AI Engineering Lab：从零到生产级 AI 工程师的 24 周长征

想象这样一个场景：你是一个物流公司的老板，公司的调度系统每天要处理数千条运输订单，客户不断打电话问"我的货到哪了"，仓库里的人对着 Excel 表格焦头烂额，而你手头只有一个刚毕业的程序员。你想用 AI 升级这套系统，但市面上的课程要么太理论（"我们来推导一下反向传播的梯度"），要么太碎片（"3 分钟学会 Prompt Engineering！"）。你需要的，是一条从 Python 写第一行代码到在 Databricks 上线生产级 AI 系统的完整路径——而这正是 AI Engineering Lab 要做的事。

AI Engineering Lab 是由 Zorost Intelligence AI Lab 开发的一套完全免费、开源、自学的 24 周 AI 工程训练计划。MIT 许可证，无需注册，所有内容均可本地运行。它的核心理念是：让你成为一个真正能设计、构建、评估和交付 AI 软件的工程师，而不是在研究实验室里发明新模型架构的科学家。整个项目在 GitHub 上开源（45 ⭐，截至分析时），配套有 43 个可运行的 Jupyter Notebook 和一份完整的进度追踪 Excel 文件。

为什么会有这个项目？

2025 年前后，AI 领域出现了一个巨大的技能断层：会用 AI 工具的人很多，但能将这些工具工程化落地的人很少。Andrew Ng 在 2026 年提出的 AI 工程技能地图（AI Engineering Skills Map）将 AI 工程能力拆解为四大支柱：AI API 调用（调用第三方模型）、AI 管道构建（将模型嵌入数据处理流程）、AI 系统评估（为输出质量建立量化标准）、AI 代理编排（让多个 AI 组件协同工作）。

大多数现有课程只覆盖其中一到两个维度，而 AI Engineering Lab 的野心是：用 24 周时间，每周约 10 小时，让学习者在这四个维度上均达到可交付生产项目的水平。课程背后的设计哲学是"本地优先，云端其次"：前 13 周完全在你的笔记本上运行（Week 1-8 无需 GPU），Week 18-24 才引入云平台（Azure AI Foundry、Google Vertex AI、AWS Bedrock），且全程使用免费/受限层级，不花一分钱。

独特的学习方法论：一条故事线贯穿 24 周

市面上的大多数 AI 课程是"知识点"的堆叠，学完一个模块换一个项目，24 周下来你可能有了一堆互不相关的 Demo。AI Engineering Lab 的第一个设计亮点是：用同一个案例贯穿全程。

从第一周到第二十四周，你扮演的都是同一家虚构公司 ZoroLogistics（一家货运物流公司）的 AI 工程团队。你在 Week 1 生成的数据集，会在 Week 7 被用来构建 RAG 知识库，会在 Week 10 被用来微调一个物流路由模型，会在 Week 16 被用来开发一个多代理调度系统，最终在 Week 24 以 Databricks Lakehouse 生产级项目收尾。毕业时，你拥有的是一份互相连接的完整作品集，而非 24 个孤立的小玩具。

课程的另一个独特设计是"评估驱动"：从 Week 3 开始，每个 AI 产出物都必须附带一个量化评分和错误分析笔记。这不是可选的加分项，而是课程强制要求的交付标准。设计者认为，AI 工程与普通软件工程最大的区别在于输出的不确定性——同一个 Prompt 两次调用可能产生不同结果，因此建立评估习惯（Evals）是 AI 工程师的核心素养，这个习惯必须在学习阶段就培养起来。

24 周到底学什么？七阶段全景图

整个课程被划分为七个阶段，每个阶段对应一个能力台阶：

阶段一：基础（Week 1-4） 从零教 Python，引入数据工程与 SQL 基础，补完经典机器学习（scikit-learn），最后用 PyTorch 打开深度学习大门。这四周的底层逻辑是：让没有编程背景的人也能在本地跑起来，不被工具门槛劝退。requirements.txt 里的依赖（numpy、pandas、matplotlib、scikit-learn、jupyter）都是纯 CPU 包，一台普通笔记本足矣。

阶段二：LLM 核心（Week 5-8） 这是课程的第一个硬核区。Week 5 从 Token 生成讲到 Transformer 架构，帮你理解"AI 到底是怎么工作的"；Week 6 深入 Prompt Engineering 与 Context Window——不是教你"怎么写 Prompt 更好看"，而是让你理解模型对上下文的处理机制，从而写出真正能引导模型稳定输出的指令；Week 7 进入 RAG（检索增强生成）与向量数据库，这是目前企业落地 LLM 最主流的架构；Week 8 引入 Ollama 和 llama.cpp，让你学会在本地运行开源大模型，不再依赖付费 API。

阶段三：模型工程（Week 9-11） Week 9 讲量化与高效推理（GPTQ、AWQ、GGUF），让你在消费级硬件上跑动更大的模型；Week 10 动手微调（LoRA、SFT、DPO），用 ZoroLogistics 的真实物流数据训练专属路由模型；Week 11 专门讲 AI 系统的评估方法论，建立量化输出质量的标准流程。

阶段四：AI 编码代理（Week 12-13） 引入 Claude Code、Cursor、OpenCode、DSH 等 AI 编程工具，教会你如何用 AI 工具来加速 AI 开发本身。然后升级到"代理循环"：不是让 AI 工具执行一次任务就结束，而是让它在规范驱动下循环工作、自我修正，最终产出符合产品规格的代码。这是当前 AI 工程领域最前沿的实践模式。

阶段五：AI 代理（Week 14-17） 第四个支柱在这里全面展开。Week 14 讲代理基础（循环、工具、记忆）；Week 15 引入 LangGraph，教你用状态图模式构建复杂代理；Week 16 深入多代理系统与 MCP（Model Context Protocol），这正是当前 AI 基础设施领域的热点；Week 17 介绍 OpenClaw、Hermes 与 Agent 运维——课程甚至覆盖了如何运营你自己的 AI 代理系统。

阶段六：云端 AI 平台（Week 18-20） Azure AI Foundry、Google Vertex AI、AWS Bedrock，主流三大云平台各一周，全程使用免费层，目标是让你理解企业级 AI 部署的生产环境配置。

阶段七：Databricks 全链路（Week 21-24） 最终 capstone 项目：Unity Catalog 数据治理、PySpark 与流式处理（Lakeflow）、模型训练与服务化，最后以一个受治理的完整 Lakehouse 架构收尾。这四周是整个课程的高潮——你将完成从数据到模型到部署的完整闭环，也是你未来向雇主展示的旗舰项目。

如何开始？零门槛上手指南

AI Engineering Lab 的官方页面推荐了一条"第一个小时"的快速上手路径：第一步在 GitHub 上 Fork 仓库并 Clone 到本地；第二步安装 Python 依赖（pip install -r requirements.txt）；第三步打开 Week 1 的第一个 Notebook，按指示运行。

整个 Week 1 不需要任何编程基础——课程假设你是零起点，从安装 Python 环境讲起。每周节奏固定：周一到周二学习理论，周三到周四动手跑 Notebook 并做修改延伸，周五完成用例交付，周末更新 Excel 进度追踪表。课程完全自学，无强制时间节点，参考节奏为每周 10 小时、总计约 240 小时完成全部 24 周。

这个项目的局限性

尽管设计精良，AI Engineering Lab 也有几个值得坦诚说明的局限：

社区活跃度有待观察。 该项目目前仅 45 ⭐（相比之下同类课程如 AI Engineering from Scratch 有 24 万 ⭐），用户基数较小，遇到问题时通过社区寻求帮助的效率可能有限。课程文档和 Notebook 的维护质量需要持续观察。

对完全零基础用户有一定门槛。 虽然 Week 1 从 Python 讲起，但课程节奏较快（每周 10 小时），对于从未接触过编程或数据处理的学习者而言，前几周的密集输入可能造成认知过载。更好的策略是提前花 1-2 周补充 Python 基础。

不覆盖模型研究。 课程明确说明，这不是为有志于研究新模型架构的人准备的——它面向的是想用 AI 构建应用的从业者。

它代表了什么趋势？

AI Engineering Lab 的出现，折射出 2025-2026 年 AI 领域的一个深刻变化：AI 使用者（User）与 AI 工程师（Engineer）之间的鸿沟正在快速扩大。随着 Claude Code、Cursor、OpenCode 等 AI 编程工具的成熟，以及 MCP 等协议让 AI 系统的模块化编排成为标准实践，社会对"能构建和运维 AI 系统的人"的需求，正在以远超"能训练新模型的人"的速度增长。

Andrew Ng 在 2026 年的 AI 工程技能地图，直接回应了这一趋势：AI 工程的四大支柱——AI API、管道、评估、代理——正是 AI Engineering Lab 的课程骨架。类似的课程获得了数十万 stars 的社区认可，说明市场对这类内容的饥渴程度。

Zorost Intelligence AI Lab 走了一条差异化路线：用虚构但连贯的商业案例驱动学习，而非堆砌独立知识点。毕业时你不是在简历上写"完成了一个 Prompt Engineering 课程"，而是"为 ZoroLogistics 构建了从数据工程到生产 AI 系统的完整链路"。这个叙事能力，对于正在求职或转型的工程师来说，价值可能超过课程本身的技术内容。