rohitg00/ai-engineering-from-scratch

这个项目是什么？

ai-engineering-from-scratch 是一个免费、开源（MIT 许可）的 AI 工程学习课程。它围绕一个特定的理念构建：你自己实现模型、检索管道和代理运行时的内部结构——而不仅仅是阅读它们。然后你测试你的代码，检查失败，并保留你产生的工件作为你所学内容的证据。

README 宣传了 20 个阶段中的 542 节课，涵盖 Python、TypeScript、Rust 和 Julia。你可以通过三种方式学习：

在网站上（aiengineeringfromscratch.com）——打开任何课程，无需设置。
使用编码代理导师——如果你有 Node.js 和 npx，你可以安装一个“AI 导师”技能，它会以交互方式引导你完成课程。
通过运行本地代码——克隆仓库并自己运行课程脚本。

学习方法

每节课的核心循环是相同的（来自 README）：

阅读课程的 docs/en.md，并用你自己的话解释核心思想。
输入并构建重要的代码——不要只是复制。
运行仓库根目录中的课程命令。
保留证据：命令、工作目录、退出代码、有意义的输出，以及你更改或产生的工件。
只有当你能够解释输出并做出一个小改动而不猜测时，才继续。

这个“保留证据”的原则是它区别于观看教程的地方——你最终会得到一个包含你自己可运行代码和结果的文件夹。

三个动手项目

README 重点介绍了三个完整的项目，每个项目都有分阶段入门、参考实现和本地评分器。你从一个故意失败的入门开始，直到你实现每个阶段。

01 · 检索评估实验室（Python）

一个候选系统提高了平均 NDCG（一个排名指标），但将一个查询的最相关结果排名降低。你的工作：构建一个逐查询比较，以捕获回归并可能使发布检查失败。你实现排名验证、精确率/召回率、排名敏感指标和系统比较。

你保留的内容： 一个可复现的比较，包含逐查询差异和用于评分的判断。README 指出一个纪律：“指标描述这些判断；它们不建立答案的正确性。”

02 · 代理跟踪调试器（TypeScript）

一个提供的执行跟踪仍然需要 100 毫秒，但总令牌使用量增加了 200，并且一个跨度开始失败。你的工作：将重叠的子工作与父执行时间分开，并生成一个暴露变化的报告。你实现 JSONL 解析、父验证、区间算术和可检查的时间线。

你保留的内容： 输入跟踪、HTML 时间线和 JSON 回归报告。README 强调保留每个跨度的独占令牌计数，以便父和子使用不会重复计算。

03 · 工具调用防火墙（Rust）

一个写入在审查后发生变化，或者一个批准被重放。你的工作：验证调用信封，检查调用者的角色和路径，并消费绑定到确切请求和内容的批准。调用者应用程序提供身份；模型提出操作。

你保留的内容： 一个审计收据，显示请求的操作和策略决策。README 明确说明限制：“批准在单次调用中一次性使用；此项目不提供持久授权或操作系统沙箱。”

所有三个项目都由一个脚本（python3 scripts/project_test.py ...）评分，并期望特定的语言版本（第一个和第三个需要 Python 3.10+；第二个需要 Node.js 22.18+）。

学习路径和专业方向

你不需要在开始前浏览 542 节课。README 建议选择一个目标：

目标	起点
模型基础（全新开始）	设置和工具，阶段 0
LLM 系统（了解 Python，想要数学 + ML 基础）	数学基础，阶段 1
代理和交付	代理循环，阶段 14

还有一个10 题分班测验，将你的知识映射到一个起始阶段，并保存一个个性化的学习计划。

除了通用路径，还有你可以通过 AI 导师调用的专注学习路线：

模型上下文协议（MCP）——一个 17 课路线，涵盖无状态请求、传输、双向工作、安全性、可靠性、注册表治理和一致性证据。
代理技能——一个 5 课路线：契约、发现、调用、沙箱边界，然后发布评估和可移植性。
认证轨道——针对 Anthropic 认证（CCAO-F、CCDV-F、CCAR-F、CCAR-P）和 MCPA（一个关于 2026-07-28 协议的 34 课路线）的特定路线。

每个都有专门的技能（例如，learn-mcp、learn-agent-skills、claude-certification、mcpa-certification），它会创建自己的学习进度文件并记录证据。

本地设置

README 显示了一个快速开始：

git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
cd ai-engineering-from-scratch
python3 phases/00-setup-and-tooling/01-dev-environment/code/verify.py --route beginner
python3 phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.py

verify.py 预检将现在需要的需求与以后需要的工具分开，每个失败都包括检测到的原因和纠正命令。vectors.py 课程无依赖，最后显示矩阵乘以向量是神经网络层内的操作——README 建议将该终端输出保存为你的第一个证据。

实用细节

许可证： MIT，免费，开源。
语言： 列出了 30 多种翻译版本的 README（中文、日语、韩语、西班牙语、印地语等）。
赞助商： SerpApi（一家网络搜索 API 公司）支持该项目。
网站： aiengineeringfromscratch.com——README 中的链接指向那里的特定课程。
展示的交互式实验室： 一个梯度下降可视化，其中二十个起点下降一个二次损失曲面，具有可调整的学习率（你可以在代码中比较 GD、momentum 和 Adam）。

明确不承诺的内容

README 中有几个明确的边界值得注意，因为它们显示了成熟度：

工具调用防火墙项目止步于“单次调用中的一次性批准”——没有持久认证，没有操作系统沙箱。
检索评估实验室的指标描述关于相关性的判断——它们不声称建立“答案的正确性”。
AI 导师需要一个兼容的主机（Codex、Claude Code 或类似）和 Node.js；如果你没有这些，网站路径仍然有效，但无法运行交互式实验室。