ai-engineering-from-scratch:基于多语言的人工智能工程从入门到实践项目

使用你的语言阅读： Español · Français · Português · Deutsch · Italiano · 简体中文 · 日本語 · 한국어 · हिन्दी · العربية · Русский · Türkçe
_{已翻译的落地页已提交至仓库。英文为权威版本；课程页面在 translations 分支上由机器翻译。参见 docs/i18n.md。}

由 Agent Memory - #1 持久记忆 ⭐ 的创作者打造，可自然适配任意智能体或聊天助手。

░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒

84% 的学生已经在使用 AI 工具。只有 18% 觉得自己已经准备好 专业地使用它们。 这套课程体系将弥合这一差距。

523 节课。20 个阶段。约 342 小时。Python、TypeScript、Rust、Julia。每一节课都会交付一个可复用成果： 提示词、技能、智能体或 MCP 服务器。免费、开源，遵循 MIT 许可证。

你不仅学习 AI。你亲手把它构建出来。端到端，从头到尾。

_{114,584 读者  ·  近 30 天 181,995 次浏览  ·  截至 2026-08-29}

从这里开始：选择你想构建的内容

开始之前，你不必通读 523 节课。选择一个目标。每个链接都会打开 GitHub 或网站上的同一份课程，两个版本使用相同的课程代码。

不确定自己适合从哪里开始？可以使用 start-learning 水平定位助手 或 网站前置要求指南。

在 AI 工程学习路径 中，比较四大核心领域和六条职业路线。

以同样的方式使用每一课

1. 阅读 docs/en.md，并用自己的话解释核心理念。
2. 手动输入并构建 重要代码，而不是把代码块当作装饰。
3. 运行 课程命令，从仓库根目录开始，该目录包含 README.md 和 phases/。
4. 保留证据：命令、工作目录、退出码、有意义的输出，以及你修改或生成的产物。
5. 继续 仅在你能解释输出，并做出一个小改动而不依赖猜测时进行。

课程页面中的命令都是从仓库根目录计算的路径，除非课程明确要求更改目录。如果课程提供多种语言，请运行你正在学习的那种语言的实现。

克隆它并生成第一份证据

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

预检会将当前需要的前置条件与稍后需要的工具区分开来。每个必需项失败时，都会给出检测到的原因和一条修正命令。第二条命令是一节零依赖的课程，结尾会演示矩阵与向量的乘法，这正是神经网络层内部的运算。把这段终端输出保存下来，作为你的第一份证据。

用 30 秒添加 AI 导师

如果 Node.js、npx 和一款支持 Skills 的编程代理已经安装好，你的编程代理只需两条命令，就能成为你的导师。安装或查看该导师不需要克隆仓库。可运行的聚焦路径实验需要 python3。Agent Skills 宿主实验还需要选定宿主，以及可写的用户或项目技能作用域。

请先检查本地要求：

node --version
npx --version
python3 --version

然后安装课程技能，并在安装程序询问时选择你要使用的主机和作用域：

npx skills add rohitg00/ai-engineering-from-scratch

调用语法属于宿主环境，而不属于可移植的 SKILL.md 格式：

十题分级测验会将你已掌握的内容对应到起始阶段，并将个性化学习计划保存到 LEARNING.md。之后，learn 技能每次会话教授一节课：概念、数学、代码、测验。它会直接从本仓库流式推送课程，course-guide 技能则会跳转到你卡住的内容对应的具体课程。在 Codex 中，使用 learn 和 course-guide 调用这些技能；在 Claude Code 中，使用 /learn 和 /course-guide；在其他兼容宿主环境中，按名称请求使用该技能。

只想学习 Model Context Protocol (MCP)？使用你的宿主环境对应的 MCP 调用方式。它会创建 MCP-LEARNING.md，并遵循一条 17 节课的路径，依次覆盖无状态请求、传输、双向交互、安全、可靠性、注册表治理和一致性证据。具体顺序和检查点位于 Model Context Protocol (MCP) 清单 中。

只想学习 Agent Skills？使用你的宿主环境对应的 Agent Skills 调用方式。它会创建 AGENT-SKILLS-LEARNING.md，并遵循一条连贯的 5 节课路径：契约、发现、调用、沙箱边界，然后是发布评估和真实宿主可移植性。可先在网页上从 Agent Skills 路径 开始。

安装器会列出它能够配置的宿主环境，并询问安装位置。如果你尚未具备 Node.js、npx、python3、受支持的宿主环境或可写作用域，请使用网站，或手动阅读 docs/en.md。该路径会讲解概念，但在预检可用之前，真实宿主环境中的发现、调用、脚本和卸载证据仍会保持待处理状态。请在 aiengineeringfromscratch.com 阅读课程。

这套课程如何运作

大多数 AI 资料都是碎片化教学。这里一篇论文，那里一篇微调文章，别处又有一个炫目的智能体演示。这些碎片很少能拼到一起。你上线了一个聊天机器人，却解释不了它的损失曲线。你把一个函数接入智能体，却说不出注意力在调用它的那个模型内部究竟起了什么作用。

这套课程就是主干。20 个阶段，523 课，四种语言：Python、TypeScript、Rust、Julia。一端是线性代数，另一端是自主集群。每个算法都先从原始数学开始构建。反向传播。分词器。注意力。智能体循环。等 PyTorch 登场时，你已经知道它底层在做什么。

每一课都遵循同一个闭环：读懂问题，推导数学，写出代码，运行测试，保留产物。没有五分钟速成视频，没有复制粘贴式部署，也没有全程手把手。免费、开源，并且可以直接运行在你自己的笔记本上。

░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒

课程架构

二十个阶段层层叠加。数学是地基。智能体与生产是屋顶。 若你已掌握较低层次，可以跳着学，但别跳过后又疑惑顶层为何会出问题。

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'12px'}}}%%
flowchart TB
  P0["Phase 0 — Setup & Tooling"] --> P1["Phase 1 — Math Foundations"]
  P1 --> P2["Phase 2 — ML Fundamentals"]
  P2 --> P3["Phase 3 — Deep Learning Core"]
  P3 --> P4["Phase 4 — Vision"]
  P3 --> P5["Phase 5 — NLP"]
  P3 --> P6["Phase 6 — Speech & Audio"]
  P3 --> P9["Phase 9 — RL"]
  P5 --> P7["Phase 7 — Transformers"]
  P7 --> P8["Phase 8 — GenAI"]
  P7 --> P10["Phase 10 — LLMs from Scratch"]
  P10 --> P11["Phase 11 — LLM Engineering"]
  P10 --> P12["Phase 12 — Multimodal"]
  P11 --> P13["Phase 13 — Tools & Protocols"]
  P13 --> P14["Phase 14 — Agent Engineering"]
  P14 --> P15["Phase 15 — Autonomous Systems"]
  P15 --> P16["Phase 16 — Multi-Agent & Swarms"]
  P14 --> P17["Phase 17 — Infrastructure & Production"]
  P15 --> P18["Phase 18 — Ethics & Alignment"]
  P16 --> P19["Phase 19 — Capstone Projects"]
  P17 --> P19
  P18 --> P19

░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒

一节课的结构

每节课都有自己独立的文件夹，整个课程的结构保持一致：

phases/<NN>-<phase-name>/<NN>-<lesson-name>/
├── code/      runnable implementations (Python, TypeScript, Rust, Julia)
├── docs/
│   └── en.md  lesson narrative
└── outputs/   prompts, skills, agents, or MCP servers this lesson produces

每节课都遵循六个环节。Build It / Use It 的拆分是核心主线——你首先从零开始实现算法， 然后用生产库运行同样的算法。 你会因为亲手写出了简化版本，而理解框架究竟在做什么。

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'13px'}}}%%
flowchart LR
  M["MOTTO<br/><sub>one-line core idea</sub>"] --> Pr["PROBLEM<br/><sub>concrete pain</sub>"]
  Pr --> C["CONCEPT<br/><sub>diagrams &amp; intuition</sub>"]
  C --> B["BUILD IT<br/><sub>raw math, no frameworks</sub>"]
  B --> U["USE IT<br/><sub>same thing in PyTorch / sklearn</sub>"]
  U --> S["SHIP IT<br/><sub>prompt · skill · agent · MCP</sub>"]

入门指南

三种进入方式，任选其一。

选项 A — 在终端中学习 （推荐）。 在上方完成 Node.js、 npx、主机和 scope 的预检后，将学习技能安装到兼容的智能体中， 并让课程自动推进：

npx skills add rohitg00/ai-engineering-from-scratch

请使用上方针对特定主机的调用表。已安装的技能提供 start-learning、learn、course-guide，以及更聚焦的 learn-mcp 和 learn-agent-skills 路由。课程正文可以 直接从本仓库流式获取，无需克隆。若要运行从仓库复制的代码命令， 以及可执行的 MCP 或 Agent Skills 实验，则需要本地克隆。 进度保存在你项目中的 LEARNING.md、MCP-LEARNING.md 或 AGENT-SKILLS-LEARNING.md 中，因此每次会话都可以恢复。

选项 B — 阅读。 在 aiengineeringfromscratch.com 打开任意已完成课程，或在 Contents 下展开某个阶段。无需配置，无需克隆。

选项 C — 克隆并运行。

git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
cd ai-engineering-from-scratch
python3 phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.py

克隆项目时，Claude Code 还会自动加载学习技能，并让每一课的代码交给 learn 导师真正执行，而不是只跟读。

前提条件

• 你会写代码（任意语言都可以；Python 更有帮助）。
• 你想理解 AI 究竟是如何工作的，而不仅仅是调用 API。

为 Claude 认证做准备

Claude Certification Academy 是一个免费、开源的备考项目，覆盖全部四个官方 Claude 认证方向： Associate Foundations、Developer Foundations、Architect Foundations 和 Architect Professional。 每条路径都包含对照考试大纲的课程、可运行的实验、诊断测试、综合实战作品，以及一套完整原创模拟考。

使用 AI 原生 GitHub 入门指南 搭配 Claude Code、Codex、ChatGPT、Cursor 或其他 agent。在 Codex 中运行 claude-certification，在 Claude Code 中运行 /claude-certification，或让其他宿主使用 claude-certification。它会选择一个认证方向， 在 CLAUDE-CERTIFICATION.md 中创建一条持久化学习路线，逐步授课，运行真实实验，并基于成果物给出反馈。相同课程仍可在 认证网站 上使用。

该学院是独立学习材料，基于公开的考试大纲。它与 Anthropic 无关联，不会复现真实考题，也不能保证通过。

学习技能

░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒

像阅读一本书一样学习核心课程

phases/ 下的 20 个阶段核心课程，被整理为一套六卷本图书。EPUB 和 PDF 版本由 CI 从同一套核心课程源文件构建，并附在每一个 GitHub release；下方链接始终指向最新发布版本。卷号用于标识系列，而非版本：每一册都带有日期版次标记，旧版次仍可在对应发布版本中下载。

认证课程有意不转换为图书。其中的 AI 导师状态、可运行实验、交互图表、诊断与限时模拟，仍会作为 GitHub 和网站上的核心内容保留。

图书是快照；本仓库是活的版本。每章结尾都提供回链到对应课程的动画图表、测验和可运行代码。可在本地运行 python3 scripts/build_book.py 构建图书（需要 pandoc）；流水线详情见 book/README.md。

░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒

每节课都交付成果

其他课程往往以*“恭喜，你学会了 X。”*收尾。这里的每一课都以一个 可复用工具收尾，你可以直接安装，或粘贴进日常工作流。

FIG_001 · A 提示词	FIG_001 · B 技能	FIG_001 · C 智能体	FIG_001 · D MCP 服务器
粘贴到任意 AI 助手中，即可在特定细分任务上获得专家级帮助。	放入 Claude、Cursor、Codex、OpenClaw、Hermes，或任何能读取 SKILL.md 的智能体。	部署为自主智能体——你在第 14 阶段亲手编写了这个循环。	接入任意 MCP 兼容客户端。第 13 阶段完成端到端构建。

使用 python3 scripts/install_skills.py <target> 即可批量安装。这是真正能用的工具，不是作业。 学完课程后，你将拥有一份包含 523 个交付物的作品集——因为你亲手构建，所以真正理解它们。

FIG_002 · 一个完整示例

第 14 阶段，第 1 课：智能体循环。约 120 行纯 Python，无任何依赖。

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

---
name: agent-loop
description: ReAct-style loop for any tool list
phase: 14
lesson: 01
---

Implement a minimal agent loop that...

You are an agent debugger. Given the trace
of an agent run, identify the step where
the agent went wrong and explain why...

░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒

目录

二十个阶段。点击任意阶段即可展开课程列表。

阶段 0：环境搭建与工具 12 节课

为后续所有内容准备好开发环境。

░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒

工具箱

每一课都会生成一个可复用的产物。学完后，你将拥有：

outputs/
├── prompts/      prompt templates for every AI task
└── skills/       SKILL.md files for AI coding agents

将它们接入 Claude、Cursor、Codex、OpenClaw、Hermes，或任何会读取 SKILL.md / AGENTS.md 目录的智能体。这是真实工具，不是课后作业。

将课程技能安装到你的智能体中

两套技能，两个安装器：

学习类技能（start-learning、learn、course-guide、 learn-mcp、learn-agent-skills、claude-certification、find-your-level 和 check-understanding）位于 skills/ 目录下，可通过一条命令安装到 支持技能的主机中。安装需要 Node.js 和 npx，但不需要克隆仓库或 Python：

npx skills add rohitg00/ai-engineering-from-scratch

skills 会写入安装时所选的宿主与作用域，例如 .claude/skills/、.cursor/skills/、.codex/skills/，或其他受支持的 skills 文件夹。请确认所选宿主能够发现该确切目标。

课程交付物。 仓库在 phases/**/outputs/ 下提供 396 个 skills 和 99 个 prompts； 请通过 scripts/install_skills.py 安装。需要先克隆仓库。支持标签筛选、试运行以及按代理的布局：

python3 scripts/install_skills.py <target>                                 # every skill, default --layout skills (nested)
python3 scripts/install_skills.py <target> --layout skills                 # same as above, explicit
python3 scripts/install_skills.py <target> --type all                      # skills + prompts + agents
python3 scripts/install_skills.py <target> --phase 14                      # one phase only
python3 scripts/install_skills.py <target> --tag rag                       # filter by tag
python3 scripts/install_skills.py <target> --layout flat                   # flat files
python3 scripts/install_skills.py <target> --dry-run                       # preview without writing
python3 scripts/install_skills.py <target> --force                         # overwrite existing files

<target> 是你的智能体的技能目录（例如： ~/.claude/skills/、~/.cursor/skills/、~/.config/openclaw/skills/、 .skills/，或你的智能体读取的任何路径）。

默认情况下，脚本会拒绝覆盖已有目标路径，并在列出所有冲突路径后以退出码 1 退出。使用 --dry-run 预览冲突，或使用 --force 覆盖。每次非 dry-run 运行都会在目标目录中写入一个 manifest.json，其中包含按类型和阶段分组的完整清单。选择你的智能体读取的布局：

将 Agent Workbench 放入你自己的仓库

第 14 阶段的毕业项目附带一个可复用的 Agent Workbench 包（AGENTS.md、schemas、 init / verify / handoff 脚本）。使用以下命令将其初始化到任意仓库中：

python3 scripts/scaffold_workbench.py path/to/your-repo            # full pack + seeds
python3 scripts/scaffold_workbench.py path/to/your-repo --minimal  # skip docs/
python3 scripts/scaffold_workbench.py path/to/your-repo --dry-run  # preview only
python3 scripts/scaffold_workbench.py path/to/your-repo --force    # overwrite

你将获得七个已接好的工作台界面、一个初始版 task_board.json， 以及一个 schema_version: 1 的全新 agent_state.json。接下来：编辑 任务，编辑 AGENTS.md，运行 scripts/init_agent.py，然后把契约交给 你的 agent。该 pack 源码位于 phases/14-agent-engineering/42-agent-workbench-capstone/outputs/agent-workbench-pack/。

以 JSON 浏览整个课程

scripts/build_catalog.py 会遍历磁盘上的每个阶段、每节课和每个产物， 并在仓库根目录写入 catalog.json。一个文件，覆盖课程的全部事实。

python3 scripts/build_catalog.py               # writes <repo>/catalog.json
python3 scripts/build_catalog.py --stdout      # to stdout, do not touch repo
python3 scripts/build_catalog.py --out path/to/file.json

目录基于文件系统生成，而不是基于 README 生成，因此数量始终与磁盘上的实际内容保持一致。可用于站点构建、下游工具，或用于验证 README 中的数量是否发生偏移。Schema 已在脚本顶部说明。

GitHub Action（.github/workflows/curriculum.yml）会在每次 PR 中重建 catalog.json，如果已提交的文件过期，则构建失败。修改任何课程后，请运行 python3 scripts/build_catalog.py 并提交结果，否则 CI 会拒绝该 PR。同一工作流还会以仅警告模式运行 audit_lessons.py（因此现有偏移不会阻止贡献者）。

对所有课程的 Python 代码进行冒烟检查

scripts/lesson_run.py 会字节编译每个课程 code/ 目录下的每个 .py 文件。默认模式仅进行语法检查——不执行，不需要 API 密钥，也不需要重型 ML 依赖。可捕获贡献者最常引入的回归问题（缩进错误、损坏的 f-string、误改）。

python3 scripts/lesson_run.py                  # syntax-check the whole curriculum
python3 scripts/lesson_run.py --phase 14       # one phase only
python3 scripts/lesson_run.py --json           # JSON report on stdout
python3 scripts/lesson_run.py --strict         # exit 1 if any lesson fails
python3 scripts/lesson_run.py --execute        # actually run, 10s timeout per lesson

--execute 会以 10 秒超时运行每个课程的 code/main.py（或第一个 .py 文件）。如果课程的入口文件以 # requires: pkg1, pkg2 注释开头，并在其中列出非标准库依赖，则会被跳过，跳过原因标记为 needs <deps>。该脚本需主动启用，且未接入 CI。

仅使用标准库，需 Python 3.10+。设置 LINK_CHECK_SKIP=domain1,domain2 可覆盖默认跳过列表（twitter.com、x.com、linkedin.com、instagram.com、medium.com —— 这些域名会严格拦截自动化 HEAD/GET 请求）。

从哪里开始

░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒

为何当下至关重要

░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒

参与贡献

在提交课程之前，运行不变量检查：

python3 scripts/audit_lessons.py           # full curriculum
python3 scripts/audit_lessons.py --phase 14  # single phase
python3 scripts/audit_lessons.py --json    # CI-friendly output

当任意规则校验失败时，退出码为非零。规则（L001–L010）用于校验目录 结构、docs/en.md 是否存在且包含 H1、code/ 是否非空、quiz.json schema （拒绝曾导致 issue #102 的旧版 q/choices/answer 键），以及 课程文档中的相对链接。

░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒

赞助本项目

免费，采用 MIT 许可证，共 523 个课时。课程体系由现金赞助和经批准的 Hardware Lab Partners 维护。

触达规模： 每月 114,584 名访客 · 181,995 次页面浏览量（Vercel Web Analytics 数据已于 2026-08-29 核验） · 50,728 个 GitHub Star（已于 2026-08-29 核验）。

当前赞助商

赞助商	支持内容
CodeRabbit · iii	当前赞助商，支持课程维护与开源开发。
	通过 Vercel Open Source Program 提供开源基础设施支持。

硬件制造商可通过单独的 Hardware Lab Partner 政策 支持本课程。设备属于实物支持，不会自动授予现金赞助等级。

完整价目表、硬性规则、定价锚点及触达数据：SPONSORS.md。 通过 GitHub Sponsors 报名。

░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒

如果这份手册对你有帮助，请给仓库加 Star。它能让项目保持活力。

License

MIT。可任意使用——Fork 它、用它教学、出售它、上线它。欢迎保留署名，但不强制。

由 Rohit Ghumare 与社区共同维护。