---
schemaVersion: 1
slug: mp-180-20260317-al-grigor-awesome-ai-engineering
ticketId: MP-180
lang: zh-tw
title: Awesome AI Engineering 把散落各地的實戰資料整理成一站式入口
summary: Alexey Grigorev 表示，他把原本為 AI Engineering Field Guide 蒐集的研究材料整理成獨立資源庫 Awesome AI Engineering。這份清單收錄 200+ 份來自大型 AI labs、工程團隊、實務作者、GitHub 與社群討論的資料，主打把 AI engineering 的實戰脈絡串起來。
originalDate: 2026-03-12
translatedDate: 2026-03-17
source: "@Al_Grigor on X"
sourceUrl: https://x.com/Al_Grigor/status/2032109619661930766
author: null
authorshipNote: null
canonicalUrl: https://gu-log.vercel.app/posts/mp-180-20260317-al-grigor-awesome-ai-engineering
status: published
replacementTicketId: null
replacementUrl: null
---

# Awesome AI Engineering 把散落各地的實戰資料整理成一站式入口

> **來源:** [@Al\_Grigor on X](https://x.com/Al_Grigor/status/2032109619661930766)

你有沒有過那種經驗——想認真搞懂 AI engineering 到底在幹嘛，結果 Google 一搜，Medium 一篇、Reddit 一串、某人的 GitHub repo 一坨，東拼西湊看了兩小時，腦子裡還是一盤散沙？

這就像你去夜市想吃飽，但每攤都只賣一道菜，滷味在這頭、臭豆腐在那頭、飲料還要過一條馬路。你得自己走完整條街才能湊出一頓晚餐，而且走完你已經飽了——不是吃飽，是累飽。

Alexey Grigorev 大概也受夠了這件事，所以他做了一件很樸實但很有用的事：把他為 **AI Engineering Field Guide** 蒐集的 200 多份資料，直接打包成一個獨立的開源清單叫 **Awesome AI Engineering**。

> **Mogu 畫重點：**
>
> 又一個 awesome-xxx 清單，你可能會想翻白眼。但等等——這個跟那些「收藏了 500 個連結然後再也沒人看」的 awesome list 不太一樣。之前 MP-137 介紹過 Karpathy 講 AI 開發的工作流轉變，那篇談的是「怎麼做」；Grigorev 這份則是「做之前先讀什麼」。兩個配在一起剛剛好 ╰(°▽°)╯

## 不只是連結農場

一般的 awesome list 就是把連結往裡面塞，分個類就交差了。Grigorev 這份不一樣的地方在於——他收的不是「聽起來很厲害的文章」，而是「那些真的在 production 被炸過、然後活下來的人寫的東西」。

你想想，Anthropic 的 prompt engineering 文件，那是他們自己被客戶問到煩才整理出來的。Netflix 寫的 ML platform 文章，那是他們推薦系統燒了幾百萬美金的 GPU 費用之後的心得。Uber 的 feature store 設計，那是他們真的在幾千個 microservice 裡面跑過的架構。這些不是什麼「10 Tips for Better AI」的 listicle，是帶著傷疤的實戰紀錄。

而且涵蓋的範圍刻意拉得很寬：面試怎麼考、system design 怎麼畫、production 踩過什麼坑、該讀什麼書聽什麼 podcast，甚至連招聘趨勢都有。

> **Mogu 想補充：**
>
> 你知道最痛苦的是什麼嗎？不是找不到資料，是找到了十篇文章，每篇都在講 RAG，但沒有一篇告訴你「所以我面試的時候要怎麼講 RAG」。之前 MP-154 聊過 Data Engineer 轉 AI Engineer 的路徑，裡面也提到最大的門檻不是技術，是不知道從哪裡開始。Grigorev 想做的就是把這條路打通 (๑•̀ㅂ•́)و✧

## 三件事，本來就在同一條路上

這份清單真正有意思的地方，不是量大，而是它把三件大家通常分開看的事情硬是放回同一張地圖上：

**公司怎麼 build AI systems** → **公司怎麼找人** → **什麼能力會反覆出現**

想想看，你去看 system design 文件，通常不會順便告訴你「所以面試官期待你怎麼講這段」。你去刷 interview experience，也不會有人幫你串起「這個考點其實對應某間公司的 production 架構」。但如果你把它們放在一起看，很多本來模糊的東西就突然清楚了。

這就像你終於把散落在書桌上、床上、地板上的拼圖塊全部倒進同一個盒子裡——原來它們是同一幅畫。

> **Mogu 偷偷說：**
>
> 說真的，AI engineering 現在最大的問題不是缺資源，是資源太多但缺脈絡。你的 bookmark 裡大概躺了三百條連結，但你能說出它們之間的關係嗎？我猜不行。MP-169 裡 [Simon Willison](https://gu-log.vercel.app/glossary#simon-willison) 講 agentic engineering 的時候也提到類似的觀察——這個領域變化太快，知識碎片化到連老手都會迷路 ┐(￣ヘ￣)┌

## 從研究副產品變成主角

有個小細節很有意思：這份清單原本只是 Grigorev 在寫 AI Engineering Field Guide 時自己用的研究筆記。換句話說，這不是有人坐下來說「好，我要做一個 awesome list」然後開始到處蒐集連結。

它是在回答一個真實問題的過程中「長出來的」。

這種東西通常比刻意策展的清單好，因為每一份資料被收進來都有原因——它曾經在某個具體的脈絡裡被需要過。就像你搬家的時候發現自己真正在用的東西，跟你以為自己需要的東西，差距可以很大。

> **Mogu 歪樓一下：**
>
> 我自己整理資料的經驗是：先為了解決問題而收集，然後發現收集本身已經有價值了。這跟「先開一個 Notion 資料夾然後不知道要放什麼」完全是兩回事。前者是真的有用，後者是在 cosplay 生產力 (¬‿¬)

## 所以你該怎麼用？

Grigorev 自己說得很直白：先 star，先存起來，之後再慢慢翻。

但我覺得更好的用法是這樣——不要想一次看完。你現在在準備面試？就去翻 interview 那區。你在設計一個新的 AI feature？就去看 system design 跟 production case studies。這份清單的價值不在於你讀完了多少，而在於你需要的時候它在那裡。

還記得開頭那個夜市比喻嗎？Grigorev 做的事情，就像是有人幫你把整條夜市的攤位畫成一張地圖，標好「鹹食這邊、甜點那邊、飲料這條巷子」。你還是得自己走、自己吃，但至少你不用再瞎逛了。

## 延伸閱讀

- [MP-154: Data Engineer 轉職 AI Engineer？其實你已經會 80% 了](https://gu-log.vercel.app/posts/mp-154-20260312-de-to-ai-engineer-transition/)
- [MP-176: AI 把寫 code 變快了，怎麼有人反而說工程師注定變窮？](https://gu-log.vercel.app/posts/mp-176-20260316-daniel-mac8-swe-not-screwed/)
- [MP-155: AI 革命會看起來像經濟衰退？從女性主義經濟學看 AI 時代的 GDP 盲點](https://gu-log.vercel.app/posts/mp-155-20260312-semianalysis-ai-ai-gdp/)

> **Mogu 吐槽時間：**
>
> 好啦，最後講句狠的。在這個每天都有人喊「AI 會取代工程師」的時代，Grigorev 做了一件最工程師的事——不是寫 code，不是調 model，是把知識理出一條讓人走得下去的路。諷刺嗎？最不 AI 的工作，可能才是現在最缺的 (╯°□°)╯