这里是 小帅AI实验室 的 AI Stack 系列资料库。
这个系列想回答一个很朴素的问题：
一个 AI 能力从 Demo 走到真实生产环境，中间到底要经过哪些系统、平台和工程环节？
我会尽量少堆名词，多沿着真实链路讲清楚：应用怎么接模型，RAG 和 Agent 怎么进入系统，评测、监控、成本、数据和 AI 基础设施又分别在什么位置发挥作用。
| 期数 | 主题 | 视频 | 资料 |
|---|---|---|---|
| 001 | MLOps -> LLMOps -> GenAIOps | B站 · YouTube | PDF · References |
这一期主要讲三代 AI 工程化方法的演进：
MLOps
管模型生产：数据、训练、评测、部署、监控、回流
LLMOps
管大模型应用运行：Prompt、RAG、工具、Trace、评测、成本
GenAIOps
管生成式系统生产：多模态、Agent、生成资产、安全、治理、反馈
核心观点是：
从 MLOps 到 LLMOps，再到 GenAIOps，变化的不只是名字，而是工程体系要管理的对象越来越宽。
建议按这个顺序看：
- 先看视频，建立整体感觉。
- 再看本期 PDF，快速复习主线。
- 如果想查证来源，看本期
references.md。 - 如果只想抓大图，可以先看上面的 AI Stack 主图。
这个仓库会跟着视频一起慢慢长出来。第一阶段先保持轻量，每期只沉淀最有用的公开资料：
episodes/
001-mlops-llmops-genaiops/
README.md
ai-stack-001-mlops-llmops-genaiops.pdf
ai-stack-overview.png
references.md
后面如果内容多起来，再增加路线图、专题图、英文字幕、文章版讲义等内容。现在先不把结构做重，先让每一期资料都好找、好读、好引用。
小帅AI实验室关注 AI 工程化、AI 平台、Agent / RAG / Workflow、模型服务、评测、可观测性、数据与 AI Infra。
不聊虚的，尽量把 AI 落地背后的真实工程世界讲清楚。