rohitg00--ai-engineering-from-scratch/README.md at 53f1ebe07bc553a05c4cc879fc3ff7d835e580fb

wehub/rohitg00--ai-engineering-from-scratch

Fork 0

Files

T

wehub-resource-sync 53f1ebe07b

curriculum / invariant checks (push) Has been cancelled

Details

curriculum / README counts auto-fix (main only) (push) Has been cancelled

Details

curriculum / README.md counts drift advisory (push) Has been cancelled

Details

curriculum / site/data.js auto-rebuild (main only) (push) Has been cancelled

Details

docs: make Chinese README the default

2026-07-13 10:51:59 +00:00

89 KiB

Raw Blame History

Note

本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。
English · 原始项目 · 上游 README
原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。

来自 Agent Memory - #1 持久化记忆（Persistent memory）⭐ 的创作者，可与任何 agent 或聊天助手自然配合使用。

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

84% 的学生已在用 AI 工具，却只有 18% 觉得自己能专业地使用它们。 本课程体系旨在弥合这一差距。

503 节课、20 个阶段、约 320 小时。Python、TypeScript、Rust、Julia。每节课都会交付一个可复用产物：prompt、skill、agent 或 MCP server。免费、开源、MIT 许可。

你不只是学 AI，而是亲手把它做出来。端到端、从零开始。

_{150,639 位读者 · 过去 30 天 241,669 次页面浏览 · 截至 2026-06-07}

运作方式

大多数 AI 资料都是零散教学的：这里一篇论文、那里一篇微调博文、别处一个炫目的 agent 演示。这些碎片很少能拼成一条线。你能上线一个聊天机器人，却说不清它的 loss curve（损失曲线）。你能给 agent 挂一个函数，却说不清调用它的模型内部 attention（注意力）在做什么。

本课程体系就是那条主线。20 个阶段、503 节课、四种语言：Python、TypeScript、Rust、Julia。一端是线性代数，另一端是自主 swarm（群体智能）。每个算法都先从原始数学推导并亲手实现。反向传播（Backprop）。Tokenizer。Attention。Agent loop。等到 PyTorch 登场时，你已经知道它在底层做了什么。

每节课都遵循同一循环：读题、推导数学、写代码、跑测试、保留产物。没有五分钟视频，没有复制粘贴式部署，也没有手把手哄着你。免费、开源，并且设计为在你自己的笔记本电脑上运行。

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

课程结构

二十个阶段层层叠放。数学是地基，agent 与生产部署是屋顶。若你已掌握底层内容，可以跳过；但若跳过后又在高层遇到问题，就别奇怪为什么会崩。

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'12px'}}}%%
flowchart TB
  P0["Phase 0 — Setup &amp; 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 &amp; 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 &amp; Protocols"]
  P13 --> P14["Phase 14 — Agent Engineering"]
  P14 --> P15["Phase 15 — Autonomous Systems"]
  P15 --> P16["Phase 16 — Multi-Agent &amp; Swarms"]
  P14 --> P17["Phase 17 — Infrastructure &amp; Production"]
  P15 --> P18["Phase 18 — Ethics &amp; Alignment"]
  P16 --> P19["Phase 19 — Capstone Projects"]
  P17 --> P19
  P18 --> P19

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

单节课的结构

每节课都在独立文件夹中，整个课程体系采用统一结构：

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

每节课遵循六个节拍。Build It / Use It（先实现、再使用）是主线——你先从零实现算法，再用生产级库跑同一套东西。因为你亲手写过简化版，所以你能理解框架在做什么。

%%{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>"]

入门方式

三种入口，任选其一。

选项 A — 阅读。 在 aiengineeringfromscratch.com 打开任意已完成的课时，或在目录下展开某个阶段。无需配置，无需克隆。

选项 B — 克隆并运行。

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

选项 C — 找准你的水平（推荐）。 智能跳过已掌握内容。在 Claude、Cursor、Codex、OpenClaw、Hermes，或任何已安装本课程 skills 的 agent 中：

/find-your-level

十个问题。将你的知识映射到起始阶段，并生成带学时估算的个性化路径。每个阶段结束后：

/check-understanding 3        # quiz yourself on phase 3
ls phases/03-deep-learning-core/05-loss-functions/outputs/
# ├── prompt-loss-function-selector.md
# └── prompt-loss-debugger.md

前置要求

你会写代码（任意语言；会 Python 更好）。
你想理解 AI 究竟如何工作，而不只是调用 API。

内置 agent skills（Claude、Cursor、Codex、OpenClaw、Hermes）

Skill	作用
`/find-your-level`	十题定级测验。将你的知识映射到起始阶段，并生成带学时估算的个性化路径。
`/check-understanding <phase>`	按阶段测验，八道题，附反馈及需复习的具体课时。

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

每节课都有可交付物

其他课程常以*“恭喜，你学会了 X”*收尾。这里的每节课都以一个可复用工具结束——你可以安装它，或粘贴到日常工作中。

_{FIG_001 · A} PROMPTS	_{FIG_001 · B} SKILLS	_{FIG_001 · C} AGENTS	_{FIG_001 · D} MCP SERVERS
粘贴到任意 AI 助手，获取针对窄任务的专家级帮助。	放入 Claude、Cursor、Codex、OpenClaw、Hermes，或任何会读取 `SKILL.md` 的 agent。	部署为自主 worker——你在第 14 阶段亲手写过循环。	接入任意兼容 MCP 的客户端。在第 13 阶段端到端构建。

使用 python3 scripts/install_skills.py 一次性安装全部内容。真实工具，而非作业练习。课程结束时，你将拥有一份包含 503 个产出物的作品集，而且你真正理解它们——因为都是你亲手构建的。

FIG_002 · 完整示例

第 14 阶段，第 1 课：智能体循环（agent loop）。约 120 行纯 Python，无依赖。

code/agent_loop.py _动手构建

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

outputs/skill-agent-loop.md _上线交付

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

Implement a minimal agent loop that...

outputs/prompt-debug-agent.md

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

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

#	课程	类型	语言
01	Dev Environment	Build	Python
02	Git & Collaboration	Learn	—
03	GPU Setup & Cloud	Build	Python
04	APIs & Keys	Build	Python
05	Jupyter Notebooks	Build	Python
06	Python Environments	Build	Shell
07	Docker for AI	Build	Docker
08	Editor Setup	Build	—
09	Data Management	Build	Python
10	Terminal & Shell	Learn	—
11	Linux for AI	Learn	—
12	Debugging & Profiling	Build	Python

Phase 1 — 数学基础 22 lessons 通过代码理解每种 AI 算法背后的直觉。

#	课程	类型	语言
01	Linear Algebra Intuition	Learn	Python, Julia
02	Vectors, Matrices & Operations	Build	Python, Julia
03	Matrix Transformations & Eigenvalues	Build	Python, Julia
04	Calculus for ML: Derivatives & Gradients	Learn	Python
05	Chain Rule & Automatic Differentiation	Build	Python
06	Probability & Distributions	Learn	Python
07	Bayes' Theorem & Statistical Thinking	Build	Python
08	Optimization: Gradient Descent Family	Build	Python
09	Information Theory: Entropy, KL Divergence	Learn	Python
10	Dimensionality Reduction: PCA, t-SNE, UMAP	Build	Python
11	Singular Value Decomposition	Build	Python, Julia
12	Tensor Operations	Build	Python
13	Numerical Stability	Build	Python
14	Norms & Distances	Build	Python
15	Statistics for ML	Build	Python
16	Sampling Methods	Build	Python
17	Linear Systems	Build	Python
18	Convex Optimization	Build	Python
19	Complex Numbers for AI	Learn	Python
20	The Fourier Transform	Build	Python
21	Graph Theory for ML	Build	Python
22	Stochastic Processes	Learn	Python

Phase 2 — 机器学习基础 18 lessons 经典机器学习——仍是大多数生产级 AI 的支柱。

#	课程	类型	语言
01	What Is Machine Learning	Learn	Python
02	Linear Regression from Scratch	Build	Python
03	Logistic Regression & Classification	Build	Python
04	Decision Trees & Random Forests	Build	Python
05	Support Vector Machines	Build	Python
06	KNN & Distance Metrics	Build	Python
07	Unsupervised Learning: K-Means, DBSCAN	Build	Python
08	Feature Engineering & Selection	Build	Python
09	Model Evaluation: Metrics, Cross-Validation	Build	Python
10	Bias, Variance & the Learning Curve	Learn	Python
11	Ensemble Methods: Boosting, Bagging, Stacking	Build	Python
12	Hyperparameter Tuning	Build	Python
13	ML Pipelines & Experiment Tracking	Build	Python
14	Naive Bayes	Build	Python
15	Time Series Fundamentals	Build	Python
16	Anomaly Detection	Build	Python
17	Handling Imbalanced Data	Build	Python
18	Feature Selection	Build	Python

Phase 3 — 深度学习核心 13 lessons 从第一性原理学习神经网络。在你亲手构建框架之前，不使用现成框架。

#	课程	类型	语言
01	The Perceptron: Where It All Started	Build	Python
02	Multi-Layer Networks & Forward Pass	Build	Python
03	Backpropagation from Scratch	Build	Python
04	Activation Functions: ReLU, Sigmoid, GELU & Why	Build	Python
05	Loss Functions: MSE, Cross-Entropy, Contrastive	Build	Python
06	Optimizers: SGD, Momentum, Adam, AdamW	Build	Python
07	Regularization: Dropout, Weight Decay, BatchNorm	Build	Python
08	Weight Initialization & Training Stability	Build	Python
09	Learning Rate Schedules & Warmup	Build	Python
10	Build Your Own Mini Framework	Build	Python
11	Introduction to PyTorch	Build	Python
12	Introduction to JAX	Build	Python
13	Debugging Neural Networks	Build	Python

阶段 4 — 计算机视觉（Computer Vision） 28 lessons 从像素到理解——图像、视频、3D、视觉语言模型（VLM）与世界模型。

#	课程	类型	语言
01	图像基础：像素、通道与色彩空间	Learn	Python
02	从零实现卷积	Build	Python
03	CNN：从 LeNet 到 ResNet	Build	Python
04	图像分类	Build	Python
05	迁移学习与微调	Build	Python
06	目标检测——从零实现 YOLO	Build	Python
07	语义分割——U-Net	Build	Python
08	实例分割——Mask R-CNN	Build	Python
09	图像生成——GAN	Build	Python
10	图像生成——扩散模型	Build	Python
11	Stable Diffusion——架构与微调	Build	Python
12	视频理解——时序建模	Build	Python
13	3D 视觉：点云与 NeRF	Build	Python
14	视觉 Transformer（ViT）	Build	Python
15	实时视觉：边缘部署	Build	Python
16	构建完整视觉流水线	Build	Python
17	自监督视觉——SimCLR、DINO、MAE	Build	Python
18	开放词汇视觉——CLIP	Build	Python
19	OCR 与文档理解	Build	Python
20	图像检索与度量学习	Build	Python
21	关键点检测与姿态估计	Build	Python
22	从零实现 3D 高斯泼溅	Build	Python
23	扩散 Transformer 与整流流（Rectified Flow）	Build	Python
24	SAM 3 与开放词汇分割	Build	Python
25	视觉语言模型（ViT-MLP-LLM）	Build	Python
26	单目深度与几何估计	Build	Python
27	多目标跟踪与视频记忆	Build	Python
28	世界模型与视频扩散	Build	Python

阶段 5 — NLP：从基础到进阶 29 lessons 语言是通往智能的接口。

#	课程	类型	语言
01	文本处理：分词、词干提取与词形还原	Build	Python
02	词袋模型、TF-IDF 与文本表示	Build	Python
03	词嵌入：从零实现 Word2Vec	Build	Python
04	GloVe、FastText 与子词嵌入	Build	Python
05	情感分析	Build	Python
06	命名实体识别（NER）	Build	Python
07	词性标注与句法分析	Build	Python
08	文本分类——用于文本的 CNN 与 RNN	Build	Python
09	序列到序列模型	Build	Python
10	注意力机制——突破性进展	Build	Python
11	机器翻译	Build	Python
12	文本摘要	Build	Python
13	问答系统	Build	Python
14	信息检索与搜索	Build	Python
15	主题建模：LDA、BERTopic	Build	Python
16	文本生成	Build	Python
17	聊天机器人：从规则驱动到神经网络	Build	Python
18	多语言 NLP	Build	Python
19	子词分词：BPE、WordPiece、Unigram、SentencePiece	Learn	Python
20	结构化输出与约束解码	Build	Python
21	自然语言推理（NLI）与文本蕴含	Learn	Python
22	嵌入模型深入解析	Learn	Python
23	RAG 分块策略	Build	Python
24	共指消解	Learn	Python
25	实体链接与消歧	Build	Python
26	关系抽取与知识图谱构建	Build	Python
27	LLM 评估：RAGAS、DeepEval、G-Eval	Build	Python
28	长上下文评估：NIAH、RULER、LongBench、MRCR	Learn	Python
29	对话状态跟踪	Build	Python

阶段 6 — 语音与音频（Speech & Audio） 17 lessons 听、理解、说。

#	课程	类型	语言
01	音频基础：波形、采样与 FFT	Learn	Python
02	频谱图、Mel 刻度与音频特征	Build	Python
03	音频分类	Build	Python
04	语音识别（ASR）	Build	Python
05	Whisper：架构与微调	Build	Python
06	说话人识别与验证	Build	Python
07	文本转语音（TTS）	Build	Python
08	声音克隆与音色转换	Build	Python
09	音乐生成	Build	Python
10	音频语言模型	Build	Python
11	实时音频处理	Build	Python
12	构建语音助手流水线	Build	Python
13	神经音频编解码器——EnCodec、SNAC、Mimi、DAC	Learn	Python
14	语音活动检测与话轮转换	Build	Python
15	流式语音到语音——Moshi、Hibiki	Learn	Python
16	语音反欺骗与音频水印	Build	Python
17	音频评估——WER、MOS、MMAU 与排行榜	Learn	Python

Phase 7 — Transformers 深度剖析 14 lessons 改变一切的架构。

#	课程	类型	语言
01	为何选择 Transformers：RNN 的问题	学习	Python
02	从零实现自注意力（Self-Attention）	构建	Python
03	多头注意力（Multi-Head Attention）	构建	Python
04	位置编码：Sinusoidal、RoPE、ALiBi	构建	Python
05	完整 Transformer：编码器 + 解码器	构建	Python
06	BERT — 掩码语言建模（Masked Language Modeling）	构建	Python
07	GPT — 因果语言建模（Causal Language Modeling）	构建	Python
08	T5、BART — 编码器-解码器模型	学习	Python
09	视觉 Transformer（ViT）	构建	Python
10	音频 Transformer — Whisper 架构	学习	Python
11	混合专家（MoE）	构建	Python
12	KV Cache、Flash Attention 与推理优化	构建	Python
13	缩放定律（Scaling Laws）	学习	Python
14	从零构建 Transformer	构建	Python
15	注意力变体 — 滑动窗口、稀疏、差分	构建	Python
16	推测解码（Speculative Decoding）— 起草、验证、重复	构建	Python

Phase 8 — 生成式 AI 14 lessons 生成图像、视频、音频、3D 等内容。

#	课程	类型	语言
01	生成模型：分类与历史	学习	Python
02	自编码器与 VAE	构建	Python
03	GAN：生成器与判别器	构建	Python
04	条件 GAN 与 Pix2Pix	构建	Python
05	StyleGAN	构建	Python
06	扩散模型 — 从零实现 DDPM	构建	Python
07	潜在扩散与 Stable Diffusion	构建	Python
08	ControlNet、LoRA 与条件控制	构建	Python
09	图像修复、外扩与编辑	构建	Python
10	视频生成	构建	Python
11	音频生成	构建	Python
12	3D 生成	构建	Python
13	流匹配（Flow Matching）与整流流（Rectified Flows）	构建	Python
14	评估：FID、CLIP Score	构建	Python
19	视觉自回归建模（VAR）：下一尺度预测	构建	Python

Phase 9 — 强化学习 12 lessons RLHF 与博弈 AI 的基础。

#	课程	类型	语言
01	MDP、状态、动作与奖励	学习	Python
02	动态规划	构建	Python
03	蒙特卡洛方法	构建	Python
04	Q-Learning、SARSA	构建	Python
05	深度 Q 网络（DQN）	构建	Python
06	策略梯度 — REINFORCE	构建	Python
07	Actor-Critic — A2C、A3C	构建	Python
08	PPO	构建	Python
09	奖励建模与 RLHF	构建	Python
10	多智能体强化学习	构建	Python
11	仿真到现实迁移（Sim-to-Real Transfer）	构建	Python
12	面向游戏的强化学习	构建	Python

Phase 10 — 从零构建大语言模型 22 lessons 构建、训练并理解大语言模型。

#	课程	类型	语言
01	分词器：BPE、WordPiece、SentencePiece	构建	Python, Rust
02	从零构建分词器	构建	Python
03	预训练数据流水线	构建	Python
04	预训练 Mini GPT（124M）	构建	Python
05	分布式训练、FSDP、DeepSpeed	构建	Python
06	指令微调 — SFT	构建	Python
07	RLHF — 奖励模型 + PPO	构建	Python
08	DPO — 直接偏好优化（Direct Preference Optimization）	构建	Python
09	宪法 AI（Constitutional AI）与自我改进	构建	Python
10	评估 — 基准测试与评测	构建	Python
11	量化：INT8、GPTQ、AWQ、GGUF	构建	Python
12	推理优化	构建	Python
13	构建完整的 LLM 流水线	构建	Python
14	开放模型：架构详解	学习	Python
15	推测解码与 EAGLE-3	构建	Python
16	差分注意力（V2）	构建	Python
17	原生稀疏注意力（DeepSeek NSA）	构建	Python
18	多 token 预测（MTP）	构建	Python
19	DualPipe 并行	学习	Python
20	DeepSeek-V3 架构详解	学习	Python
21	Jamba — 混合 SSM-Transformer	学习	Python
22	异步与 Hogwild! 推理	构建	Python
25	推测解码与 EAGLE	构建	Python
34	梯度检查点与激活重计算	构建	Python

Phase 11 — LLM 工程 17 lessons 让 LLM 投入生产环境。

#	课程	类型	语言
01	提示工程：技术与模式	Build	Python
02	少样本、思维链（CoT）与思维树（Tree-of-Thought）	Build	Python
03	结构化输出	Build	Python
04	嵌入与向量表示	Build	Python
05	上下文工程	Build	Python
06	RAG：检索增强生成（Retrieval-Augmented Generation）	Build	Python
07	高级 RAG：分块与重排序	Build	Python
08	使用 LoRA 与 QLoRA 进行微调	Build	Python
09	函数调用与工具使用	Build	Python
10	评估与测试	Build	Python
11	缓存、速率限制与成本	Build	Python
12	护栏与安全	Build	Python
13	构建生产级 LLM 应用	Build	Python
14	模型上下文协议（Model Context Protocol, MCP）	Build	Python
15	提示缓存与上下文缓存	Build	Python
16	LangGraph：智能体的状态机	Build	Python
17	智能体框架权衡	Learn	Python

Phase 12 — 多模态 AI 25 lessons 跨模态地看、听、读与推理——从 ViT 图像块到计算机使用智能体。

#	课程	类型	语言
01	视觉 Transformer 与 Patch-Token 原语	Learn	Python
02	CLIP 与对比式视觉-语言预训练	Build	Python
03	BLIP-2 Q-Former 作为模态桥梁	Build	Python
04	Flamingo 与门控交叉注意力	Learn	Python
05	LLaVA 与视觉指令微调	Build	Python
06	任意分辨率视觉——Patch-n'-Pack 与 NaFlex	Build	Python
07	开放权重 VLM 配方：什么真正重要	Learn	Python
08	LLaVA-OneVision：单图、多图与视频	Build	Python
09	Qwen-VL 系列与动态 FPS 视频	Learn	Python
10	InternVL3 原生多模态预训练	Learn	Python
11	Chameleon 早期融合纯 Token 方案	Build	Python
12	Emu3 用于生成的下一 Token 预测	Learn	Python
13	Transfusion：自回归 + 扩散	Build	Python
14	Show-o 离散扩散统一模型	Learn	Python
15	Janus-Pro 解耦编码器	Build	Python
16	MIO 任意到任意流式传输	Learn	Python
17	视频-语言时间定位	Build	Python
18	百万 Token 上下文下的长视频	Build	Python
19	音频-语言模型：从 Whisper 到 AF3	Build	Python
20	Omni 模型：Thinker-Talker 流式架构	Build	Python
21	具身 VLA：RT-2、OpenVLA、π0、GR00T	Learn	Python
22	文档与图表理解	Build	Python
23	ColPali 视觉原生文档 RAG	Build	Python
24	多模态 RAG 与跨模态检索	Build	Python
25	多模态智能体与计算机使用（毕业项目）	Build	Python

Phase 13 — 工具与协议 23 lessons AI 与现实世界之间的接口。

#	课程	类型	语言
01	工具接口	Learn	Python
02	函数调用深度解析	Build	Python
03	并行与流式工具调用	Build	Python
04	结构化输出	Build	Python
05	工具模式设计	Learn	Python
06	MCP 基础	Learn	Python
07	构建 MCP 服务器	Build	Python
08	构建 MCP 客户端	Build	Python
09	MCP 传输层	Learn	Python
10	MCP 资源与提示	Build	Python
11	MCP 采样	Build	Python
12	MCP Roots 与引导（Elicitation）	Build	Python
13	MCP 异步任务	Build	Python
14	MCP 应用	Build	Python
15	MCP 安全 I——工具投毒	Learn	Python
16	MCP 安全 II——OAuth 2.1	Build	Python
17	MCP 网关与注册表	Learn	Python
18	生产环境中的 MCP 认证——注册、JWKS 刷新与受众固定（Audience Pinning）	Build	Python
19	A2A 协议	Build	Python
20	OpenTelemetry GenAI	Build	Python
21	LLM 路由层	Learn	Python
22	Skills 与智能体 SDK	Learn	Python
23	毕业项目——工具生态系统	Build	Python

Phase 14 — 智能体工程（Agent Engineering） 42 lessons 从第一性原理构建智能体——循环、记忆、规划、框架、基准测试、生产部署与工作台。

#	Lesson	Type	Lang
01	智能体循环（The Agent Loop）	Build	Python
02	ReWOO 与 Plan-and-Execute	Build	Python
03	Reflexion 与言语强化学习（Verbal Reinforcement Learning）	Build	Python
04	思维树（Tree of Thoughts）与 LATS	Build	Python
05	Self-Refine 与 CRITIC	Build	Python
06	工具使用与函数调用（Tool Use and Function Calling）	Build	Python
07	记忆——虚拟上下文与 MemGPT	Build	Python
08	记忆块与休眠期计算（Sleep-Time Compute）	Build	Python
09	混合记忆——Mem0 向量 + 图 + KV	Build	Python
10	技能库与终身学习——Voyager	Build	Python
11	基于 HTN 与进化搜索的规划	Build	Python
12	Anthropic 工作流模式	Build	Python
13	LangGraph——有状态图与持久化执行	Build	Python
14	AutoGen v0.4——Actor 模型	Build	Python
15	CrewAI——基于角色的 Crew 与 Flow	Build	Python
16	OpenAI Agents SDK——交接、护栏与追踪	Build	Python
17	Claude Agent SDK——子智能体与会话存储	Build	Python
18	Agno 与 Mastra——生产运行时	Learn	Python
19	基准测试——SWE-bench、GAIA、AgentBench	Learn	Python
20	基准测试——WebArena 与 OSWorld	Learn	Python
21	计算机使用——Claude、OpenAI CUA、Gemini	Build	Python
22	语音智能体——Pipecat 与 LiveKit	Build	Python
23	OpenTelemetry GenAI 语义约定	Build	Python
24	智能体可观测性——Langfuse、Phoenix、Opik	Learn	Python
25	多智能体辩论与协作	Build	Python
26	失效模式——智能体为何崩溃	Build	Python
27	提示注入与 PVE 防御	Build	Python
28	编排模式——Supervisor、Swarm、分层	Build	Python
29	生产运行时——队列、事件、Cron	Learn	Python
30	评估驱动的智能体开发	Build	Python
31	智能体工作台：能力强的模型为何仍会失败	Learn	Python
32	最小智能体工作台	Build	Python
33	将智能体指令作为可执行约束	Build	Python
34	仓库记忆与持久化状态	Build	Python
35	智能体初始化脚本	Build	Python
36	范围契约与任务边界	Build	Python
37	运行时反馈循环	Build	Python
38	验证关卡	Build	Python
39	审查智能体：将构建者与标注者分离	Build	Python
40	多会话交接	Build	Python
41	在真实仓库上的工作台	Build	Python
42	毕业项目：交付可复用的智能体工作台包	Build	Python

Phase 14 中每个工作台课时（31–42）都会在打开完整课时文档前，向智能体提供一份 mission.md 简报。

Phase 15 — 自主系统（Autonomous Systems） 22 lessons 长程智能体、自我改进与 2026 安全栈。

#	Lesson	Type	Lang
01	从聊天机器人到长程智能体（METR）	Learn	Python
02	STaR、V-STaR、Quiet-STaR：自教推理	Learn	Python
03	AlphaEvolve：进化式编码智能体	Learn	Python
04	Darwin Gödel Machine：自修改智能体	Learn	Python
05	AI Scientist v2：工作坊级研究	Learn	Python
06	自动化对齐研究（Anthropic AAR）	Learn	Python
07	递归自我改进：能力 vs 对齐	Learn	Python
08	有界自我改进设计	Learn	Python
09	自主编码智能体全景（SWE-bench、CodeAct）	Learn	Python
10	Claude Code 权限模式与自动模式	Learn	Python
11	浏览器智能体与间接提示注入	Learn	Python
12	长运行智能体的持久化执行	Learn	Python
13	动作预算、迭代上限与成本管控	Learn	Python
14	终止开关、熔断器与金丝雀令牌	Learn	Python
15	HITL：先提议后提交	Learn	Python
16	检查点与回滚	Learn	Python
17	宪法式 AI 与规则覆盖	Learn	Python
18	Llama Guard 与输入/输出分类	Learn	Python
19	Anthropic 负责任扩展政策 v3.0	Learn	Python
20	OpenAI 准备度框架与 DeepMind FSF	Learn	Python
21	METR 时间跨度与外部评估	Learn	Python
22	CAIS、CAISI 与社会规模风险	Learn	Python

Phase 16 — 多智能体与群体智能（Swarms） 25 lessons 协调、涌现与集体智能。

#	课程	类型	语言
01	为何需要多智能体	学习	TypeScript
02	FIPA-ACL 传承与言语行为（Speech Acts）	学习	Python
03	通信协议	实践	TypeScript
04	多智能体原语模型	学习	Python
05	监督者 / 编排者-工作者模式	实践	Python
06	层次化架构与分解漂移（Decomposition Drift）	学习	Python
07	心智社会与多智能体辩论	实践	Python
08	角色专业化 — 规划者 / 批评者 / 执行者 / 验证者	实践	Python
09	并行群体与网络化架构	实践	Python
10	群聊与发言者选择	实践	Python
11	交接与例程（无状态编排）	实践	Python
12	A2A — 智能体间协议（Agent-to-Agent Protocol）	实践	Python
13	共享内存与黑板模式	实践	Python
14	共识与拜占庭容错（Byzantine Fault Tolerance）	实践	Python
15	投票、自洽性与辩论拓扑	实践	Python
16	谈判与议价	实践	Python
17	生成式智能体与涌现仿真	实践	Python
18	心智理论（Theory of Mind）与涌现代际协调	实践	Python
19	群体优化（PSO、ACO）	实践	Python
20	MARL — MADDPG、QMIX、MAPPO	学习	Python
21	智能体经济、代币激励与声誉	学习	Python
22	生产级扩展 — 队列、检查点与持久性	实践	Python
23	失效模式 — MAST、群体思维与单一文化	学习	Python
24	评估与协调基准	学习	Python
25	案例研究与 2026 年最前沿进展	学习	Python

Phase 17 — 基础设施与生产部署 28 lessons 将 AI 交付到真实世界。

#	课程	类型	语言
01	托管式 LLM 平台 — Bedrock、Azure OpenAI、Vertex AI	学习	Python
02	推理平台经济学 — Fireworks、Together、Baseten、Modal	学习	Python
03	Kubernetes 上的 GPU 自动扩缩 — Karpenter、KAI Scheduler	学习	Python
04	vLLM 服务内部机制 — PagedAttention、连续批处理（Continuous Batching）、分块预填充（Chunked Prefill）	学习	Python
05	生产环境中的 EAGLE-3 推测解码（Speculative Decoding）	学习	Python
06	面向前缀密集型工作负载的 SGLang 与 RadixAttention	学习	Python
07	在 Blackwell 上使用 FP8 与 NVFP4 的 TensorRT-LLM	学习	Python
08	推理指标 — TTFT、TPOT、ITL、Goodput、P99	学习	Python
09	生产级量化 — AWQ、GPTQ、GGUF、FP8、NVFP4	学习	Python
10	无服务器 LLM 的冷启动缓解	学习	Python
11	多区域 LLM 服务与 KV 缓存局部性	学习	Python
12	边缘推理 — ANE、Hexagon、WebGPU、Jetson	学习	Python
13	LLM 可观测性技术栈选型	学习	Python
14	提示缓存与语义缓存经济学	学习	Python
15	批处理 API — 50% 折扣的行业标准	学习	Python
16	模型路由作为降本原语	学习	Python
17	解耦式预填充/解码 — NVIDIA Dynamo 与 llm-d	学习	Python
18	集成 LMCache KV 卸载的 vLLM 生产栈	学习	Python
19	AI 网关 — LiteLLM、Portkey、Kong、Bifrost	学习	Python
20	影子、金丝雀与渐进式部署	学习	Python
21	LLM 功能的 A/B 测试 — GrowthBook 与 Statsig	学习	Python
22	LLM API 负载测试 — k6、LLMPerf、GenAI-Perf	实践	Python
23	AI 的 SRE — 多智能体事件响应	学习	Python
24	LLM 生产的混沌工程	学习	Python
25	安全 — 密钥、PII 脱敏与审计日志	学习	Python
26	合规 — SOC 2、HIPAA、GDPR、EU AI Act、ISO 42001	学习	Python
27	LLM 的 FinOps — 单位经济学与多租户归因	学习	Python
28	自托管服务选型 — llama.cpp、Ollama、TGI、vLLM、SGLang	学习	Python

Phase 18 — 伦理、安全与对齐（Alignment） 30 lessons 构建造福人类的 AI。这不是可选项。

#	课程	类型	语言
01	指令遵循作为对齐信号	学习	Python
02	奖励黑客与古德哈特定律（Goodhart's Law）	学习	Python
03	直接偏好优化（DPO）系列	学习	Python
04	谄媚作为 RLHF 放大效应	学习	Python
05	宪法式 AI 与 RLAIF	学习	Python
06	Mesa 优化与欺骗性对齐（Mesa-Optimization）	学习	Python
07	休眠智能体——持久欺骗（Sleeper Agents）	学习	Python
08	前沿模型中的上下文阴谋（In-Context Scheming）	学习	Python
09	对齐伪装（Alignment Faking）	学习	Python
10	AI 控制——面对颠覆仍保安全	学习	Python
11	可扩展监督与弱到强（Weak-to-Strong）	学习	Python
12	红队测试：PAIR 与自动化攻击	构建	Python
13	多轮越狱（Many-Shot Jailbreaking）	学习	Python
14	ASCII 艺术与视觉越狱	构建	Python
15	间接提示注入	构建	Python
16	红队工具：Garak、Llama Guard、PyRIT	构建	Python
17	WMDP 与双重用途能力评估	学习	Python
18	前沿安全框架——RSP、PF、FSF	学习	Python
19	模型福祉研究	学习	Python
20	偏见与表征伤害	构建	Python
21	公平性准则：群体、个体与反事实	学习	Python
22	面向 LLM 的差分隐私	构建	Python
23	水印：SynthID、Stable Signature、C2PA	构建	Python
24	监管框架：欧盟、美国、英国、韩国	学习	Python
25	EchoLeak 与 AI 相关 CVE	学习	Python
26	模型、系统与数据集卡片	构建	Python
27	数据溯源与训练数据治理	学习	Python
28	对齐研究生态：MATS、Redwood、Apollo、METR	学习	Python
29	审核系统：OpenAI、Perspective、Llama Guard	构建	Python
30	双重用途风险：网络、生物、化学、核能	学习	Python

第 19 阶段 — 毕业设计项目 85 lessons 17 个端到端产品 + 9 条深度构建轨道。每个项目 20–40 小时；每条轨道 4–12 节课。

#	项目	综合	语言
01	终端原生编码智能体	P0 P5 P7 P10 P11 P13 P14 P15 P17 P18	Python
02	代码库 RAG（跨仓库语义搜索）	P5 P7 P11 P13 P17	Python
03	实时语音助手（ASR → LLM → TTS）	P6 P7 P11 P13 P14 P17	Python
04	多模态文档问答（视觉优先）	P4 P5 P7 P11 P12 P17	Python
05	自主研究智能体（AI-Scientist 级别）	P0 P2 P3 P7 P10 P14 P15 P16 P18	Python
06	面向 Kubernetes 的 DevOps 排障智能体	P11 P13 P14 P15 P17 P18	Python
07	端到端微调流水线	P2 P3 P7 P10 P11 P17 P18	Python
08	生产级 RAG 聊天机器人（受监管垂直领域）	P5 P7 P11 P12 P17 P18	Python
09	代码迁移智能体（仓库级升级）	P5 P7 P11 P13 P14 P15 P17	Python
10	多智能体软件工程团队	P11 P13 P14 P15 P16 P17	Python
11	LLM 可观测性与评估仪表盘	P11 P13 P17 P18	Python
12	视频理解流水线（场景 → 问答）	P4 P6 P7 P11 P12 P17	Python
13	带注册表与治理的 MCP 服务器	P11 P13 P14 P17 P18	Python
14	推测解码推理服务器	P3 P7 P10 P17	Python
15	宪法式安全框架 + 红队靶场	P10 P11 P13 P14 P18	Python
16	GitHub Issue 到 PR 自主智能体	P11 P13 P14 P15 P17	Python
17	个人 AI 导师（自适应、多模态）	P5 P6 P11 P12 P14 P17 P18	Python

深度构建轨道 — 从零构建完整子系统的多节课系列。

#	项目	综合	语言
20	智能体框架循环契约	A. Agent harness	Python
21	带模式校验的工具注册表	A. Agent harness	Python
22	基于换行分隔 Stdio 的 JSON-RPC 2.0	A. Agent harness	Python
23	函数调用分发器	A. Agent harness	Python
24	计划-执行控制流	A. Agent harness	Python
25	验证关卡与观测预算	A. Agent harness	Python
26	带拒绝列表与路径沙箱的沙箱运行器	A. Agent harness	Python
27	带固定任务夹具的评估框架	A. Agent harness	Python
28	基于 OTel GenAI Span 与 Prometheus 指标的可观测性	A. Agent harness	Python
29	基于框架的端到端编码智能体	A. Agent harness	Python
30	从零实现 BPE 分词器	B. NLP LLM	Python
31	带滑动窗口的分词数据集	B. NLP LLM	Python
32	词元与位置嵌入	B. NLP LLM	Python
32	多头自注意力	B. NLP LLM	Python
34	从零实现 Transformer 块	B. NLP LLM	Python
35	GPT 模型组装	B. NLP LLM	Python
36	训练循环与评估	B. NLP LLM	Python
37	加载预训练权重	B. NLP LLM	Python
38	通过替换头部进行分类器微调	B. NLP LLM	Python
39	通过监督微调进行指令调优	B. NLP LLM	Python
40	从零实现直接偏好优化	B. NLP LLM	Python
41	完整评估流水线	B. NLP LLM	Python
42	大规模语料下载器	C. Train end-to-end	Python
43	HDF5 分词语料库	C. Train end-to-end	Python
44	带线性预热的余弦学习率	C. Train end-to-end	Python
45	梯度裁剪与混合精度	C. Train end-to-end	Python
46	梯度累积	C. Train end-to-end	Python
47	检查点保存与恢复	C. Train end-to-end	Python
48	从零实现分布式数据并行与 FSDP	C. Train end-to-end	Python
49	语言模型评估框架	C. Train end-to-end	Python
50	假设生成器	D. Auto research	Python
51	文献检索	D. Auto research	Python
52	实验运行器	D. Auto research	Python
53	结果评估器	D. Auto research	Python
54	论文撰写器	D. Auto research	Python
55	批评循环	D. Auto research	Python
56	迭代调度器	D. Auto research	Python
57	端到端研究演示	D. Auto research	Python
58	视觉编码器补丁	E. Multimodal VLM	Python
59	视觉 Transformer 编码器	E. Multimodal VLM	Python
60	用于模态对齐的投影层	E. Multimodal VLM	Python
61	交叉注意力融合	E. Multimodal VLM	Python
62	视觉-语言预训练	E. Multimodal VLM	Python
63	多模态评估	E. Multimodal VLM	Python
64	分块策略对比	F. Advanced RAG	Python
65	BM25 与稠密嵌入的混合检索	F. Advanced RAG	Python
66	交叉编码器重排序器	F. Advanced RAG	Python
67	查询改写：HyDE、多查询与分解	F. Advanced RAG	Python
68	RAG 评估：Precision、Recall、MRR、nDCG、Faithfulness、Answer Relevance	F. Advanced RAG	Python
69	端到端 RAG 系统	F. Advanced RAG	Python
70	任务规格格式	G. Eval framework	Python
71	经典指标	G. Eval framework	Python
72	代码执行指标	G. Eval framework	Python
73	困惑度与校准	G. Eval framework	Python
74	排行榜聚合	G. Eval framework	Python
75	端到端评估运行器	G. Eval framework	Python
76	从零实现集合通信算子	H. Distributed train	Python
77	从零实现数据并行 DDP	H. Distributed train	Python
78	ZeRO 优化器状态分片	H. Distributed train	Python
79	流水线并行与气泡分析	H. Distributed train	Python
80	分片检查点与原子恢复	H. Distributed train	Python
81	端到端分布式训练	H. Distributed train	Python
82	越狱分类体系	I. Safety harness	Python
83	提示注入检测器	I. Safety harness	Python
84	拒答评估	I. Safety harness	Python
85	内容分类器集成	I. Safety harness	Python
86	宪法规则引擎	I. Safety harness	Python, YAML
87	端到端安全关卡	I. Safety harness	Python

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

工具包

每节课都会产出一个可复用的制品（artifact）。学完全部内容后，你将拥有：

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

使用 npx skills add 安装它们。接入 Claude、Cursor、Codex、 OpenClaw、Hermes，或任何会读取 SKILL.md / AGENTS.md 目录的智能体（agent）。真工具，不是作业。

将课程中的全部 skill 安装到你的智能体

本仓库在 phases/**/outputs/ 下提供 388 个 skill 和 99 个 prompt。

推荐：通过 skills.sh. 安装。** 无需克隆、无需 Python，会自动检测你智能体的 skills 目录：

npx skills add rohitg00/ai-engineering-from-scratch                       # every skill
npx skills add rohitg00/ai-engineering-from-scratch --skill agent-loop    # one skill
npx skills add rohitg00/ai-engineering-from-scratch --phase 14            # one phase

skills 会写入你的智能体实际读取的目录：.claude/skills/、 .cursor/skills/、.codex/skills/、OpenClaw 的 skills 文件夹、Hermes 的 bundle 路径，或任何支持 SKILL.md 的工具。一条命令，适配所有智能体。

进阶：通过 scripts/install_skills.py 离线安装 / 自定义布局。 需要克隆仓库。适用于需要标签过滤、dry-run 或非默认布局的场景：

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> 是你的智能体使用的 skills 目录（示例： ~/.claude/skills/、~/.cursor/skills/、~/.config/openclaw/skills/、 .skills/，或你的智能体读取的任意路径）。

默认情况下，脚本不会覆盖已有目标目录，会在列出所有冲突路径后以退出码 1 结束。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写入 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：

`--layout`	写入路径
`skills`	`<target>/<name>/SKILL.md`（嵌套约定，Claude / Cursor / Codex / OpenClaw / Hermes 均支持）
`by-phase`	`<target>/phase-NN/<name>.md`
`flat`	`<target>/<name>.md`

将智能体工作台放入你自己的仓库

Phase 14 毕业项目提供一个可复用的 Agent Workbench 包（AGENTS.md、schemas、 init / verify / handoff 脚本）。可用以下命令将其脚手架到任意仓库：

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

你会得到已接好的七个工作台界面、一个入门 task_board.json，以及在 schema_version: 1 处的新建 agent_state.json。接下来：编辑任务、编辑 AGENTS.md、运行 scripts/init_agent.py，将合约交给你的智能体。包源码位于 phases/14-agent-engineering/42-agent-workbench-capstone/outputs/agent-workbench-pack/。

以 JSON 浏览整门课程

scripts/build_catalog.py 会遍历每个阶段、每节课、磁盘上的每个制品，并在仓库根目录写入 catalog.json。一个文件，涵盖课程的全部事实。

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

该目录由文件系统派生，而非 README 派生，因此计数始终与磁盘上的实际内容一致。可用于站点构建、下游工具链，或验证 README 中的计数是否发生漂移。Schema 记录在该脚本顶部。

GitHub Action（.github/workflows/curriculum.yml）会在每次 PR 时重建 catalog.json，若已提交文件已过期则构建失败。编辑任意课程后，请运行 python3 scripts/build_catalog.py 并提交结果，否则 CI 会拒绝该 PR。同一工作流会以仅警告模式运行 audit_lessons.py（因此既有漂移不会阻塞贡献者）。

对每节课的 Python 代码做冒烟检查

scripts/lesson_run.py 会对每节课 code/ 目录下所有 .py 文件进行字节码编译（byte-compile）。默认模式仅做语法检查——不执行、不需要 API 密钥、不需要重型 ML 依赖。可捕获贡献者最常引入的回归（错误缩进、损坏的 f-string、随意编辑）。

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 秒超时运行每节课的 code/main.py（或第一个 .py 文件）。入口文件以 # requires: pkg1, pkg2 comment listing non-stdlib deps are skipped with reason needs <deps> 开头的课程需要相应依赖。该脚本为可选启用，未接入 CI。

仅使用标准库，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——会积极拦截自动化 HEAD/GET 的域名）。

从哪里开始

背景	从这里开始	预估时间
编程与 AI 新手	Phase 0 — Setup	~306 小时
会 Python，ML 新手	Phase 1 — Math Foundations	~270 小时
会 ML，深度学习新手	Phase 3 — Deep Learning Core	~200 小时
会深度学习，想学 LLM 与智能体	Phase 10 — LLMs from Scratch	~100 小时
资深工程师，只想学智能体工程	Phase 14 — Agent Engineering	~60 小时

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

为什么现在很重要

_{FIG_003 · A} 行业信号	_{FIG_003 · B} 涵盖的基础论文
"最热门的新编程语言是英语。" — Andrej Karpathy（推文) "软件工程正在我们眼前被重塑。" — Boris Cherny，Claude Code 的创建者 "模型会不断变好。能持续复利的能力是知道该构建什么。" — 行业共识，2026	Attention Is All You Need — Vaswani et al., 2017 → Phase 7 Language Models are Few-Shot Learners (GPT-3) → Phase 10 Denoising Diffusion Probabilistic Models → Phase 8 InstructGPT / RLHF → Phase 10 Direct Preference Optimization → Phase 10 Chain-of-Thought Prompting → Phase 11 ReAct: Reasoning + Acting in LLMs → Phase 14 Model Context Protocol — Anthropic → Phase 13

_{FIG_003 · A}
行业信号

_{FIG_003 · B}
涵盖的基础论文

"最热门的新编程语言是英语。"
— Andrej Karpathy（推文)

"软件工程正在我们眼前被重塑。"
— Boris Cherny，Claude Code 的创建者

"模型会不断变好。能持续复利的能力是知道该构建什么。"
— 行业共识，2026

Attention Is All You Need — Vaswani et al., 2017 → Phase 7
Language Models are Few-Shot Learners (GPT-3) → Phase 10
Denoising Diffusion Probabilistic Models → Phase 8
InstructGPT / RLHF → Phase 10
Direct Preference Optimization → Phase 10
Chain-of-Thought Prompting → Phase 11
ReAct: Reasoning + Acting in LLMs → Phase 14
Model Context Protocol — Anthropic → Phase 13

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

贡献

目标	阅读
贡献课程或修复	CONTRIBUTING.md
为你的团队或学校 Fork	FORKING.md
课程模板	LESSON_TEMPLATE.md
跟踪进度	ROADMAP.md
术语表	glossary/terms.md
行为准则	CODE_OF_CONDUCT.md

提交课程前，请运行不变性检查：

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

当任意规则失败时，退出码为非零。规则（L001–L010）会校验目录结构、docs/en.md 是否存在及 H1、code/ 非空、quiz.json 的模式（会拒绝曾导致 issue #102 的旧版 q/choices/answer 键），以及课程文档内的相对链接。

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

赞助本项目

免费、MIT 许可、503 门课程。本课程体系仅靠赞助维持。仅接受现金赞助。

影响力（2026-05-14 核实）： 每月 55,593 名访客 · 90,709 次页面浏览 · 7.5K stars · Twitter/X 是首要获客渠道。

当前赞助商： CodeRabbit · iii

档位	$/月	你将获得
Backer	$25	姓名列入 BACKERS.md
Bronze	$250	README 赞助区块中的纯文本行 + 发布日当天推文
Silver	$750	README 中的小尺寸 Logo + 在 API 课程中列为受支持的提供商之一
Gold	$2,000	README 中的中等尺寸 Logo + 赞助页面 + 每季度在 X / LinkedIn 联合推广
Platinum	$5,000	首屏 Hero Logo + 一门专属集成课程，最多 1 家合作伙伴

完整价目表、硬性规则、定价参考及影响力数据：请参阅 SPONSORS.md。通过 GitHub Sponsors. 注册赞助。

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

Star 历史

如果本手册对你有帮助，请为仓库点 Star。这能让项目持续存续。

许可证

MIT。你可以随意使用——Fork、授课、销售、交付均可。署名感谢，但不强制。

由 Rohit Ghumare 及社区维护。

_{@ghumare64 ·
aiengineeringfromscratch.com ·
报告问题 / 提出建议}

89 KiB Raw Blame History Unescape Escape

来自 Agent Memory - #1 持久化记忆（Persistent memory）⭐ 的创作者，可与任何 agent 或聊天助手自然配合使用。

运作方式

课程结构

单节课的结构

入门方式

前置要求

内置 agent skills（Claude、Cursor、Codex、OpenClaw、Hermes）

每节课都有可交付物

FIG_002 · 完整示例

目录

Phase 0：环境搭建与工具链 12 lessons

工具包

将课程中的全部 skill 安装到你的智能体

将智能体工作台放入你自己的仓库

以 JSON 浏览整门课程

对每节课的 Python 代码做冒烟检查

从哪里开始

为什么现在很重要

贡献

赞助本项目

Star 历史

许可证

89 KiB

Raw Blame History

Phase 0：环境搭建与工具链 `12 lessons`