62个实操Lab与265+道测验题怎么用：ai-infra-engineer-learning评估与考核体系深度解读
【免费下载链接】ai-infra-engineer-learningAI Infrastructure Engineer Learning Track - Production ML infrastructure curriculum (2-4 years experience)项目地址https://gitcode.com/gh_mirrors/ai/ai-infra-engineer-learning点击查看免费下载面向 2–4 年经验的AI 基础设施工程师ai-infra-engineer-learning 不仅提供 10 个模块的课程更内置了一套完整的评估与考核体系62 个实操 Lab、12 份测验265 道题、1 场实操考试、1 个编码挑战以及 1 份 100 分制的项目评分标准Rubric。本文带你搞懂它们各自考什么、怎么考、怎么判分以及新手如何高效利用它们自测。一、先看懂这套考核体系由什么组成很多人学 AI 基础设施容易只看不练。这套体系的巧处在于它把知识检测与动手能力分成了四条互不重叠的通道考核通道位置考什么通过线 模块测验各模块quizzes/概念理解、决策判断通常 80% 实操 Lab各模块labs/从零搭建、验证、排错完成验证步骤 实操考试assessments/practical-exams/端到端部署与排障70%️ 编码挑战assessments/coding-challenges/独立构建生产级服务按需求清单 项目评分标准assessments/rubrics/三大毕业项目打分A–F 六级整体入口见 assessments/README.md。简单记忆测验管懂不懂Lab 管会不会动手考试与挑战管能否串起来Rubric 管项目做得专不专业。二、62个实操Lab怎么用动手能力的健身房Lab 是这套课程的地基。全部 62 个 Lab 分散在 10 个模块的labs/目录每个 Lab 都是一次在你自己笔记本上跑通的实操会话。每个 Lab 都长一个样6 段式结构翻开任意 Lab如 lab-01-python-dev-environment.md你会发现它遵循统一模板这让你能快速定位我现在卡在哪一步Objective目标——一句话说清做完后你拥有什么Prerequisites前提——精确到必须装好并配好什么Steps步骤——带序号、附精确命令和预期输出Validation验证——怎么证明它成功了官方提醒别跳过这步Cleanup清理——撤销你搭起来的东西Troubleshooting排错——列出了真实踩过的坑使用技巧官方建议先把整篇 Lab 通读一遍再动手。若某步预期输出和你看到的不一样立即停下排查——现在失败比下游调试便宜得多。各模块 Lab 数量与难度爬坡Lab 数量随模块主题含金量递增整体呈由浅入深的坡度模块主题Lab 数入口101基础Python/Docker/K8s/模型服务5labs/README.md102云计算AWS/GCP/Azure4labs/README.md103容器化Docker 深度6labs/README.md104Kubernetes8labs/README.md105数据管道Airflow/Spark/Kafka6labs/README.md106MLOpsMLflow/特征库7labs/README.md107GPU 计算CUDA/分布式训练6labs/README.md108监控与可观测性5labs/README.md109基础设施即代码Terraform/Pulumi7labs/README.md110LLM 基础设施vLLM/RAG8labs/README.md新手路径Kubernetes104和 LLM 基础设施110各 8 个 Lab是全课程动手密度最高的两块建议按模块内编号顺序完成——每个 Lab 都建立在下一个之上跳步容易在验证环节栽跟头。三、265道测验题怎么用判断懂没懂的刻度尺测验是概念层的快速反馈。全课程共12 份测验文件核心模块测验累计 248 题加上云模块的中段测验与结业测验全套 265 道完整累计近 300 题。测验分三种形态形态文件说明模块测验module-quiz.md每模块 1 份覆盖全模块最核心中段测验mid-module-quiz.md仅云模块102有限时 25 分钟结业测验final-quiz.md仅云模块102有限时 35 分钟各模块题量分布节选101 基础 30 题、104 K8s 25 题、106 MLOps 28 题、110 LLM 25 题……题目多为四选一 答案 解析的紧凑格式例如 mod-110 模块测验 里对 LoRA / QLoRA / 灾难性遗忘的追问都附带了为什么错的解析。答案钥匙先考完再对照统一的答案索引位于 answer-keys/README.md官方给出了四步自测法先独立作答——全部题自己先答一遍再对照——与内联答案或课程原文比对理解错因——重读对应章节再重考主攻薄弱点——错题所在的主题就是你该投入时间之处⚠️学业诚信答案钥匙仅供自测与练习。官方明确划了红线——考完再查可以考前偷看不行用于计分考核则属学术不端。四、实操考试 编码挑战把碎片焊成整条链路单模块的 Lab 和测验验证的是点而实操考试与挑战验证的是线。 中期实操考试3 小时及格 70%中阶实操考试 覆盖模块 101–105要求你容器化 → 部署到 K8s → 接入监控 → 排障一条龙。题目按任务拆解、逐点给分例如容器化25 分里多阶段构建 4 分、非 root 用户 3 分、镜像 500MB 2 分……这种细颗粒打分让你清楚知道哪 2 分丢在镜像体积上。允许开书、开互联网但禁止与他人交流。️ 编码挑战 01构建模型服务 API2 小时中级编码挑战 让你独立写出一个生产级 REST 推理服务/predict、/health、/metrics、/model/info四个端点外加结构化日志、Prometheus 指标、多阶段 Dockerfile、p95 延迟 200ms 等非功能要求。它本质是把 101 模块的 Lab 串成了一个完整交付物。五、100分制项目评分标准Rubric毕业项目怎么判分三大毕业项目统一用一份 项目评分标准 打分满分 100 最高 10 分附加维度分值关注点⚙️ 功能30核心功能、需求达成率、错误处理、端到端 代码质量25结构、可读性、规范PEP 8、文档 基础设施 DevOps20容器化、K8s 就绪、CI/CD、IaC 监控 可观测性15指标、结构化日志、Grafana 面板、告警 测试10覆盖率80% 优、单元/集成/E2E 类型此外每个项目还有专属附加项模型服务考 API 设计与推理延迟、MLOps 管道考 Airflow DAG 与 MLflow 追踪、LLM 部署考 RAG 集成与成本追踪。等级对照A95–100超预期打磨、B80–89达成大部分要求、D60–69缺关键组件。附带有迟交每天 -10%、代码跑不起来 -20 分等扣分项提醒你能跑通是底线。六、给新手的自测路径建议按由易到难、先点后线的节奏走可避免一上来就啃 LLM 集群热身模块 101先完成 5 个基础 Lab再刷 30 题模块测验把环境—容器—模型服务的手感建立起来。进阶模块 102–105云 容器 K8s 数据管道每学完一模块立即过对应测验错题回读章节。实战模块 106–110MLOps、GPU、监控、IaC、LLM重点练 8 个 Lab 的 K8s 与 LLM 模块。综合验证用中期实操考试做全链路体检用编码挑战练独立交付最后按Rubric 五大维度自评三大毕业项目。一句话心法测验的通过线 80%是门槛Rubric 的能跑通 有监控 有测试才是真正区分学过和能干的分水岭。结语ai-infra-engineer-learning 的评估与考核体系把知识、动手、串联、交付拆成了测验 → Lab → 实操考试/编码挑战 → 项目 Rubric四层递进的刻度尺。对新手而言62 个 Lab 是最好的健身房265 道测验是最快的体检表——先跑通、再判分、最后按 Rubric 自评你就能清晰知道自己到底站在 AI 基础设施工程师能力曲线上的哪个位置。赞分享【免费下载链接】ai-infra-engineer-learningAI Infrastructure Engineer Learning Track - Production ML infrastructure curriculum (2-4 years experience)项目地址https://gitcode.com/gh_mirrors/ai/ai-infra-engineer-learning点击查看免费下载相关推荐AirflowSparkKafka实战教程用ai-infra-engineer-learning构建生产级ML数据管道AirflowSparkKafka实战教程用ai infra engineer learning构建生产级ML数据管道 ai infra engineer生产级LLM平台是怎么炼成的vLLMRAG向量数据库ai-infra-engineer-learning毕业项目103详解生产级LLM平台是怎么炼成的vLLMRAG向量数据库ai infra engineer learning毕业项目103详解 开源课程 ai infMLflow实验跟踪与模型注册中心ai-infra-engineer-learning中的MLOps完整实践指南MLflow实验跟踪与模型注册中心ai infra engineer learning中的MLOps完整实践指南 ai infra engineer lear创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考