Når man forbereder seg på å bytte karriere for å bli AI-ingeniør, er de fleste læringsmaterialene på nettet spredte veiledninger eller AI-generert hydrologi, noe som gjør det vanskelig å finne systematisk veiledning. Jeg fant tilfeldigvis AI Engineering Field Guide på GitHub, et åpen kildekode-prosjekt basert på 1 765 faktiske stillingsbeskrivelser og faktiske intervjuerfaringer, som er datadrevet og veldig praktisk. Forfatteren analyserer stillingskrav, ferdighetskrav, intervjuprosesser, reelle saker osv., og gir også transformasjonslæringsveier for ingeniører med ulik bakgrunn som data, back-end og front-end. GitHub: Innholdet dekker rolleposisjonering og ferdighetsanalyse, en komplett guide for intervjuforberedelse, en kuratert samling av AI-ingeniørlæringsressurser, samt data og prosjektcaser fra arbeidsmarkedet i den virkelige verden. Den inkluderer også reelle intervjuprosesser og erfaringsdeling fra 51 selskaper som OpenAI, Anthropic, Google, Meta, osv., samt 17 faktiske hjemmebaserte casestudier. Hvis du vurderer å bli AI-ingeniør eller ønsker å systematisk forstå hva rollen egentlig er, er denne guiden verdt å samle.

Dagens GitHub Tending liste er Hermes Agent open source-prosjektet, som er ganske interessant. En AI-agent med en innebygd komplett læringssløyfe som utvikler seg selv og vokser sammen med oss. Den skaper automatisk ferdigheter gjennom faktisk bruk, forbedrer seg selv mens den utfører dem, og minner seg proaktivt på å huske viktig informasjon. Du kan til og med søke etter historiske samtaler og samle forståelse av deg selv på tvers av samtaler, noe som betyr at jo mer du bruker det, jo mer forstår de deg. GitHub: I tillegg finnes det en innebygd planlagt oppgaveplanlegger som lar deg sette opp daglige rapporter, vanlige sikkerhetskopier og andre automatiserte oppgaver på naturlig språk. Den tilbyr også et komplett terminalgrensesnitt som støtter flerlinjeredigering, automatisk kommandoutfylling, sesjonshistorikk og andre funksjoner. Hvis du ønsker en personlig AI-assistent med hukommelse og tilhørende vekst, kan dette prosjektet implementeres og oppleves.

Administrer flere AI-agenter og se hva de gjør, chatter, oppgavefremgang og til og med kostnader i sanntid. Eksisterende verktøy er imidlertid enten fragmenterte eller krever ekstra API-nøkler, noe som kan være tungvint. Jeg snublet over ClawPort, et åpen kildekode-prosjekt dedikert til OpenClaw AI-agentteamet, med et visuelt kommandosenter som administrerer alle agenter gjennom ett grensesnitt. Koble deg enkelt til den lokale OpenClaw-gatewayen for å få organisasjonskart, agentsamtaler, Kanban-tavler, planlagt oppgaveovervåking, kostnadssporing, sanntidsloggstrømmer og minnenettlesere. GitHub: Tilbyr interaktive organisasjonskart, støtter strømming av tekstchat, visuell gjenkjenning av bildevedlegg og avspilling av talemeldingsbølger. Det finnes også en oppgave-Kanban dra-og-slipp-allokering, sanntids statusovervåking av planlagte oppgaver, og et dashbord for tokenbruk og kostnadsanalyse, inkludert daglige kostnadsdiagrammer, avviksdeteksjon og uke-til-uke trender. Oppdager automatisk agenter i OpenClaw-arbeidsområder, ingen konfigurasjonsfiler kreves, fem temasvitsjer og rask oppstart med global npm-installasjon.