Собрал 52 гайда по AI: от первой модели в Ollama до своего агента
Дисклеймер: я не AI-исследователь и не senior ML-инженер. Я обычный разработчик, который решил разобраться в теме — и понял, что хороших сводных материалов катастрофически не хватает.
Большинство статей либо «что такое нейросети за 5 минут» (бесполезно), либо «запускаем LLM с нуля на кластере из 8 A100» (неприменимо). Между этими крайностями — пропасть.
Я решил собрать то, чего мне самому не хватало: практический хендбук, который ведёт от полного нуля до работающих агентов. Без воды, без маркетинга, без «ChatGPT заменит программистов».
Весь проект — 52 файла, ~6 часов чтения. Уровни: зелёный (начало) → красный (глубоко).
Репозиторий: https://github.com/bestdeejay-design/awesome-ai-handbook
О чём это вообще
Хендбук покрывает пять разделов:
Zero Level — база. Что такое LLM, как они устроены (без математики), облако vs локальный запуск, как выбирать железо (RAM, VRAM, квантование), глоссарий на 35 терминов. Рассчитан на тех, кто вчера открыл терминал.
Local Models — установка Ollama, выбор моделей под задачу (Qwen, Llama, Mistral…), квантование (Q4/Q5/Q8), сравнение инструментов, бенчмарки на Apple Silicon, продвинутая настройка (Modelfile, кастомные API, окружение).
AI Agents — архитектура, паттерны (ReAct, Multi-Agent), фреймворки (LangGraph, CrewAI), память, system prompts, safety, туториалы: первый агент, команда агентов, кодинг-агент.
Use Cases — реальные сценарии: кодинг с Continue/Aider, RAG с Open WebUI и ChromaDB, автоматизация с n8n, Telegram-боты, контент-пайплайны.
Resources — сообщества (Reddit, Discord), курсы (EN/RU), ссылки на всё полезное.
Почему это не очередной awesome-list
Я намеренно не делал просто список ссылок. Каждый файл — это полноценный материал с:
Контекстом и пояснениями
Сравнением вариантов (например, когда выбрать Ollama, а когда LM Studio)
Командами, которые можно скопировать и выполнить
Предостережениями (грабли, на которые сам наступал)
Пример. В разделе про квантование не просто таблица методов, а объяснение: на что влияет Q4 vs Q8, как считать VRAM под свою задачу, и когда квантование ломает ответы модели.
Или раздел про агентов — не ссылка на документацию LangChain, а пошаговые туториалы с реальным кодом: от «агент с одним инструментом» до «команда агентов с очередью задач».
Структура проекта
awesome-ai-handbook/
├── basics/ # 🟢 нулевой уровень (9 файлов)
├── local-models/ # 🔵 локальные модели (11 файлов)
├── agents/ # 🤖 AI агенты (17 файлов)
├── use-cases/ # 💼 применение (5 файлов)
└── resources/ # 📖 ссылки и курсы (5 файлов)
Каждый раздел — законченная тема. Можно читать подряд или прыгать в конкретный файл по каталогу (catalog.md). Уровни сложности маркированы цветом — от зелёного (ничего не знаю) до красного (пишу код).
Кому это будет полезно
Разработчикам, которые хотят использовать AI в работе, но не знают с чего начать
Тем, кто уже запустил Ollama, но хочет разобраться глубже — с агентами, RAG, пайплайнами
Тем, кто ищет альтернативу ChatGPT и хочет запустить модель локально, но не уверен в выборе
Тем, кто читал пять статей про AI-агентов и всё ещё не понимает, как их собрать
Почему Open Source
Хендбук лежит на GitHub под MIT-лицензией. Я планирую поддерживать его актуальным — модели и инструменты меняются быстро, и это не работа одного человека.
Если найдёте ошибку, устаревшую информацию или захотите добавить свой раздел — открывайте issue или PR. Я за мердж-реквесты с чаем и печеньками.
Ссылки
Надеюсь, кому-то сэкономит недели поиска. Если понравилось — киньте звезду на GitHub, для проекта это лучшая поддержка.
