AI Engineering from Scratch：从零构建 AI 工程能力的硬核课程

这是什么

rohitg00/ai-engineering-from-scratch 是一个基于 GitHub 的开源、免费（MIT 协议）AI 工程化课程体系。该项目由 Rohit Gupta 发起，旨在通过“从零实现”的方式，帮助学习者深入理解人工智能底层原理，而非仅仅停留在 API 调用层面。

• 规模与结构：包含 20 个阶段（Phases），共计 473 节课，预计学习时长约 320 小时。
• 技术栈：涵盖 Python、TypeScript、Rust 和 Julia 四种编程语言。
• 核心理念：每一节课都遵循“推导数学公式 -> 手写代码实现 -> 运行测试 -> 产出可复用工件”的闭环。最终产出物包括提示词（Prompts）、技能定义（Skills）、智能体（Agents）或 MCP 服务器配置。
• 交付形式：每个知识点都有独立的文件夹结构，包含可运行的代码、文档叙述以及最终生成的 outputs（如 prompt 模板或 agent 配置）。

解决的问题

当前 AI 教育领域存在严重的**“理论与实践脱节”**现象：

1. 知识碎片化：大多数教程分散在论文解读、微调博客或炫酷的演示视频中，缺乏系统性。学习者可能搭建了一个聊天机器人，却无法解释其损失函数曲线；或者将函数挂钩到 Agent，却说不清模型内部的注意力机制。
2. 黑盒依赖：大多数材料直接引入 PyTorch 或 Hugging Face 等高级框架，导致学习者知其然不知其所以然。当遇到底层报错或需要优化性能时，缺乏排查和修改底层逻辑的能力。
3. 职业准备不足：数据显示，84% 的学生已经使用 AI 工具，但仅有 18% 的人觉得自己具备专业使用它们的能力。该项目旨在填补这一巨大的技能差距，从线性代数基础一直延伸到自主智能体集群。

核心功能

该项目不仅仅是一套视频课程，而是一个可执行、可交互的工程化学习系统。

1. 标准化的六步学习闭环

每节课严格遵循以下流程：

• MOTTO：一句话概括核心思想。
• PROBLEM：具体的痛点或问题场景。
• CONCEPT：通过图表和直觉解释概念。
• BUILD IT：从零开始，使用原始数学和代码实现算法（无框架依赖）。
• USE IT：使用 PyTorch/sklearn 等生产级库重新实现相同功能，对比理解框架底层逻辑。
• SHIP IT：产出实际可用的工件（Prompt、Skill、Agent 或 MCP 配置）。

2. 模块化且可跳跃的阶段架构

课程分为 20 个阶段，逻辑层层递进，但允许具备基础的学习者跳过前置阶段：

• 基础层：Phase 0 (工具链) -> Phase 1 (数学基础) -> Phase 2 (ML 基础)。
• 核心层：Phase 3 (深度学习核心) -> Phase 4-6 (视觉/NLP/音频) -> Phase 7 (Transformer 深入)。
• 进阶层：Phase 8 (生成式 AI) -> Phase 9 (强化学习) -> Phase 10-11 (LLM 从零构建与工程化)。
• 应用层：Phase 12 (多模态) -> Phase 13 (工具与协议) -> Phase 14-16 (智能体工程、自主系统、多智能体集群)。
• 生产与收尾：Phase 17 (基础设施与生产部署) -> Phase 18 (伦理与安全) -> Phase 19 (毕业设计)。

3. 智能体辅助学习路径

项目内置了与主流 AI 编程助手（如 Claude, Cursor, Codex 等）集成的指令：

• /find-your-level：通过 10 个问题评估当前水平，智能推荐起始阶段和学习路径。
• /check-understanding：在每个阶段结束后进行自我测试。

4. 可复用的工件库 (Artifacts)

每节课结束都会生成实际可用的资源：

• Prompts：针对特定任务的提示词模板。
• Skills：符合 SKILL.md 标准的技能文件，可直接安装到 AI 编程助手（如 Claude, Cursor）中，增强其特定领域的编码或推理能力。

亮点 / 与同类相比

| 维度 | 传统 AI 课程/教程 | AI Engineering from Scratch | | :--- | :--- | :--- | | 实现方式 | 直接调用高级 API 或框架 | 从零手写：先推导数学，再用原生代码实现，最后对比框架 | | 知识连贯性 | 碎片化，缺乏系统性连接 | 脊柱式结构：20 个阶段线性堆叠，强调底层原理对上层应用的支撑 | | 产出物 | 笔记、代码片段、视频 | 可复用工件：Prompt、Skill 文件、Agent 配置，可直接投入工作流 | | 语言支持 | 通常仅限 Python | 多语言：Python, TypeScript, Rust, Julia，适应不同工程场景 | | 深度 | 侧重“如何使用” | 侧重“内部机制”：理解 Attention、Backprop、Tokenizer 等底层细节 | | 成本 | 部分付费，部分免费但质量参差 | 完全免费开源 (MIT)，无隐藏费用 |

独特亮点：

• Build It / Use It 分离：强制要求先手写实现，再使用框架。这种“先苦后甜”的方式确保学习者真正理解框架在做什么，而不是盲目复制粘贴。
• Phase 14 的工作bench 机制：在智能体工程阶段，每节课前提供 mission.md 简报，模拟真实工作中 Agent 接收任务指令的场景。

适合谁用 / 上手

适合人群

1. 希望深入理解 AI 原理的开发者：不满足于调用 API，想要知道 Transformer、Backprop 等算法底层细节的工程师。
2. AI 工程化从业者：需要构建生产级 LLM 应用、智能体系统或多模态应用，并需要处理底层优化和调试的技术人员。
3. 具备编程基础的学习者：需要至少掌握一门编程语言（Python 最佳，但其他语言也可），具备基本的线性代数直觉者优先。
4. 追求系统性知识的自学者：不喜欢碎片化学习，希望有一本“AI 工程圣经”从头到尾系统掌握的人。

如何上手

方式 A：在线阅读（无需配置） 直接访问 aiengineeringfromscratch.com 或查看 GitHub 上的 Contents 部分，阅读任何已完成课程的文档。

方式 B：克隆并运行代码（推荐动手实践）

git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
cd ai-engineering-from-scratch
# 例如运行线性代数直觉课程
python phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.py

方式 C：智能定位起点（推荐） 如果你不确定从哪里开始，可以使用安装了该项目技能的 AI 编程助手（如 Claude, Cursor, Codex 等）：

1. 在聊天中输入 /find-your-level。
2. 回答 10 个关于你当前知识水平的问题。
3. 助手将根据结果为你生成个性化的学习路径和预计耗时。
4. 完成阶段后，使用 /check-understanding 进行自我测试。

前置技能要求：

• 能够编写代码（任何语言，Python 最有帮助）。
• 愿意投入时间进行深度思考和高强度编码，而非被动观看视频。