问题来对待，设计模式提供的是一套办法。它能认出别的工程师早就遇到过的问题，并用已经成熟的做法去解决它们。

比如，如果训练过程不可复现，可以去看那些让机器学习工作流更可靠的做法，而不是自己想一个从零开始的方案。

这本书更适合当成一本参考书，而不是要从头读到尾的书。当撞上某个具体的工程问题时，可以回来翻对应的模式，看看它怎么用。

有一点要留意，这本书早于现在这一波大模型浪潮，所以它替代不了那些更新的、以大模型为主题的书。但工程原则依然有用，尤其是在构建生产级机器学习系统的时候。

谁该读？已经在做机器学习、想要一本常见工程问题的参考的人，这本书值得放在手边。

按手上的问题挑

如果拿不准先读哪一本，可以按下面这张表来选：

只能留两本

如果只能选两本，我会从《AI Engineering》和《Designing Machine Learning Systems》开始，作者都是 Chip Huyen，因为它们合在一起，对怎么把 AI 当作一个工程系统来思考，能给出扎实的理解，而不只是把它当成一个模型。

书名与作者对照

素材来源：基于 Cloud X Berry 的视频改写，配图为视频关键帧截图。文中书名以英文原名为主，各节首次出现处附中文版书名。

这份书单如果对读者选书有帮助，可以收藏起来，也转给同样在学 AI 工程的朋友。

#AI工程 #技术书单 #大模型入门 #AI工程师 #机器学习 #大模型 #RAG #推荐书单 #程序员书单 #读书笔记