amitshekhariitbhu/ai-engineering-course · 上手攻略

  • 仓库：amitshekhariitbhu/ai-engineering-course
  • 链接：https://github.com/amitshekhariitbhu/ai-engineering-course
  • 分类：AI 学习资源
  • 作者：Jay
  • 更新：2026-10-05

这是什么

AI Engineering Course 是由 Amit Shekhar（Outcome School 创始人）维护的免费、完整、自包含的 AI 工程学习路径。目前 18 个模块、146+ 节课，每节课都是一篇图文并茂的博客，部分附视频。从机器学习基础讲到 LLM 微调、RAG、AI Agent、推理工程、AI Safety 和系统设计，适合想从零建立完整 AI 工程知识体系的软件工程师。

⚠️ 这是一个文档类仓库，不运行代码，纯学习资源。

解决什么问题

AI 领域的课程要么太浅（短视频速成课），要么太理论（学术论文堆砌），要么缺体系（散点博客）。这个课程用 146+ 节课把 AI 工程从"什么是梯度下降"到"如何用 SGLang 部署量化模型"串成一条完整链路，每节都是独立可读的深入博客，循序渐进不需要找外部资料补盲。

快速开始

# 直接在 GitHub 上阅读，无需安装
# 入口：https://github.com/amitshekhariitbhu/ai-engineering-course

# 如需本地阅读，clone 即可（无需 npm/pip 环境）
git clone https://github.com/amitshekhariitbhu/ai-engineering-course.git
cd ai-engineering-course
# 用任意 Markdown 阅读器打开 README.md 即可

前置要求： - Python 基础（能读懂代码片段即可） - 一定的软件工程背景（了解 API、数据库、基本统计） - 不需要机器学习基础（Module 1 会从零讲起）

进阶学习（付费，作者同时开设直播课程）： - AI and Machine Learning（Outcome School 官方直播项目）

核心课程地图

18 个模块一览：

模块 内容 关键主题
M0 基础知识 Python 基础、工具链
M1 机器学习基础 监督/无监督/强化学习、损失函数、正则化
M2 深度学习 梯度下降、Backprop、PyTorch/TensorFlow
M3 生成式 AI & Transformer Tokenization、BPE、自注意力、Q/K/V 数学、多头注意力
M4 LLM 如何生成文本 Temperature、Top-k/p、Token Streaming
M5 现代 LLM 架构 MoE、GQA、Sliding Window、Flash Attention、DeepSeek-V4
M6 语言模型类型 SLM、LRM、Recursive LM、Diffusion LM
M7 训练、微调与对齐 LoRA、Prefix Tuning、知识蒸馏、RLHF、PPO、DPO、GRPO
M8 Prompt & Context 工程 CoT、Prompt Chaining、Prompt Caching、Context Compaction
M9 RAG 与向量检索 ANN、Hybrid Search、Reranker、ColBERT、HyDE、GraphRAG
M10 AI Agent Function Calling、ReAct、MCP、Agent Loop、多智能体
M11 Agentic 工程 Harness/Loop/Graph Engineering、LangChain、LangGraph、Claude Code
M12 LLM 推理工程 Prefill/Decode、KV Cache、Paged Attention、Continuous Batching、Speculative Decoding、llama.cpp、Ollama、vLLM、SGLang、TensorRT-LLM
M13 评估与可观测性 LLM 评估、LLM as a Judge、AI Agent 评估
M14 AI 安全 Guardrails、Prompt Injection、Watermarking
M15 多模态 ViT、Diffusion Models、GANs、VAEs
M16 AI 基础设施 GPU、CUDA、TPU、LPU、云 vs 端侧部署
M17 前沿思想 World Models、Recursive Self-Improvement
M18 面试准备 AI 工程面试题解答

典型适用场景

  • 系统学习 AI 工程：想从传统软件工程转 AI，不想东一块西一块地自学
  • 建立面试知识体系：Module 18 有按主题整理的面试问答，覆盖 LLM/RAG/Agent/推理等高频考点
  • 补充工程短板：如果你已经会用 LangChain，但不懂底层 MoE/GQA/Speculative Decoding，从 Module 5/12 切入
  • 鉴别课程质量：想判断某个付费 AI 课程是否值得买，先读本仓库对应模块做免费摸底

坑与注意

  1. 课程持续更新（最后更新 2026-09-29），内容会有增删，已读完的部分建议本地保存快照，否则某天可能发现某节内容被重构了。
  2. 动手实战偏弱：课程以博客阅读为主，代码示例分散在各节博客中，没有配套的 Jupyter Notebook 或 Playground 环境。需要动手实践建议搭配 lablab.ai 或 guided-vocode 等实战项目。
  3. 作者有商业利益：免费课程引流，付费直播课是主要变现方式，选购前建议先读完所有免费内容评估质量。
  4. 部分前沿内容深度有限：Module 17（前沿思想）目前只有 World Models 和 RSI 两个主题，是最薄的模块，别期待太多。
  5. 中文学习者：课程是英文的，作者是印度 IIT BHU 背景，表达清晰但速度偏学院风；中文母语者可能需要配合知乎/公众号的中文解读补充。
  6. 视频非必需：README 说"many lessons come with a video"，但并非每节都有，且视频在 YouTube @OutcomeSchool，需翻墙。

与同类对比

AI Engineering Course 超级自媒体 AI 系列 Coursera / edX 课程 The Rabbit Hole of AI
费用 免费 免费/付费混杂 付费（旁听免费） 免费
体系化 ✅ 18 模块 146+ 节 ❌ 散点博客 ✅ 但节奏慢 ✅ 聚焦 LLM 内部
深度 中等（工程导向） 浅 理论偏多 极深（原理层）
中文 ❌ 部分有 部分有 ❌
实战配套 ❌ ✅ 按课程 ✅ 按项目 ❌
维护活跃度 ✅ 持续更新 不定 课程到期下线 一般

如果你需要从零到生产的完整工程链路，选这个；如果你想搞懂 LLM 内部机制，读 Rabbit Hole；两者互为补充，不是非此即彼。

一句话结论

AI Engineering Course 是目前免费资源中工程体系最完整的 AI 学习路径，适合想系统补课的软件工程师；但实战配套弱，适合阅读学习而非跟着敲代码，选购付费直播前建议先完成全部免费内容验货。