我从 900 种最流行的开源人工智能工具中学到了什么？

我从 900 种最流行的开源人工智能工具中学到了什么不能只看表面答案，真正重要的是理解问题背后的机制、边界和现实代价。你也可以在我 GitHub 上的 cool-llm-repos 列表中找到其中大部分。最底层的堆栈是基础设施，包括服务工具（vllm、英伟达的 Triton）、计算管理（skypilot）、矢量搜索和数据库（faiss、milvus、qdrant、lancedb）、....。最流行的应用类型包括编码、工作流程自动化、信息聚合... 在这 4 层之外，我还有一个类别，即模型 repos，由公司和研究人员创建，用于共享与他们的模型相关的代码。最流行的应用程序类型是编码、机器人（例如 角色扮演、WhatsApp 机器人、Slack 机器人），以及信息聚合（如：...... "让我们把它连接到我们的 Slack，让它每天汇总信息"）。该层的最新类别是向量数据库，包括 Qdrant、Pinecone 和 LanceDB 等公司。