ai-engineering-from-scratch - 学习它

README.md main

机器翻译正文由机器翻译自项目原始文档（英文），排版经程序统一处理，可能存在偏差，请以原项目仓库为准。

_{社区翻译，以英文原文为准 · aiengineeringfromscratch.com}

由 Agent Memory - #1 持久记忆 ⭐ 的创作者开发，自然适用于任何代理或聊天助手。

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

84% 的学生已经在使用 AI 工具，却只有 18% 觉得自己能专业地使用它们。 这套课程正是为了填补这道鸿沟。

523 节课。20 个阶段。约 342 小时。Python、TypeScript、Rust、Julia。每节课都产出一个可复用的成果：一个提示词、一个技能、一个智能体、一个 MCP 服务器。免费、开源、MIT 许可。

你不只是学 AI，你亲手把它造出来。从头到尾，全部手写。

_{114,584 读者 · 181,995 过去30天的页面浏览量 · 截至2026-08-29}

从这里开始：选择你想要构建的内容

在开始之前，你不需要扫描 523 节课。选择一个目标。每个链接都会打开 GitHub 或网站上的相同课程，这两个版本使用相同的课程代码。

你的目标	在 GitHub 学习	在网站学习
我是新手，想要完整的基础	第0阶段：设置和工具	开发环境
我懂 Python，想学习数学和机器学习基础	第1阶段：数学基础	线性代数直觉
我想构建生产级大语言模型应用	第11阶段：大语言模型工程	提示工程
我想构建代理	第14阶段：代理工程	代理循环
我想在真实仓库上使用编码代理	代理辅助工程路径	代理辅助工程
我想在实施前塑造正确的构建	产品判断与交付路径	产品判断与交付
我想使用模型上下文协议 (MCP) 构建	模型上下文协议 (MCP) 路线	模型上下文协议 (MCP) 路径
我想编写并发布代理技能	专注代理技能路线	代理技能路径
我想为Claude认证做准备	认证入门	认证学院

不确定你适合哪个？使用 start-learning 安排辅导或网站先决条件指南。

在 AI工程学习路径中比较四个核心领域和六条职业路线。

以相同的方式使用每一节课

阅读 docs/en.md 并用自己的话解释核心思想。
输入和构建重要代码，而不是把代码块当作装饰。
运行存储库根目录下的课程命令，该目录包含 README.md 和 phases/。
保留证据：命令、工作目录、退出代码、有意义的输出，以及你更改或生成的工件。
只有当你能解释输出并在不猜测的情况下进行一个小改动时才能继续。

课程页面中的命令都是相对于存储库根目录的路径，除非课程明确说明要更改目录。如果课程提供多种语言，请运行你正在学习语言的实现。

克隆它并生成你的第一份证据

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

预检将当前所需的要求与以后所需的工具分开。每个必需的故障都包括检测到的原因和纠正指令。第二条指令是一个无需依赖的课程，并以展示矩阵乘向量是在神经网络层中进行的操作作为结尾。将该终端输出保存为你的第一条证据。

在30秒内添加AI导师

如果已安装 Node.js、npx 和具备技能的编码代理，你的编码代理可以通过两个命令成为你的导师。安装或阅读导师不需要克隆仓库。可运行的聚焦路径实验需要 python3。代理技能托管实验还需要选择一个主机以及可写的用户或项目技能范围。

首先检查本地要求：

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

然后安装课程技能，并在安装程序提示时选择你打算使用的主机和范围：

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

调用语法属于主机，而不是可移植的 SKILL.md 格式：

主机	开始课程	开始模型上下文协议（MCP）	开始代理技能	进行阶段测验
Codex	`start-learning`，或从 `/skills` 中选择	`learn-mcp`，或从 `/skills` 中选择	`learn-agent-skills`，或从 `/skills` 中选择	`check-understanding 13`，或从 `/skills` 中选择
Claude Code	`/start-learning`	`/learn-mcp`	`/learn-agent-skills`	`/check-understanding 13`
其他兼容主机	`Use start-learning to begin the course.`	`Use learn-mcp to start the Model Context Protocol (MCP) path.`	`Use learn-agent-skills to start the Agent Skills Engineering path.`	`Use check-understanding to quiz me on Phase 13.`

十题入门测验将你已有的知识映射到一个起始阶段，并将个性化学习计划保存到 LEARNING.md。从那里，learn 技能每次会话教授一节课：概念、数学、代码、测验。它从此仓库直接流式传输课程，而 course-guide 技能让你直接跳到涵盖你卡住内容的课程。在 Codex 中，通过 learn 和 course-guide 调用这些技能；在 Claude Code 中，使用 /learn 和 /course-guide；在其他兼容主机中，按名称请求使用技能。

只想要模型上下文协议（MCP）？请使用你主机的 MCP 调用。它会创建 MCP-LEARNING.md 并遵循一条 17 节课路线，涵盖无状态请求、传输、双向工作、安全性、可靠性、注册治理和合规性证据。确切顺序和检查点在模型上下文协议（MCP）清单中。

只想要代理技能？请使用你主机的代理技能调用。它会创建 AGENT-SKILLS-LEARNING.md 并遵循一条连贯的五节课路线：合同、发现、调用、沙箱边界，然后是发布评估和真实主机可移植性。请在网页上开始使用代理技能路径。

安装程序会列出可以配置的主机并询问安装位置。如果你尚未安装 Node.js、npx、python3、支持的主机或可写范围，请使用网站或手动阅读 docs/en.md。该路径教授概念，但真实主机的发现、调用、脚本和卸载证据仍需等待预检可用。阅读课程请访问 aiengineeringfromscratch.com。

运作方式

大多数人工智能教材都是零散的。这里一篇论文，那里一个微调教程，再有一个炫目的代理演示。这些零散材料很少能连贯起来。你发布了一个聊天机器人，却无法解释它的损失曲线。你给一个代理挂了一个函数，却说不出调用它的模型内部的注意力机制是怎么工作的。

这个课程就是脊柱。20个阶段，523节课，四种语言：Python、TypeScript、Rust、Julia。从线性代数开始，到自主群体结束。每一个算法都先从原始数学构建起来。反向传播。分词器。注意力机制。代理循环。当PyTorch出现时，你已经知道它在底层做什么了。

每节课都遵循相同的循环：阅读问题，推导数学公式，编写代码，运行测试，保留成果。不看五分钟视频，不复制粘贴部署，不有人手把手指导。免费、开源，并且可以在你自己的笔记本上运行。

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

课程的整体结构

二十个阶段层层叠加。数学是地板。代理和生产是屋顶。如果你已经了解了下层，可以跳过，但不要跳过后又奇怪为什么顶部的东西会出问题。

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'12px'}}}%%
flowchart TB
  P0["Phase 0 — Setup &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

每个课程都存放在自己的文件夹中，并且整个课程的结构相同：

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

每节课都遵循六个步骤。构建它 / 使用它 的分拆是主线——你首先从零实现算法，然后再通过生产库运行相同的程序。你理解框架在做什么，因为你自己编写了较小的版本。

%%{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>"]

快速开始

三种入门方式，任选其一。

选项 A — 在你的终端学习 (推荐)。 在完成上述 Node.js、npx、主机和作用域预检后，将学习技能安装到兼容的代理中，并让课程自行运行：

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

请使用上面的主机特定调用表。已安装的技能提供 start-learning、learn、course-guide，以及重点的 learn-mcp 和 learn-agent-skills 路线。课程内容可以直接从此存储库流式传输，无需克隆。对于复制的存储库代码命令以及可执行的 MCP 或代理技能实验，需要本地克隆。进度存储在你项目中的 LEARNING.md、MCP-LEARNING.md 或 AGENT-SKILLS-LEARNING.md 中，因此每个会话都可以从上次位置继续。

选项 B — 阅读。 打开 aiengineeringfromscratch.com 上的任何完成课程，或在 Contents 下扩展某个阶段。无需设置，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

克隆还会自动加载 Claude Code 中的学习技能，并将每节课的代码提供给 learn 导师进行实际执行，而不是跟着阅读。

先决条件

你可以编写代码（任何语言；Python 有帮助）。
你想理解 AI 实际如何工作，而不仅仅是调用 API。

准备 Claude 认证

Claude 认证学院是一个免费的开源准备程序，涵盖四个官方 Claude 认证路径：初级基础、开发者基础、架构师基础和架构师专业。每条路线都结合了蓝图映射课程、可运行实验、诊断、顶点项目以及完整长度的原始模拟考试。

使用 AI 原生 GitHub 入门指南搭配 Claude Code、Codex、ChatGPT、Cursor 或其他代理。可在 Codex 中运行 claude-certification，在 Claude Code 中运行 /claude-certification，或请求其他主机使用 claude-certification。它会选择路径，在 CLAUDE-CERTIFICATION.md 中创建持久路线，一步步教学，运行真实实验，并提供基于成果的反馈。同样的课程内容可在认证网站上获取。

本学院是基于公开考试目标的独立学习材料。它与 Anthropic 无关，不会复现真实考试题目，并且不能保证通过成绩。

学习技能

技能	功能
`start-learning`	一次性入门：了解你在学什么，测评测验，个性化计划保存到 `LEARNING.md`。
`learn`	教师循环。先热身回忆，然后互动教授下一课，再进行测验；记录进度和复习队列。
`course-guide`	主题路由。“我从哪里学到注意力？”或“我的损失值是 NaN” → 提供精确课程及链接。
`learn-mcp`	聚焦模型上下文协议（MCP）导师。创建 `MCP-LEARNING.md`，遵循 17 课纲单，记录线路、安全、可靠性及合规证据。
`learn-agent-skills`	聚焦代理技能导师。创建 `AGENT-SKILLS-LEARNING.md`，教授课程 22、24、25、26 和 27，并记录真实主机证据。
`claude-certification`	认证导师。选择 CCAO-F、CCDV-F、CCAR-F 或 CCAR-P；教授每门课程；运行实验；审核成果；执行诊断和模拟测试；保存进度。
`find-your-level`	十题分级测验。将您的知识映射到起始阶段，并生成包含小时估算的个性化学习路径。
`check-understanding <phase>`	每阶段测验，八道题，提供反馈和具体复习课程。在上方调用表中使用 Codex、Claude Code 或自然语言形式。

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

将核心课程当作一本书来阅读

在 phases/ 下的 20 阶段核心课程汇编成六卷书系列。EPUB 和 PDF 由 CI 从相同的核心课程源构建，并附加在每个 GitHub 发布上；下面的链接总是指向最新的发布。卷号表示系列索引，而非版本：每本书都标有日期版本章，旧版本仍可从其发布页面下载。

认证课程故意不转换成书籍。它们的 AI 导师状态、可运行实验、互动图表、诊断和限时模拟考试仍然在 GitHub 和网站上保持一流的体验。

卷	标题	阶段	下载
1	基础 · 数学、工具和经典机器学习	00-02	EPUB · PDF
2	深度学习 · 网络、视觉与语音	03, 04, 06	EPUB · PDF
3	语言 · NLP 基础与 Transformer	05, 07	EPUB · PDF
4	大语言模型 · 生成、强化、预训练与工程	08-11	EPUB · PDF
5	代理 · 多模态、协议、自主性与群体	12-16	EPUB · PDF
6	生产 · 基础设施、安全与顶点项目	17-19	EPUB · PDF

书籍是快照；此仓库是活的版本。每章末尾都提供返回课程动画图表、测验和可运行代码的链接。本地构建请使用 python3 scripts/build_book.py（需要 pandoc）；流水线详情见 book/README.md。

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

每节课都有产出

其他课程以“恭喜，你学会了X。”结束。而这里的每一课都以一个可重复使用的工具结束，你可以将其安装或粘贴到你的日常工作流程中。

_{FIG_001 · A} PROMPTS	_{FIG_001 · B} SKILLS	_{FIG_001 · C} AGENTS	_{图_001 · D} MCP 服务器
将其粘贴到任何 AI 助手中，以在特定任务上获得专家级帮助。	将其投入到 Claude、Cursor、Codex、OpenClaw、Hermes 或任何可读取 `SKILL.md` 的代理中。	部署为自主工作者——你在第 14 阶段自己编写了循环。	插入到任何 MCP 兼容客户端中。在第 13 阶段完成端到端构建。

使用 python3 scripts/install_skills.py <target> 安装整个套件。真正的工具，而不是作业。
在课程结束时，你将拥有 523 个你真正理解的作品，因为都是你亲手制作的。

FIG_002 · 一个完整的示例

第14阶段，第1课：代理循环。~120 行纯 Python，无依赖。

**`code/agent_loop.py`** _{build it} ```python 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`** _{ship it} ```markdown --- 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`** ```markdown You are an agent debugger. Given the trace of an agent run, identify the step where the agent went wrong and explain why... ```

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

工具箱

每节课都会产生一个可重复使用的成果。到最后，你将拥有：

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

将它们插入 Claude、Cursor、Codex、OpenClaw、Hermes，或任何可以读取 SKILL.md / AGENTS.md 目录的代理中。真正的工具，不是作业。

将课程技能安装到你的代理中

两套技能，两种安装器：

学习技能（start-learning、learn、course-guide、learn-mcp、learn-agent-skills、claude-certification、find-your-level 和 check-understanding）位于 skills/ 下，并可以通过一个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 会写入在安装过程中选择的主机和范围，例如 .claude/skills/、.cursor/skills/、.codex/skills/ 或其他受支持的技能文件夹。请验证所选的主机能够发现该确切目标。

课程工件。 该仓库提供 396 个技能和 99 个提示，位于 phases/**/outputs/ 下；通过 scripts/install_skills.py 安装它们。需要克隆该仓库。支持标签过滤、试运行以及每个代理的布局：

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> 是您代理的技能目录（示例：~/.claude/skills/、~/.cursor/skills/、~/.config/openclaw/skills/、.skills/，或任何代理读取的路径）。

默认情况下，脚本会拒绝覆盖现有目标，并在列出每个冲突路径后以代码 1 退出。使用 --dry-run 预览冲突，或使用 --force 覆盖。每次非干运行操作会在目标中写入一个 manifest.json，包含按类型和阶段分组的完整清单。选择您的代理读取的布局：

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

将代理工作台放入您自己的仓库

第 14 阶段的顶点项目提供了可重用的代理工作台包（AGENTS.md、schemas、init / verify / handoff 脚本）。可将其在任何仓库中搭建使用：

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

你需要将七个工作台表面连接好，拿到一个起始的 task_board.json，以及一个新的 agent_state.json 在 schema_version: 1。然后：编辑任务，编辑 AGENTS.md，运行 scripts/init_agent.py，把合同交给你的代理。包源代码位于 phases/14-agent-engineering/42-agent-workbench-capstone/outputs/agent-workbench-pack/。

以 JSON 方式浏览整个课程

scripts/build_catalog.py 遍历每个阶段、每节课以及磁盘上的每个工件，并在仓库根目录写入 catalog.json。一个文件，包含每门课程的全部信息。

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

目录是基于文件系统生成的，而不是基于 README 生成的，因此计数总是与磁盘上的实际内容匹配。可将其用于站点构建、下游工具，或验证 README 中的计数未发生偏差。模式在脚本顶部有文档说明。

一个 GitHub Action（.github/workflows/curriculum.yml）在每次 PR 时都会重建 catalog.json，如果提交的文件过期则会使构建失败。在编辑任何课程后，运行 python3 scripts/build_catalog.py 并提交结果，否则 CI 将拒绝 PR。相同的工作流程在仅警告模式下运行 audit_lessons.py（因此现有偏差不会阻止贡献者）。

对每节课的 Python 代码进行初步检查

scripts/lesson_run.py 对每节课的 code/ 目录下的每个 .py 文件进行字节编译。默认模式仅进行语法检查——不执行、不使用 API 密钥、不依赖重型 ML 库。可捕捉贡献者最常引入的回归（错误的缩进、损坏的 f-string、零散的编辑）。

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 运行每节课的 code/main.py（或第一个 .py 文件），超时时间为 10 秒。入口文件以 # requires: pkg1, pkg2 注释开头且列出非标准库依赖的课程将被跳过，原因是 needs <deps>。该脚本为自愿使用，并未与持续集成（CI）连接。

仅标准库，Python 3.10。设置 LINK_CHECK_SKIP=domain1,domain2 以覆盖默认跳过列表（twitter.com、x.com、linkedin.com、instagram.com、medium.com——这些域名会积极阻止自动化 HEAD/GET 请求）。

从哪里开始

背景	起始于	预计时间
编程和人工智能新手	阶段0 — 设置	约306小时
会Python，机器学习新手	阶段1 — 数学基础	约270小时
会机器学习，深度学习新手	阶段3 — 深度学习核心	约200小时
会深度学习，想学习大型语言模型和智能体	阶段10 — 从零开始的LLM	约100小时
高级工程师，只想学习智能体工程	阶段14 — 智能体工程	约60小时
只想构建生产级MCP系统	模型上下文协议(MCP)路径	约23小时15分
只想构建生产级智能体技能	智能体技能工程路径	约9.5小时

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

为什么这在当下很重要

_{图_003 · A} 行业信号	_{图_003 · B} 覆盖的基础论文
> "The hottest new programming language is English." > — Andrej Karpathy ([tweet](https://x.com/karpathy/status/1617979122625712128)) > > “软件工程正在我们眼前被重塑。” > — Boris Cherny，Claude Code 的创造者 > > “模型将会不断变得更好。能够复利积累的技能是知道该构建什么。” > —— 行业共识，2026	- 注意力就是一切 — Vaswani 等人, 2017 → [阶段 7]( #phase-7 ) - 语言模型是少样本学习者 (GPT-3) → [阶段 10]( #phase-10 ) - 去噪扩散概率模型 → [阶段 8]( #phase-8 ) - InstructGPT / RLHF → [Phase 10](#phase-10) - 直接偏好优化 → [阶段 10]( #phase-10 ) - 链式思维提示 → [阶段 11]( #phase-11 ) - ReAct: 在大语言模型中的推理与行动 → [阶段 14]( #phase-14 ) - 模型上下文协议 — Anthropic → [阶段 13]( #phase-13 )

_{图_003 · A}
行业信号

_{图_003 · B}
覆盖的基础论文

> *"The hottest new programming language is English."*
> — **Andrej Karpathy** ([tweet](https://x.com/karpathy/status/1617979122625712128)) > > *“软件工程正在我们眼前被重塑。”*
> — **Boris Cherny**，Claude Code 的创造者 > > *“模型将会不断变得更好。能够复利积累的技能是**知道该构建什么**。”*
> —— 行业共识，2026

- *注意力就是一切* — Vaswani 等人, 2017 → [阶段 7]( #phase-7 ) - *语言模型是少样本学习者* (GPT-3) → [阶段 10]( #phase-10 ) - *去噪扩散概率模型* → [阶段 8]( #phase-8 ) - *InstructGPT / RLHF* → [Phase 10](#phase-10) - *直接偏好优化* → [阶段 10]( #phase-10 ) - *链式思维提示* → [阶段 11]( #phase-11 ) - *ReAct: 在大语言模型中的推理与行动* → [阶段 14]( #phase-14 ) - *模型上下文协议* — Anthropic → [阶段 13]( #phase-13 )

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

参与贡献

目标	阅读
贡献一节课或修复	CONTRIBUTING.md
为你的团队或学校分叉	FORKING.md
Lesson template	LESSON_TEMPLATE.md
Track progress	ROADMAP.md
Glossary	glossary/terms.md
行为准则	CODE_OF_CONDUCT.md

在提交课程之前，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

当任一规则失败时，退出代码为非零。规则（L001–L010）验证目录结构、docs/en.md 的存在、H1、code/ 的非空、quiz.json 的模式（拒绝导致问题 #102 的旧版 q/choices/answer 键），以及课程文档中的相对链接。

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

许可证

MIT 许可。随你怎么用：复刻、教学、出售、发布都行。欢迎署名，但并非必须。

由 Rohit Ghumare 和社区共同维护。

_{@ghumare64 · aiengineeringfromscratch.com · Report / Suggest}

本文标题：ai-engineering-from-scratch - 学习它
本文链接：https://cn121.com/llm/rohitg00-ai-engineering-from-scratch.html
原项目：rohitg00/ai-engineering-from-scratch　版权归原作者 rohitg00 及贡献者所有
收录信息：本站于 2026-09-23 收录本项目，本页所列协议与仓库指标均为收录当时的状态；该日期之后原项目的版本更新与协议变更，本页不作同步。
开源协议：收录时本项目采用 MIT（查看 LICENSE 原文），本站译文为其衍生内容；使用、修改、分发请以该仓库 LICENSE 原文为准。
站点出处：本文首发于 OneTwoOne，收录自 GitHub 开源项目 rohitg00/ai-engineering-from-scratch。
翻译说明：本页正文为人工智能生成内容——由机器翻译对原项目 README 初译、经程序校验排版，可能存在错漏，请以原项目文档为准。
引用声明：商业转载、第三方聚合或 AI 检索训练引用时，请务必保留以上来源出处、本文永久链接，以及原项目的版权声明与许可信息。
下架通道：若原项目此后变更或收紧了许可协议、或作者／权利人认为本站的收录方式（译文、排版适配、简介翻译等）超出其授权范围，请通过 xyd3302001@163.com 发送下架通知，并附上项目地址与本页链接。本站核实后将第一时间删除本页内容，或改为不复制原文的目录性收录；署名更正等其他要求可一并提出。