När man förbereder sig för att byta karriär för att bli AI-ingenjör, är de flesta läromaterialen online utspridda handledningar eller AI-genererad hydrologi, vilket gör det svårt att hitta systematisk vägledning. Jag råkade hitta AI Engineering Field Guide på GitHub, ett open source-projekt baserat på 1 765 verkliga jobbannonser och faktiska intervjuupplevelser, som är datadrivet och mycket praktiskt. Författaren analyserar arbetskrav, kompetenskrav, intervjuprocesser, verkliga fall med mera, och ger även transformationsinlärningsvägar för ingenjörer med olika bakgrunder såsom data, back-end och front-end. GitHub: Innehållet täcker rollpositionering och kompetensanalys, en komplett intervjuförberedelseguide, en kurerad samling AI-ingenjörslärresurser samt data och projektfall på arbetsmarknaden i verkliga livet. Den inkluderar också verkliga intervjuprocesser och erfarenhetsutbyte från 51 företag såsom OpenAI, Anthropic, Google, Meta, etc., samt 17 faktiska jobbfall. Om du funderar på att bli AI-ingenjör eller vill systematiskt förstå vad rollen egentligen är, är denna guide värd att samla.

Dagens GitHub Tending lista är Hermes Agent open source-projektet, vilket är ganska intressant. En AI-agent med en inbyggd komplett inlärningsloop som utvecklas och växer med oss. Den skapar automatiskt färdigheter genom faktisk användning, förbättrar sig själv när den utför dem och påminner sig proaktivt om att komma ihåg viktig information. Du kan till och med söka efter historiska samtal och samla förståelse för dig själv över samtal, vilket innebär att ju mer du använder det, desto mer förstår de dig. GitHub: Dessutom finns en inbyggd schemalagd uppgiftsschemaläggare som låter dig skapa dagliga rapporter, regelbundna säkerhetskopior och andra automatiserade uppgifter på naturligt språk. Den erbjuder också ett komplett terminalgränssnitt som stödjer flerradsredigering, automatisk kommandokomplettering, sessionshistorik och andra funktioner. Om du vill ha en personlig AI-assistent med minne och tillhörande tillväxt kan detta projekt implementeras och upplevas.

Hantera flera AI-agenter och se vad de gör, chattar, uppgiftsframsteg och till och med kostnader i realtid. Befintliga verktyg är dock antingen fragmenterade eller kräver ytterligare API-nycklar, vilket kan vara krångligt. Jag snubblade över ClawPort, ett open source-projekt dedikerat till OpenClaw AI-agentteamet, med ett visuellt kommandocenter som hanterar alla agenter via ett enda gränssnitt. Anslut dig helt enkelt till den lokala OpenClaw-gatewayen för att få organisationsscheman, agentkonversationer, Kanban-tavlor, schemalagd uppgiftsövervakning, kostnadsuppföljning, realtidsloggströmmar och minnesbläddrare. GitHub: Tillhandahåller interaktiva organisationsscheman, stöder strömmande textchatt, visuell igenkänning av bildbilagor och uppspelning av röstmeddelandens vågform. Det finns också en uppgifts-Kanban-drag-och-släpp-allokering, realtidsövervakning av schemalagda uppgifter samt en instrumentpanel för tokenanvändning och kostnadsanalys, inklusive dagliga kostnadsdiagram, avvikelsedetektion och veckovisa trender. Automatiskt upptäcker agenter i OpenClaws arbetsytor, inga konfigurationsfiler krävs, fem temaswitchar och snabb uppstart med global npm-installation.