ai-engineering-from-scratch

从调 API 到真正理解 AI：一门 320 小时的系统修炼课

痛点场景：你是一个对 AI 工程化充满好奇的开发者，想把学校里的机器学习理论变成真正能跑在生产环境里的系统，却发现市面上的教程要么太浅（调个 API 就完事），要么太深（paper 满天飞，代码影子都没有）。你需要一个从线性代数一路铺到自主智能体的完整学习路径，而不仅仅是几个 hello world 示例。

背景与起源：AI Engineering from Scratch 是由开发者 Rohit（GitHub @rohitg00）发起的开源课程项目。他发现一个普遍现象：84% 的学生已经在使用 AI 工具，但只有 18% 的人觉得自己能专业地运用它们。工具很热，能力很冷——这个鸿沟不是靠多装几个插件能填补的，而是需要对 AI 系统从底层到顶层有完整的认知。这门课程用 320 小时、435 节课时、20 个阶段的系统路径，来真正弥合这个鸿沟。

课程架构：如果把整个 AI 知识体系比作一座高楼，这门课程就是从打地基开始的完整建筑过程。Phase 0 到 Phase 2 是地基：环境配置、线性代数、概率统计、机器学习基础，每一块砖都要亲手砌。Phase 3 到 Phase 6 是框架：深度学习、计算机视觉、自然语言处理、语音音频，每个领域都是从数学公式出发，先用 NumPy 手写实现，再用 PyTorch 跑通。对比的方式让你真正理解框架在做什么，而不是只会调用方法。

核心技术：Phase 7 到 Phase 10 是核心部分：Transformer 架构、生成式 AI、从零构建大语言模型。你会亲手实现 attention 机制、搭建 tokenizer、训练一个小型模型，这些在培训班的课件里通常是一页 PPT 带过的东西，这里要写 200 行代码才算真正掌握。Phase 11 到 Phase 16 是应用层：LLM 工程化、多模态、工具与协议（Model Context Protocol / MCP 服务器）、智能体工程、自主系统、多智能体协作与蜂群（Swarm）。这一段是整个课程的精华——你不再只是用现成的 Agent 框架，而是理解 agent loop 的原理、自己实现 ReWOO、Reflexion、Tree of Thoughts 等经典 Agent 架构，并掌握 MCP 这样的生产级协议。

完整技术栈：整个课程支持四种编程语言：Python（主力语言）、TypeScript、Rust、Julia，覆盖主流 AI 开发场景。依赖库包括 PyTorch、Transformers、Anthropic、OpenAI、HuggingFace Datasets 等业界标准工具链。课程提供 requirements.txt，一键安装所有 Python 依赖。

学习方式：整个课程分为 435 节课时，分布在 20 个 phases 中，预计学习时长约 320 小时。每个 lesson 都有统一结构：code/ 目录放置可运行的实现代码，docs/en.md 叙述背景和推导过程，outputs/ 存放本节课产出的可复用产物（prompts、skills、agents、MCP servers）。学习流程固定六步：motivation → problem → concept → build it → use it → test it。先用原始数学手写实现，再通过生产级库跑通验证，确保学习者理解框架底层逻辑。没有视频课程，没有复制粘贴部署，每一步都要动手。

上手门槛：课程对编程基础有要求，零基础用户需要先补数学和 Python 基础。有一定 ML 背景的开发者可以直接跳到感兴趣的阶段。课程代码可在个人笔记本电脑上运行（无 GPU 也能跑大部分内容），进阶训练建议配备 NVIDIA GPU（推荐 RTX 3060+，8GB+ 显存）。Phase 17 专门讲解生产部署（容器化、CI/CD、监控），适合准备将 AI 应用落地的工程师。

争议与局限：课程内容全英文，文档量大（README 超过 7 万字），学习曲线陡峭。没有视频课程，全靠文档和代码自学，需要很强的自律性。另外课程仍在活跃更新中，部分 phases 的内容尚未完全编写完毕。项目本身没有 Web UI、没有 Docker 部署支持，是纯教育型代码仓库，需要学习者主动探索。

行业意义：截至目前该项目已收获近 20000 颗 GitHub Stars，是 AI 教育领域最具影响力的开源课程之一。它的独特价值在于：不追求速成，不贩卖焦虑，用 320 小时的系统学习路径，把学习者从只会调 API 的 AI 用户培养成真正懂原理、能落地、会创新的 AI 工程师。课程涵盖的 Agent 工程、多智能体协作、MCP 协议等前沿内容，直接对应当前 AI 应用落地中最核心的技术需求。如果你愿意花时间走完这条路，收获的不只是知识，而是一套完整的 AI 系统思维。