从零开始的AI工程

项目定位

这是一个免费、开源且采用 MIT 许可证的 AI 工程学习项目，包含 542 节课程、20 个阶段，覆盖 Python、TypeScript、Rust 与 Julia。项目强调从底层实现模型内部机制、检索流水线和智能体运行时，并通过测试、故障分析与评估结果形成可复现的工程证据。

课程可按目标选择模型基础、LLM 系统、智能体与交付三条路线；也可通过网站、AI 编程助手或本地代码学习。推荐入口包括开发环境、提示工程和智能体循环。

核心学习方式

每个课程都要求阅读 docs/en.md、亲手编写关键代码、从仓库根目录运行命令，并保存命令、工作目录、退出码、重要输出及生成物。能够解释结果并完成一次小改动后，再继续下一课。

本地运行示例：

# 克隆并进入项目
git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
cd ai-engineering-from-scratch

# 执行环境预检
python3 phases/00-setup-and-tooling/01-dev-environment/code/verify.py --route beginner

# 运行无依赖的线性代数示例
python3 phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.py

预检工具会区分当前必需项与后续工具，并为失败项提供原因和修复命令。课程允许按已有基础跳阶段，但应保留完整证据链。

AI 助手与命令行接口

安装支持技能的可编程助手后，可用命令行工具安装课程技能：

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

安装时选择主机与技能目录。常用技能包括：

• start-learning：入门定位测验，生成个性化计划 LEARNING.md
• learn：按“概念—数学—代码—测验”教授课程并记录进度
• course-guide：根据问题定位具体课程
• learn-mcp：学习模型上下文协议，生成 MCP-LEARNING.md
• learn-agent-skills：学习智能体技能，生成 AGENT-SKILLS-LEARNING.md
• find-your-level：通过十道题确定起点和学习时长
• check-understanding <phase>：完成指定阶段测验

不同主机使用各自的调用语法，例如 Codex 使用 start-learning，Claude Code 使用 /start-learning。需要先确认 node、npx 和 python3 可用：

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

实战项目

检索评估实验室

使用 Python 3.10 及以上版本，实现排序验证、精确率、召回率和 NDCG 等排名敏感指标，并比较不同检索系统的逐查询变化。结果应保存判断数据、指标差值和回归报告；指标只能描述排序质量，不能直接证明答案正确。

python3 scripts/project_test.py retrieval-evaluation-lab \
  --init learning-artifacts/retrieval-evaluation-lab

python3 scripts/project_test.py retrieval-evaluation-lab \
  --all --path learning-artifacts/retrieval-evaluation-lab --strict

智能体追踪调试器

使用 TypeScript 和 Node.js 22.18 及以上版本解析 JSONL 轨迹，验证父子关系，计算区间耗时，并生成 HTML 时间线和 JSON 回归报告。需要保留每个跨度的独占令牌数，避免父子调用重复统计。

python3 scripts/project_test.py agent-trace-debugger \
  --init learning-artifacts/agent-trace-debugger

python3 scripts/project_test.py agent-trace-debugger \
  --all --path learning-artifacts/agent-trace-debugger --strict

工具调用防火墙

使用 Rust 和 Python 3.10 及以上版本验证调用封装、调用者角色、路径权限和单次审批凭证。审批必须绑定精确请求与内容，并在一次调用内消费。身份由调用方应用提供，模型只能提出操作，不能自行授予权限。

python3 scripts/project_test.py tool-call-firewall \
  --init learning-artifacts/tool-call-firewall

python3 scripts/project_test.py tool-call-firewall \
  --all --path learning-artifacts/tool-call-firewall --strict

审计回执应记录请求操作与策略判断，但不等同于持久授权或操作系统沙箱。

技术架构与课程体系

课程由数学基础逐层构建：环境与工具、数学、机器学习、深度学习、视觉、自然语言处理、语音、强化学习、Transformer、生成式 AI、从零构建 LLM，随后进入 LLM 工程、多模态、工具与协议、智能体、自主系统、多智能体、生产基础设施、伦理与对齐，最终完成综合项目。

适合不同背景的起点包括：

• 编程与 AI 新手：环境与工具阶段
• 熟悉 Python、机器学习新手：数学基础阶段
• 熟悉深度学习、准备学习 LLM：从零构建 LLM
• 资深工程师、专注智能体：智能体工程阶段
• 只学习 MCP：约 23 小时
• 只学习智能体技能：约 9.5 小时
• 只学习逆向工程：约 32.5 小时