503节课、388个可用技能：这套免费课程把AI工程系统装进了你的代码库
GitHub上有一类项目，Star数不高，但每一个 Star 背后都是真正啃过内容的人。ai-engineering-from-scratch 就是这类项目——7,500 Stars，月均 55,000 访客，MIT 协议，完全免费。它不是又一份 Awesome List，而是目前开源界覆盖最完整的 AI 工程课程体系：20 个阶段、503 节课、320 小时学习路径，支持 Python、TypeScript、Rust、Julia 四种语言。
更重要的是，它每一节课都会产出一个可以直接装进 Claude Code / Cursor / Codex 的技能文件。学完课程，你同时拥有了一套包含 388 个 Skills 和 99 个 Prompt 模板的 AI 工程工具箱。
为什么这个问题值得认真对待
Andrej Karpathy 说过："最热门的新编程语言是英语。" Boris Cherny（Claude Code 创始人）也说："软件工程正在我们眼前被重塑。"
但 2026 年的行业数据揭示了一个尴尬现实：84% 的学生在使用 AI 工具，只有 18% 认为自己能专业地使用它们。 这 66% 的鸿沟，正是 ai-engineering-from-scratch 试图填平的地方。
不是教你"如何调 API"，而是教你当 Agent 进入死循环时你能做什么；当 RAG 检索质量下降时你如何定位；当模型幻觉发生时你如何从架构层面预防——它教的是诊断能力，不是操作手册。
课程全景：20 个阶段，从数学到 Agent 生产部署
| 阶段 | 内容 | 代表技术 |
|---|---|---|
| Phase 0–2 | 环境搭建 → 数学基础 → 机器学习核心 | 线性代数、微积分、sklearn |
| Phase 3–6 | 深度学习 → 计算机视觉 → NLP → 语音 | PyTorch、CNN、RNN、BERT |
| Phase 7–9 | Transformer → 生成式 AI → 强化学习 | Attention、Diffusion、PPO |
| Phase 10–12 | 从零构建 LLM → LLM 工程化 → Fine-tuning | GPT 复现、RAG、LoRA、RLHF |
| Phase 13–16 | 工具与协议 → Agent 工程 → 自主系统 → 多智能体 | MCP、ReAct、Memory、Swarm |
| Phase 17–18 | 基础设施与生产部署 → 伦理与对齐 | Serving、Eval、DPO、安全 |
| Phase 19 | Capstone 项目 | 17 个端到端产品 + 9 条深度构建轨道（每项 20–40 小时） |
课程覆盖了所有主要 Foundational Papers：从《Attention Is All You Need》（Phase 7）到《ReAct》（Phase 14）、再到 Anthropic 的 Model Context Protocol（Phase 13）。这不是随意整理的阅读清单，而是按工程依赖顺序编排的学习路径。
最关键的设计：每节课产出真实工件
这是 ai-engineering-from-scratch 与其他课程最本质的区别。
绝大多数课程的产出是"笔记"和"证书"，而这里每节课的产出物是：
outputs/
├── prompts/ # 每类 AI 任务对应的 Prompt 模板（共 99 个）
└── skills/ # AI 编程代理可直接读取的 SKILL.md 文件（共 388 个）
这 388 个 Skills 可以一条命令装进你的开发环境：
# 安装所有技能（无需克隆仓库，自动检测你的 Agent 目录）
npx skills add rohitg00/ai-engineering-from-scratch
# 只安装某个技能
npx skills add rohitg00/ai-engineering-from-scratch --skill agent-loop
# 只安装某个阶段的技能
npx skills add rohitg00/ai-engineering-from-scratch --phase 14
npx skills 会自动写入你的 Agent 识别的目录：.claude/skills/、.cursor/skills/、.codex/skills/ 或任何支持 SKILL.md 的工具。一条命令，所有 Agent 通用。
如果你需要离线安装或自定义布局：
git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
# 安装全部技能
python3 scripts/install_skills.py ~/.claude/skills/
# 按标签过滤（例如只安装 RAG 相关）
python3 scripts/install_skills.py ~/.claude/skills/ --tag rag
# 预览安装内容（不实际写入）
python3 scripts/install_skills.py ~/.claude/skills/ --dry-run
如何根据你的起点找到正确入口
不要从第一节课开始——除非你真的是编程零基础。课程提供了明确的分层入口：
| 你的背景 | 建议起点 | 预估时间 |
|---|---|---|
| 编程零基础 | Phase 0（环境搭建） | ~306 小时 |
| 会 Python，不懂 ML | Phase 1（数学基础） | ~270 小时 |
| 懂 ML，不懂深度学习 | Phase 3（深度学习） | ~200 小时 |
| 懂深度学习，想搞 LLM/Agent | Phase 10（从零构建 LLM） | ~100 小时 |
| 资深工程师，只关注 Agent 工程 | Phase 14（Agent Engineering） | ~60 小时 |
找不准自己位置？ 仓库内置了 /find-your-level Skill，在 Claude Code 或 Cursor 中运行，10 道题定位你的真实起点，避免从错误阶段浪费时间。
Build It / Use It：为什么这套课程能真正留住知识
课程的核心教学模式叫 Build It / Use It 双轨制：
- Build It（手写实现）：从数学推导出发，用原始代码实现算法。比如手写反向传播、自己实现 Tokenizer、从零构建 Attention 机制。
- Use It（框架对照）：用 PyTorch 或生产级库跑同一个任务，对比框架封装了什么、优化了什么。
这种对照让你真正理解黑盒的内部逻辑。当你亲手实现过 ReAct 循环，再用 Claude Code 调试 Agent 卡死的问题时，你知道应该检查哪个环节——而不是换个模型重试。
实际案例：Phase 14 的 Agent 工程 Capstone 会产出一套完整的 Agent Workbench，可以直接用脚本植入你自己的项目：
# 将 Agent Workbench 框架注入你的项目
python3 scripts/scaffold_workbench.py path/to/your-repo
# 轻量版（跳过文档）
python3 scripts/scaffold_workbench.py path/to/your-repo --minimal
# 预览不写入
python3 scripts/scaffold_workbench.py path/to/your-repo --dry-run
你会得到已配置好的 AGENTS.md、任务看板 task_board.json、状态文件 agent_state.json，以及完整的初始化/验证/交接脚本。不是作业，是可直接用于生产的脚手架。
三个最值得重点学习的方向
1. Phase 14：Agent 工程（最实用，60 小时）
这是整套课程性价比最高的阶段，也是当前 AI 工程师需求最旺盛的技能点。你会从 ReAct 论文出发，手写 Agent Loop，实现持久化 Memory，最终完成 Agent Workbench Capstone。
为什么重要： 很多人用 Claude Code 或 Cursor 写 Agent，但遇到死循环或上下文溢出就束手无策。理解了 ReAct 的动作-观察-推理机制，你就能从架构层面设计出更可控的 Agent，而不是靠重新 Prompt 碰运气。
2. Phase 10–12：LLM 工程化三件套（100 小时）
从零复现 GPT 训练流程 → RAG 系统设计与评估 → Fine-tuning（LoRA、RLHF、DPO）。这三个阶段是目前招聘最集中的技能区间，也是区分"会用 LLM"和"懂 LLM 工程"的分水岭。
Phase 12 专门有 RAG 评估技术章节（Week 6 的 Evaluation Techniques），直接回答了开发者在落地时最头疼的问题：怎么量化 RAG 效果，而不是靠主观感受判断好坏。
3. Phase 13：工具与协议（包含 MCP）
Anthropic 的 Model Context Protocol（MCP）已成为 AI 工具链的事实标准。这个阶段教你如何构建符合 MCP 规范的 Server，让 Agent 真正获得"操作外部系统"的能力——查数据库、读 Jira、控制浏览器，而不只是生成文字。
完成这个阶段后，你产出的 MCP Server 技能文件可以直接通过 npx skills add 分发给团队，让所有人的 Agent 即时获得这个能力。
成本与约束：提前知道这几件事
时间成本是真实的。 320 小时不是虚标。完整路径包含：读懂问题 → 推导数学 → 写代码 → 跑测试 → 产出 Artifact。跳过数学推导直接抄代码，课程价值缩水 80%。
算力需求分阶段升级。 Phase 0–12 基本可以在笔记本（含 Apple M 系芯片）上完成。Phase 15–16 涉及 Swarm 多智能体和多模态，本地 CPU/MPS 可能吃力。官方标注课程整体"Laptop Friendly"，但 Capstone 项目建议预留云 GPU 预算。
语言主要是英文。 核心文档和社区讨论以英文为主。数学符号和代码注释的翻译准确性是风险点，建议关键章节对照原文阅读。
项目在高速迭代中。 AI 领域变化快，建议关注 Repo 的 Commit 频率和 Issue 区。仓库内置了 scripts/audit_lessons.py 验证课程完整性，CI 会自动拒绝过时内容的 PR——这是课程质量维护的工程化保障。
与其他学习路径的横向对比
| 维度 | ai-engineering-from-scratch | Microsoft GenAI for Beginners | LangChain / LlamaIndex 文档 |
|---|---|---|---|
| 核心目标 | 原理理解 + 可复用工程组件 | 标准化入门，代码实验室 | 快速构建应用原型 |
| 产出物 | 388 Skills + 99 Prompts + 可部署代码 | Codespace Lab + 证书 | 可运行的 Demo |
| 语言支持 | Python, TypeScript, Rust, Julia | 主要 Python | 主要 Python |
| Agent 深度 | 完整 Agent 工程阶段（Phase 14–16） | 基础 AI 应用 | 框架调用层 |
| MCP 支持 | Phase 13 专项（可产出 MCP Server） | 无 | 插件形式，无原理讲解 |
| 适合场景 | 底层优化、自定义 Agent、团队技能资产化 | 零基础入门、课堂教学 | 业务快速验证 |
我的建议：怎么用才不浪费
高效路径：不要从第一课开始，先做摸底测评。
# 安装定位技能，在 Claude Code 中运行
npx skills add rohitg00/ai-engineering-from-scratch --skill find-your-level
打开 Claude Code 或 Cursor，触发 /find-your-level，10 道题后你会知道应该从哪个 Phase 进入。
然后按这个策略推进：
- 选定一个你最近工作中遇到过真实问题的 Phase（比如你经常遇到 RAG 效果差 → Phase 12）
- 完成该 Phase 全部 Artifact，把产出的 Skills 文件装进你当前的工作项目
- 在真实任务中观察是否有改善，用数据而非感觉判断价值
- 向前或向后扩展相邻 Phase，而不是跳跃式乱挑
什么情况下你应该直接跳到 Phase 14：
- 你已经用 Claude Code 或 Cursor 开发过 Agent
- 你能说清楚 ReAct 是什么，但没有手写实现过
- 你需要在接下来 2 个月内把 Agent 工程能力提升到可以做架构决策的水平
60 小时，专注一个阶段，产出可落地的 Agent Workbench——这是这个课程性价比最高的使用方式。
最后
ai-engineering-from-scratch 不是印证"我学过 AI"的课程，而是解答"我遇到问题时我在哪"的地图。
7,500 Stars 背后没有营销预算，只有 55,000 个月均访客和 MIT 协议。如果它帮到了你，Star 它——这是课程维持更新的唯一来源。
GitHub 仓库： rohitg00/ai-engineering-from-scratch
在线阅读版： aiengineeringfromscratch.com
一键安装全部技能：npx skills add rohitg00/ai-engineering-from-scratch
评论(0)