从零学 AI 工程：503 课时的开源课程，3.6 万人 Star

从零学 AI 工程：503 课时的开源课程，3.6 万人 Star

GitHub 上有一份 AI 工程课程，Star 数超过了 36000。它叫 AI Engineering from Scratch，过去 30 天有 15 万人阅读，产生了 24 万次页面浏览。

这份课程的定位很明确：从线性代数开始，一路讲到自主智能体。503 节课，20 个阶段，大约 320 小时的学习量。支持 Python、TypeScript、Rust、Julia 四种语言。

大多数 AI 教程是碎片化的。一篇论文、一个微调技巧、一个 Agent 演示，各讲各的，串不起来。这份课程试图解决这个问题：20 个阶段层层递进，数学在底层，Agent 和生产部署在顶层。每个算法先用原始数学推导，再用框架实现。等 PyTorch 出场的时候，你已经知道它底层在做什么。

课程的 20 个阶段覆盖了 AI 工程的完整链条。Phase 0 是环境搭建，Phase 1 是数学基础（22 节），包括线性代数、概率论、信息论、傅里叶变换等。Phase 2 是经典机器学习（18 节），从线性回归到集成方法。Phase 3 是深度学习核心（13 节），从感知机开始，自己手写一个迷你框架，再引入 PyTorch 和 JAX。

后面的阶段越来越专：计算机视觉（28 节）、NLP（29 节）、语音与音频、Transformer、生成式 AI、强化学习、从零构建 LLM、LLM 工程、多模态、工具与协议、Agent 工程、自主系统、多智能体与集群、基础设施与生产、伦理与对齐，最后是毕业项目。

每节课的结构是固定的。先给一句话核心理念（MOTTO），再摆出具体问题，用图表和直觉讲解概念，然后动手从零构建（BUILD IT），接着用生产框架跑一遍同样的东西（USE IT），最后产出一个可复用的工具（SHIP IT）。产出物可以是 prompt、skill、agent 或 MCP server。

这个设计的关键在于 BUILD IT 和 USE IT 的拆分。你先自己实现算法的精简版本，再用 PyTorch 或 sklearn 跑生产级代码。因为小版本是你写的，所以框架在做什么你心里有数。

每节课结束后不是"恭喜你学会了 X"，而是一个你真正能用的东西。503 节课产出 503 个工具，装进你的日常工作流。课程提供了安装脚本，一条命令把所有 skill 装好。

课程还内置了两个 Agent 技能。一个是/find-your-level，十个问题帮你定位当前水平，规划个性化学习路径和时间预估。另一个是/check-understanding，每个阶段结束后做八道题测验，附带反馈和需要回顾的具体课程。

入门有三种方式。最简单的是直接在网站上阅读，不需要装任何东西。第二种是 clone 仓库到本地跑代码。第三种（推荐）是在 Claude、Cursor、Codex 等 AI 编辑器里用/find-your-level做水平测试，找到适合自己的起点。

前提条件只有一条：你能写代码（不限语言，Python 有帮助），并且想理解 AI 的实际工作原理，而不只是调 API。

整个课程开源，MIT 协议，代码和课程内容全在 GitHub 上。

开源，MIT 协议，代码和课程内容全在 GitHub 上。