rohitg00/ai-engineering-from-scratch · 上手攻略

• 仓库：rohitg00/ai-engineering-from-scratch
• 链接：https://github.com/rohitg00/ai-engineering-from-scratch
• 分类：agent · multimodal · llm-infra · engineering
• 作者：Tom
• 更新：2026-07-07

这是什么

ai-engineering-from-scratch 是一个从数学基础到多 Agent 生产部署的系统性 AI 工程课程，包含 503 节课程、20 个阶段，覆盖 Python / TypeScript / Rust / Julia 四种语言，MIT 许可证，完全免费。

它的核心理念是 Build It Before You Use It——在学习任何框架或工具前，先从原始数学和纯 Python 实现把算法写一遍，搞清楚底层发生了什么，再去用 PyTorch 或 sklearn 的封装版本。每个课程结业都会产出一个可直接使用的工件：Prompt、Skill、Agent 或 MCP Server。

解决的问题：市面上的 AI 学习资源碎片化严重——这里一篇论文，那里一个 Demo，彼此不成体系。这个课程把从线性代数到多 Agent 生产部署的完整路径串起来，让你不仅会用 AI，还能解释 AI 内部发生了什么。

快速安装

方式 A — 在线阅读（无需任何安装）

直接访问 aiengineeringfromscratch.com，按阶段浏览课程，无需注册。

方式 B — 克隆运行

git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
cd ai-engineering-from-scratch

# 运行第一个示例（向量运算，无需 GPU）
python phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.py

# 安装全部课程工件（Prompt、Skill、Agent、MCP Server）
python3 scripts/install_skills.py

⚠️ 版本注意：Phase 0 的 GPU Setup 章节会检测 CUDA 环境，如有 NVIDIA GPU 可按课程说明配置；无 GPU 也能完成大多数课程（纯 Python 计算部分）。

方式 C — 在 AI 助手内定位自己的水平

# 在 Claude / Cursor / Codex / OpenClaw 等助手内运行
/find-your-level

十道测试题，自动定位到最适合的起始阶段并给出预计学时。

核心课程结构

20 个阶段路线图

Phase 0  环境与工具链
Phase 1  数学基础（线性代数、概率、优化……）
Phase 2  机器学习基础
Phase 3  深度学习核心
Phase 4  计算机视觉
Phase 5  自然语言处理
Phase 6  语音与音频
Phase 7  Transformer
Phase 8  生成式 AI
Phase 9  强化学习
Phase 10 从零构建 LLM
Phase 11 LLM 工程
Phase 12 多模态
Phase 13 工具与协议（MCP 等）
Phase 14 Agent 工程
Phase 15 自主系统
Phase 16 多 Agent 与蜂群
Phase 17 基础设施与生产部署
Phase 18 伦理与对齐
Phase 19 毕业项目

每课的标准结构

phases/<NN>-<phase-name>/<NN>-<lesson-name>/
├── code/          # 可运行实现（Python / TypeScript / Rust / Julia）
├── docs/en.md      # 课程正文
└── outputs/       # 本课产出的 Prompt / Skill / Agent / MCP Server

课程循环六步法

MOTTO（核心思想）
  ↓
PROBLEM（具体痛点）
  ↓
CONCEPT（原理与直觉）
  ↓
BUILD IT（用原始数学，不上框架）
  ↓
USE IT（用 PyTorch / sklearn 复现）
  ↓
SHIP IT（产出一个可安装的工件）

Phase 14 示例：Agent 循环实现（~120 行纯 Python，无外部依赖）

# phases/14-agent-engineering/01-agent-loop/code/agent_loop.py
def run(query, tools):
    history = [user(query)]
    for step in range(MAX_STEPS):
        msg = llm(history)
        if msg.tool_calls:
            for call in msg.tool_calls:
                result = tools[call.name](**call.args)
                history.append(tool_result(call.id, result))
            continue
        return msg.content
    raise StepLimitExceeded

配套产出： - outputs/skill-agent-loop.md — 可安装的 ReAct 风格 Skill - outputs/prompt-debug-agent.md — Agent 调试 Prompt

典型适用场景

场景 1：系统性补全 AI 工程知识 已有一定基础但知识碎片化，用 /find-your-level 定位薄弱环节，针对性地补特定 Phase。

场景 2：建立真正可用的工件集 学完 Phase 13-14 后，你会拥有一组自己手写的 Agent 和 MCP Server，可直接安装到日常 AI 助手中使用。

场景 3：从零理解 LLM 内部机制 Phase 10 从 Tokenizer、Attention、Backprop 全手写实现，比直接调用 API 更深入理解 LLM 工作原理。

场景 4：多语言 AI 工程能力 课程代码覆盖 Python（主流）、TypeScript（Agent 协议侧）、Rust（高性能推理侧）、Julia（科学计算侧），适合想在 AI 全栈发展的工程师。

坑与注意

1. 工程量庞大：503 节课、~320 小时，不建议从头啃到尾。先用 /find-your-level 定位水平，从需要的阶段切入更实际。
2. GPU 需求：Phase 3 往后的深度学习课程、Phase 10 的 LLM 从零训练需要 GPU，没有 GPU 可以用 Google Colab 或云服务替代（课程有介绍云 GPU 配置）。
3. 英文内容为主：课程 docs/en.md 为英文，对英文要求较高，但代码部分语言无关。
4. 部分课程仍在更新中：Phase 19（毕业项目）这类高阶内容可能尚未完整，需留意仓库最新提交状态。
5. 与其他 AI 课程不冲突：Coursera / fast.ai 类课程侧重调 API，这个课程侧重从底层原理到生产部署的完整链路——两者互补，不重复。
6. TypeScript / Rust / Julia 部分：如果你只用 Python，这些多语言部分可以跳过，不影响核心学习路径。

与同类对比

简单说：想要从数学底 层到生产部署完整走一遍、真正理解 AI 在做什么 → 选这个；想要快速跑出一个可用的 AI 应用原型 → 选 awesome-llm-apps。

一句话结论

如果你愿意投入 ~320 小时从数学底层到多 Agent 生产部署系统构建 AI 工程能力，这是目前内容最完整、路线最清晰的自学课程——Phase 14 之后你写的 Agent 循环和 Phase 13 的 MCP Server 可以直接装进日常 AI 助手使用，不是纸上谈兵。