由智慧养成的习惯，能成为第二天性。——培根

https://github.com/rohitg00/ai-engineering-from-scratch

当一门课程不满足于教你“会用 AI”，它开始逼你亲手造 AI：ai-engineering-from-scratch 观感全记录

有些 AI 学习项目像导游，带你走马观花；有些像讲师，给你一堆概念；还有一些，像不讲情面的工头，卷起袖子把你拽进工地，指着钢筋水泥说：别只看，自己上手。

ai-engineering-from-scratch 就是最后这一种。

它的 GitHub description 很短，却有一种很利落的狠劲：Learn it. Build it. Ship it for others. 这不是一句温柔的学习口号，更像是三记连续出拳。先学明白，再亲手做出来，最后还要把它变成别人也能用的东西。它不接受“懂一点原理、会一点调用、做几个 demo 就算入门”的安慰剂式学习路径，而是直奔更严肃的问题：如果你真的想做 AI 工程师，你能不能从零开始，把东西搭起来、交出去、跑起来、复用起来。(github.com)

而这个仓库最有魅力的地方，恰恰在于它不像一个只会喊理想的热血少年，它更像一个已经把课程表、工具箱、验收标准、输出格式、上线清单全部排好的人，然后回头对你说：来，我们不空谈，现在正式开工。(github.com)

它不是在教你“怎么更好地使用 AI 工具”，而是在教你怎么成为 AI 工程的搭建者

README 一开头就给出了一个非常扎心、也非常现实的判断：84% 的学生已经在使用 AI 工具，但只有 18% 觉得自己已经为职业化使用做好准备。这个 curriculum 的存在，就是为了补上这道鸿沟。 这句话像一面镜子，照出了今天很多人的真实状态：会问、会调、会套模板，但一到要落地为产品、系统、工作流、可交付资产时，手就开始发虚。(github.com)

所以 ai-engineering-from-scratch 干脆不绕弯子。它告诉你，这不是一个“带你了解 AI 趋势”的资源合集，而是一套完整课程：473 节课、20 个阶段、约 320 小时，覆盖 Python、TypeScript、Rust、Julia。更重要的是，每一课都会产出一个可复用的工件：prompt、skill、agent 或 MCP server。 这一下，味道就完全不一样了。(github.com)

很多课程结束时，学生得到的是“我学过”；而这个项目想让你最后拿到的是“我做过，而且我留下了东西”。这是一种非常工程师化的价值观。知识不是在脑子里打转，而是要变成文件、变成目录、变成脚本、变成工作流、变成别人也能继续拿去用的东西。(github.com)

如果把一般教程比作带你参观厨房，那么 ai-engineering-from-scratch 更像直接给你围裙、锅铲、食材、出餐单和卫生检查表，然后说：今天别点评别人做得好不好，今天你自己掌勺。

这门课最可怕也最迷人的地方，是它特别“不碎片化”

README 里对很多 AI 学习材料做了一个很精准的总结：现在市面上大量内容都是碎片化的，东一篇论文解读，西一篇 fine-tuning 教程，中间再夹一个炫目的 agent demo。看着热闹，学着也容易上头，但真正落到系统构建时，就会发现自己像捡了一堆高级零件，却不会组装成一台能启动的机器。(github.com)

而这个仓库最用力的一件事，就是反碎片化。

它没有把 AI 工程拆成散落在时间线里的热词，而是按 phase 组织，按课程节奏推进，按产物沉淀。你不是今天学一点 prompt engineering，明天看一眼 RAG，后天又被 Agent、MCP、eval、memory、tool use、diffusion、RLHF 拽走；在这里，它们不是互相抢戏的流量词，而是按施工顺序进场的工种。有人打地基，有人走水电，有人封墙，有人验收，最后要的是一栋房子，而不是一堆看起来很先进的建材。(github.com)

这也是为什么它读起来特别像一门真正意义上的“工程课程”，而不是一份“AI 时代不能错过的学习清单”。

它的核心态度很鲜明：你不是只学 AI，你要手工把 AI 一层层搭出来

README 里有一句非常能代表项目气质的话：You don’t just learn AI. You build it. End-to-end. By hand. 这句话简直像焊在仓库气质上的总开关。(github.com)

“Learn it” 还比较常见。
“Build it” 已经开始提高要求。
“End-to-end. By hand.” 才是真正露出锋芒的部分。

它不想让你停留在“会用框架、会调 SDK、会接 API”的舒适区，而是把你往更底层的理解和更完整的交付上推。它像一个有点严格但真心为你好的老师，站在工位旁边说：你当然可以直接套现成服务，但你至少要知道里面的骨架长什么样；你当然可以依赖平台，但你得有能力从头把一条链路重新搭一遍。(github.com)

这种学习方式最难的地方，不是知识量大，而是它要求你形成一种“产出习惯”。每一节课都不是看完就算，它默认你要把东西做出来，留下痕迹，能被后续系统读取，能被 agent 继续利用，能被 workflow 复用。时间久了，你会发现它在训练的不只是 AI 技术，而是一种现代 AI 工程师非常关键的肌肉：把思路变成资产，把实验变成模块，把个人经验变成团队可消费的基础设施。(github.com)

这个仓库最聪明的一点，是它不把“作业”当终点，而把“可复用资产”当终点

README 里有个特别重要的部分叫 The toolkit。这里它直接亮出了课程的产出结构：每一课都会生成可复用工件，最终你会得到 outputs/prompts/ 和 outputs/skills/。前者装的是各类 AI 任务的 prompt 模板，后者装的是给 AI coding agents 使用的 SKILL.md 文件。 (github.com)

这意味着什么？

意味着这套课程不是在让你做“学习型作品”，而是在逼你形成“生产型产物”。

普通课程很像一次性的烟花，课堂上很亮，课后就散。这个仓库则更像一间手工铺子，每上一节课，桌面上都多一把磨好的工具。今天做 prompt 模板，明天做 skill，后天做 agent，再后天做 MCP server。你不是在堆笔记，而是在慢慢组装一套属于自己的 AI 工程工具库。(github.com)

这很像一个特别懂长期主义的项目在对学习者耳提面命：别把知识学成一阵风，要把它学成仓库、目录、脚本和标准。今天你为一节课写下的 SKILL.md，明天可能就会进入 Claude、Cursor、Codex 或其他 agent 的工作流里继续发光。(github.com)

知识在这里不再是“看过”，而是“被安装过、被调用过、被复用过”。

它连“怎么把课程成果接到真实 Agent 里”都替你铺好了路

这个仓库最让人拍案的一点，是它不是停留在“课程内部自洽”，而是把输出结果和真实 Agent 生态打通了。

README 写得很明确：仓库内已经带有 382 个 skills 和 99 个 prompts，分布在 phases/**/outputs/ 里。而这些成果可以直接通过 npx skills add 安装到支持 SKILL.md / AGENTS.md 的 Agent 工具中，比如 Claude、Cursor、Codex、OpenClaw、Hermes 等。(github.com)

这一步非常关键。

很多课程像在训练场里跑步，跑得再快也还在场内；ai-engineering-from-scratch 则像跑到一半突然把训练场大门打开，对你说：别只在这里练，把你练出来的东西带到真实比赛里去。(github.com)

它不是要你在课程结束后再自己想办法迁移成果，而是一开始就把“课程产出如何接入实际 agent 工作流”写进了设计里。这个仓库在这件事上像一个经验老到的产品经理，特别清楚学习者最容易卡在哪里，所以索性把最后一公里也一起修好。

最让人兴奋的快速开始，往往就藏在最朴素的命令里

如果一个仓库真想让人动手，它的快速启动一定不能虚。ai-engineering-from-scratch 在这方面很干脆，README 直接给出了最实用的用法。

一次性安装整个课程的 skill 到你的 Agent 里

1
npx skills add rohitg00/ai-engineering-from-scratch

只安装某一个 skill

1
npx skills add rohitg00/ai-engineering-from-scratch --skill agent-loop

只安装某一个 phase 的内容

1
npx skills add rohitg00/ai-engineering-from-scratch --phase 14

README 还特别说明，skills 会自动写入你的 Agent 可识别目录，比如 .claude/skills/、.cursor/skills/、.codex/skills/、OpenClaw 的 skills 文件夹、Hermes 的 bundle 路径，或者任何支持 SKILL.md 的目标路径。默认还会拒绝覆盖已存在内容，并在发生冲突时退出；你可以用 --dry-run 预演，用 --force 覆盖。每次非 dry-run 安装还会写一个 manifest.json，按类型和 phase 记录完整清单。(github.com)

这一整段设计很有一种“课程成果不是展示品，而是要进生产工具箱”的严肃感。它不满足于你知道有多少技能，而是希望这些技能真的住进你的日常工作流里，成为你和 Agent 协作时的长期搭档。(github.com)

如果把别的课程比作“发讲义”，这个仓库更像在课后直接往你工具箱里塞一整排能上岗的扳手、钳子和测试仪。

它甚至把“Agent 工作台”整个打包给了你

README 提到，Phase 14 的 capstone 提供了一个可复用的 Agent Workbench pack，包括 AGENTS.md、schemas，以及 init / verify / handoff 脚本。更妙的是，它还给出了脚手架命令，你可以把这整套工作台直接 scaffold 到自己的仓库中：(github.com)

1
python3 scripts/scaffold_workbench.py path/to/your-repo

这一幕特别像什么呢？

像一位经验丰富的前辈，不只是把自己工位上的工作方法讲给你听，而是干脆把整张工桌、抽屉标签、交接模板、检验单、工具摆放规则一起搬给你。你不是从零摸索“团队里的 Agent 协作环境应该怎么搭”，而是可以直接拿到一套已经被课程打磨过的工作台。(github.com)

这说明这个项目的野心并不止于教学，它还在输出方法论和团队级协作资产。它教的不是“做一个 AI demo”，而是“如何把 AI 工程作为一整套可以迁移、可以复制、可以交接的体系来搭建”。

它还很认真地管理课程本身，像在维护一个产品，而不是一份资料包

越看 README，越能感觉这个仓库对“课程即产品”这件事有多认真。

它提到有一个 catalog.json，而且这个 catalog 是从文件系统派生出来的，不是从 README 手工统计出来的，所以数量始终和磁盘上的真实内容一致。这可以用于网站构建、下游工具，或者校验 README 中的统计数字有没有漂移。与此同时，仓库里还有一个 GitHub Action curriculum.yml，会在每次 PR 时重建 catalog.json，如果提交的文件是旧的，CI 会直接失败。README 还明确提醒：修改任何 lesson 后，要运行 python3 scripts/build_catalog.py 并提交结果，否则 CI 会拒绝 PR。(github.com)

这一段看似是维护细节，实际上特别能说明这个项目的底色。

它不是“我先写一堆内容，再慢慢补文档”的松散型仓库，而是像一个很讲秩序的管理员，手里拿着清单、目录、索引和门禁卡，确保每一个 lesson 都能被发现、被计数、被验证、被追踪。它知道，一个 473 课时、20 phase 的大项目如果没有系统化治理，很快就会变成一座看起来壮观、进去却容易迷路的仓库迷宫。(github.com)

所以它主动把“目录治理”“构建校验”“提交一致性”都写进了日常维护里。这种做法非常工程，也非常成熟。

它连最容易被忽略的“课程代码别坏掉”这件事都做了防守

README 还提供了一个非常实用的脚本：scripts/lesson_run.py。它的作用是对每个 lesson code/ 目录下的 .py 文件进行字节编译检查。默认模式只做语法检查，不执行代码，不需要 API key，也不需要沉重的机器学习依赖，主要是为了抓住贡献者最容易带进来的回归问题，比如缩进错了、f-string 写坏了、顺手改出语法错误之类。(github.com)

用法也非常直接：

1
python3 scripts/lesson_run.py
1
python3 scripts/lesson_run.py --phase 14
1
python3 scripts/lesson_run.py --json
1
python3 scripts/lesson_run.py --strict
1
python3 scripts/lesson_run.py --execute

README 还说明，--execute 会运行每节课的 code/main.py 或第一个 .py 文件，并设置 10 秒超时；如果入口文件开头有 # requires: pkg1, pkg2 这样标注非标准库依赖的注释，这节课就会被跳过，并标记为 needs <deps>。整个脚本只依赖 Python 3.10+ 标准库，而且默认并未接入 CI，属于手动启用的检查工具。(github.com)

这很像课程仓库里自带了一个巡逻保安。它不负责教课，但它会在夜里挨个教室拧门把手，确保窗没坏、灯没炸、白板没塌。很多开源教育项目容易在增长后失去质量控制，而这里显然是想尽量把最常见的“低级损坏”挡在门外。(github.com)

它和那些“学完就散”的课程最大不同，是它真的想把你送到交付现场

从 description 到 README，这个仓库不断重复一个核心逻辑：不是只“学”，而是“构建”，不是只“构建”，而是“交付给别人使用”。这最后一步特别关键。(github.com)

因为很多人学 AI，最容易忽略的是“可交付性”。自己本地跑通不等于工程完成；Notebook 里一时漂亮不等于系统可靠；给自己看的 prompt 不等于团队能复用的 asset。ai-engineering-from-scratch 对这件事很清醒，所以它从一开始就把“ship it for others”写进项目灵魂里。(github.com)

也就是说，这门课不是想让你成为“很懂 AI 的使用者”，而是想把你训练成“会把 AI 能力组织成产品、资产和工作流的人”。这听起来像只是多了一层要求，实际上是整套学习哲学的区别。

一个只关注自己会不会的人，会停留在体验层。
一个知道最终要交给别人用的人，才会开始关心稳定性、目录结构、规范、校验、文档、安装方式、兼容路径、冲突处理、可发现性。

而这个仓库几乎把这些关键词全都覆盖到了。(github.com)

那些引用的经典论文，不是在装点门面，而是在悄悄标注路线图

README 里还列出了一组非常有代表性的论文与对应 phase，比如：

  • Attention Is All You Need → Phase 7
  • GPT-3 → Phase 10
  • DDPM → Phase 8
  • InstructGPT / RLHF → Phase 10
  • Direct Preference Optimization → Phase 10
  • Chain-of-Thought → Phase 11
  • ReAct → Phase 14
  • Model Context Protocol → Phase 13 (github.com)

这些名字一摆出来，能看出这个项目不是把工程和研究割裂开来。它并没有说“我们这里只做实战，不谈理论”，也没有反过来堆一堆论文让你自己悟。它更像一位很会排兵布阵的教练，把经典研究节点按学习旅程嵌入进去，让你知道：你今天在课程里搭的东西，不是从空气里冒出来的，它们背后是这些思想链条一路长出来的。(github.com)

这就让整个仓库多了一种纵深感。你不是在跟着一个短期热点起舞，而是在沿着 AI 演化史中的关键脉络，一边学原理，一边做工程，一边留下可复用资产。

如果要用拟人化的方式来形容这个仓库，它像一个特别有执行力的总工程师

它站在你面前，不会先递给你鸡汤，而是先递给你施工图。

它看着那些只会“问模型要答案”的学习方式，像看见一群只会站在厨房门口点评火候的人，于是皱皱眉，把围裙塞进你怀里：别光闻香味，自己下锅。

它又很像一个仓储管理员，手里永远有账本。多少 lessons、多少 phases、多少 prompts、多少 skills、哪些文件漂移了、哪些 catalog 该更新、哪段代码语法坏了，它心里全有数。你会觉得它有点严格，但正是这种严格，让这门课不像一场热闹的展会，而像一条真的能跑出产品和人才的流水线。(github.com)

它还像一个经验丰富的老师傅，从不迷信“我讲过了你就会了”。它知道真正会，必须是你自己装过、拆过、试过、错过、修过、验过、交付过。所以它不厌其烦地让每一课都产出工件，让每一种能力都留在目录里，让每一份学习都变成未来可以继续工作的部件。(github.com)

这个项目的吸引力，在于它让“AI 工程”终于不再像一句空话

这几年，“AI 工程”几乎已经成了一个谁都能说两句的词。有人拿它指代调 API，有人拿它指代 prompt，有人拿它指代 agent orchestration，也有人把一切和模型沾边的开发都归进去。

但 ai-engineering-from-scratch 提供了一种更扎实的定义方式：如果它真是工程，那就应该有课程结构、有阶段目标、有实际代码、有可复用产物、有安装路径、有质量检查、有 CI 约束、有能交给别人继续用的工作台。(github.com)

它像在说：别把工程只理解成“代码写得多”，工程是把能力组织起来，把结果沉淀下来，把过程标准化，把产物交付出去。

这也是为什么这个仓库会让人产生一种很强的信任感。它不是靠话术说服你，而是靠结构说服你。只要你认真看一遍 README，你就能感受到这里不是在搭一个“看起来很完整”的知识橱窗，而是在修一条真正能把学习者送进 AI 工程现场的路。(github.com)

它适合谁

如果你只是想快速知道几个 AI 热词、摸几个现成平台、体验几个酷炫 demo，这个仓库对你来说可能有点太硬了。473 课、20 phases、约 320 小时，这不是一个周末轻松打卡型项目，它更像一段正式的远征。(github.com)

但如果你正处在下面这些状态里，它会非常有价值：

  • 你已经在用 AI 工具，但总觉得自己离“职业化使用”还差点什么
  • 你不想只会调模型，而想搞清楚从 prompt 到 skill、从 agent 到 MCP server、从理论到交付的完整链路
  • 你想让学习结果真正沉淀为文件、脚本、工作流和可复用资产
  • 你希望你的 AI 学习不是“看过很多”，而是“做出了很多”
  • 你想建立自己的 Agent 工具箱，而不是永远借住在别人的 demo 里 (github.com)

对这样的人来说，这个仓库像一座不花哨但特别结实的训练营。门口没有太多营销词，里面却摆满了真正能练出肌肉的器械。

结尾

ai-engineering-from-scratch 是那种很容易让人看完 README 就产生敬意的项目。

不是因为它把自己说得多神，而是因为它非常清楚自己在做什么：它在试图把“AI 学习”从零散、浅层、一次性的体验，重新拉回到系统化、可交付、可复用、真正工程化的轨道上。它用 473 节课、20 个阶段和一整套可安装、可验证、可运行、可迁移的工件，认真回答了一个问题：

如果我们不满足于“会用 AI”，而是想真正“成为能造 AI、交付 AI、沉淀 AI 资产的人”，那应该怎么学。(github.com)

这个仓库给出的答案很朴素，也很有力量：

别只围观。
别只调用。
别只收藏。
自己搭。
一路搭到底。
然后把它交到别人手里，让它继续工作。 (github.com)

这大概就是它最迷人的地方。

它不像一门课，更像一座正在施工、但已经灯火通明的工厂。你走进去的时候，机器已经启动，工位已经摆好，工具已经编号，清单已经贴墙，门口还站着一个不苟言笑却很可靠的老师傅。

他看你一眼，递给你安全帽，说：

欢迎来学。
不过在这里，学的意思是，真的把它做出来。