fancyboi999/ai-engineering-from-scratch-zh

从零开始，亲手实现每一个 AI 算法 528 节课 · 20 个阶段 · Python / TypeScript / Rust / Julia · 配套中文网站 aieng-zh.cn

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

通过推导、代码和实验学习 AI 工程。

528 节课，20 个阶段，覆盖 Python、TypeScript、Rust、Julia。课程配有中文正文、测验、 可运行示例和可复用产物。免费阅读，开源，采用 MIT 许可。

从基础算法到 LLM 应用、agent 与生产系统，按你的目标选择学习路径。

本项目是 AI Engineering from Scratch（作者 Rohit Ghumare，MIT 协议）的简体中文衍生版。衷心感谢原作者创作并开源了这套课程。

特别鸣谢

IPWO 拥有 9000 万+ 活跃住宅 IP 资源，覆盖 195+ 个国家和地区。 提供动态住宅代理、静态住宅代理及不限量住宅代理。 适用于网页抓取、数据采集、浏览器自动化、跨境业务等场景。 我们订阅使用 Claude / Claude Code 时采用住宅 IP，长期使用稳定。 支持免费测试，9 折优惠码：0203

这个中文版做了什么

中文版提供课程翻译、配套视频、交互式学习网站和 AI 导师：

翻译怎么翻见 TRANSLATION.md。课程结构、代码与上游保持一致，译文持续跟进上游更新。

目录 · 从这里开始 · AI 导师 · 怎么运作 · 课程结构 · 学习路径 · 一节课的样子 · 快速开始 · 每节课都有产出 · 课程目录 · 工具箱 · 参与贡献

从这里开始：选择你想构建的内容

开始前不需要先扫完 528 节课。选一个目标即可。每个链接都对应 GitHub 或网站上的同一套课程，两处使用相同的课程代码。

拿不准自己适合从哪开始？使用 start-learning 定位导师 或查看 网站前置要求指南。

在 AI 工程学习路径 中对比四大核心领域与六大职业发展路线。

实战项目与技术手册

核心课程仍是 20 个阶段、528 节课。独立的实战项目目录另有 76 项就绪项目、308 个阶段，配备分阶段 starter、参考实现和本地评分器；技术手册另有 2 本。这些不是新增核心课，也不是官方认证。

下面三个项目可作为起点。在仓库根目录运行命令；starter 在实现对应阶段之前会失败。

浏览全部项目 · 职业实践指南 · A2A 101 手册 · Docker Sandboxes 101 手册

项目默认评分离线核心，不等于真实模型、可选框架或云服务能力验证。手册中的 capture 是冻结上游的原始证据，版本核验日期是历史记录，不是本次现场复验；中文网页提供实际生成的打印 HTML，不提供未发布的 PDF 下载。

30 秒添加 AI 导师

npx skills add fancyboi999/ai-engineering-from-scratch-zh

运行你所在宿主的启动命令。导师会评估你当前的知识背景，把个性化学习计划保存到 LEARNING.md。从那里开始，learn 技能每次会话教学一节课：核心概念、数学直觉、编写代码、测验检验。它直接从本仓库流式读取课程，而 course-guide 技能可以在你卡住时精准跳转到对应课程。在 Codex 中，直接输入 learn 和 course-guide；在 Claude Code 中，输入 /learn 和 /course-guide；在其他兼容宿主中，按名称调用该技能即可。

只想要模型上下文协议（MCP）？使用宿主对应的 MCP 启动命令。它会生成 MCP-LEARNING.md，按照 模型上下文协议（MCP）清单 的 17 节课程路线，带你逐课实践无状态握手、服务端、客户端、传输层、采样、工具契约、可靠性与网关。

只想要 Agent Skills？使用宿主对应的 Agent Skills 启动命令。它会生成 AGENT-SKILLS-LEARNING.md，按照 Agent Skills 路径 的 5 节必修课程路线，带你实践编写规范、发现机制、渐进式披露、安全沙箱与发布门禁。

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

怎么运作

大多数 AI 教材都是碎片化教学。这儿一篇论文，那儿一篇微调心得，别处再来个炫酷的 agent demo。这些碎片很少能拼到一起。你做出了一个聊天机器人，却讲不清它的 loss 曲线；你给 agent 挂了个函数，却说不出调用它的那个模型内部，attention 到底在干什么。

这套课程就是那根脊椎。20 个阶段，528 节课，四种语言：Python、TypeScript、Rust、Julia。 一头是线性代数，另一头是自主 agent 集群。每个算法都先从最原始的数学手写出来。反向传播、 分词器、注意力、agent 循环——等 PyTorch 登场时，你已经知道它底层在做什么了。

学习时结合问题背景、概念推导、代码实验、测验和产出练习。动画帮助理解核心直觉， 代码与实验用于检验掌握程度。各课列出所需依赖；涉及 GPU、云服务或模型 API 的实践按课程要求准备资源，相关服务费用由提供商收取。

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

课程的结构

二十个阶段层层叠起来。数学是地基，agent 和生产部署是屋顶。下层的东西你已经会了，就尽管 往前跳；但别跳过去之后，又回头纳闷上层为什么塌了。

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff'}}}%%
flowchart TB
  P0["阶段 0 · 配置与工具链"] --> P1["阶段 1 · 数学基础"]
  P1 --> P2["阶段 2 · 机器学习基础"]
  P2 --> P3["阶段 3 · 深度学习核心"]
  P3 --> P4["阶段 4 · 计算机视觉"]
  P3 --> P5["阶段 5 · NLP"]
  P3 --> P6["阶段 6 · 语音与音频"]
  P3 --> P9["阶段 9 · 强化学习"]
  P5 --> P7["阶段 7 · Transformer"]
  P7 --> P8["阶段 8 · 生成式 AI"]
  P7 --> P10["阶段 10 · 从零实现 LLM"]
  P10 --> P11["阶段 11 · LLM 工程"]
  P10 --> P12["阶段 12 · 多模态 AI"]
  P11 --> P13["阶段 13 · 工具与协议"]
  P13 --> P14["阶段 14 · Agent 工程"]
  P14 --> P15["阶段 15 · 自主系统"]
  P15 --> P16["阶段 16 · 多 agent 与集群"]
  P14 --> P17["阶段 17 · 基础设施与生产"]
  P15 --> P18["阶段 18 · 伦理、安全与对齐"]
  P16 --> P19["阶段 19 · 综合项目"]
  P17 --> P19
  P18 --> P19

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

一节课的样子

每节课都待在自己的文件夹里，整套课程结构统一：

phases/-/-/
├── code/      可运行的实现（Python、TypeScript、Rust、Julia）
├── docs/
│   └── zh.md  课程正文
├── quiz.json  课前、课中与课后测验
└── outputs/   本节课的可复用产物

每节课都走六个节拍。其中 Build It / Use It（动手构建 / 实际使用）的拆分是整节课的脊椎—— 你先从零实现算法，再用生产级的库把同样的事跑一遍。你之所以懂框架在做什么，是因为那个更小的 版本你自己写过。

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff'}}}%%
flowchart LR
  M["主旨一句话核心理念"] --> Pr["问题背景具体的痛点"]
  Pr --> C["核心概念图解与直觉"]
  C --> B["动手构建纯数学，不用框架"]
  B --> U["实际使用同样的事用 PyTorch / sklearn 跑一遍"]
  U --> S["拿去用提示词 · 技能 · agent · MCP"]

快速开始

三种入门方式。挑一个。

方式 A —— 阅读。 在 aieng-zh.cn 上打开任意一节已完成的课程， 或展开 目录 里的某个阶段。无需配置，无需 clone。

方式 B —— clone 下来跑。

git clone https://github.com/fancyboi999/ai-engineering-from-scratch-zh.git
cd ai-engineering-from-scratch-zh
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

方式 C —— 让 AI 导师带你学。 按上方宿主调用表调用技能。以下为 Claude Code 示例：

/start-learning      # 评估背景、设定目标并生成个性化 LEARNING.md
/find-your-level     # 十道题快速定级测验，映射起始阶段

按计划逐课学习，每学完一个阶段：

/check-understanding 3        # 测验你对阶段 3 的掌握
ls phases/03-deep-learning-core/05-loss-functions/outputs/
# ├── prompt-loss-function-selector.md
# └── prompt-loss-debugger.md

前置要求

• 你会写代码（任何语言都行，会 Python 更好）。
• 你想搞懂 AI 到底是怎么运作的，而不只是调调 API。

准备 Claude 认证

Claude 认证学院 是一套免费、开源的备考体系， 覆盖 Associate Foundations、Developer Foundations、Architect Foundations 和 Architect Professional 四条公开认证路线。每条路线都有对齐公开考试蓝图的课程、 可运行实验、诊断测验、综合项目和原创全真模拟题。

参照 AI-native GitHub 入门指南，可以在 Claude Code、 Codex、ChatGPT、Cursor 或其他 agent 中调用 claude-certification（Claude Code 使用 /claude-certification）：选择路线、 把进度保存到 CLAUDE-CERTIFICATION.md，逐课学习、运行真实实验并接受基于产物的反馈。 同一套课程已在 中文认证站点 提供。

这是基于公开考试目标编写的独立学习材料，不隶属于 Anthropic，不包含真实考题， 也不保证通过认证。资格、费用、评分和项目政策可能变动，付费或预约前必须以官方最新说明为准。

准备 MCP Associate（MCPA）认证

MCPA 认证课程 提供 34 节中文课程、可运行的 MCP 协议实验和原创练习题。课程依据 2026-07-28 版规范组织五个知识域；从 入门指南 开始，使用 mcpa-certification 导师逐课练习，或在 中文认证站点 学习。

这套社区课程独立于 Agentic AI Foundation 和 Linux Foundation。正式考试政策以官方页面为准；模拟题成绩不等于正式考试分数。

内置 agent 技能

全套课程内置了 9 个涵盖定位、教学、专项路径与测验的 AI 导师技能，详见上文 30 秒添加 AI 导师；所有技能定义均位于 skills/ 目录下。

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

每节课都有产出

别的课程结尾是一句 “恭喜，你学会了 X。” 这里每节课的结尾，是一件你能直接装上、 或粘进日常工作流的 可复用工具。

用 python3 scripts/install_skills.py 将课程产出技能安装到指定目录。 各课的 outputs/ 提供参考产物；把自己的实现、测试与复盘整理成作品集。

FIG_002 · 一个实例

阶段 14，第 1 课：Agent 循环。 Python 示例使用标准库和脚本化的 ToyLLM，可以离线观察工具调用、回合预算与停止条件。

python3 phases/14-agent-engineering/01-the-agent-loop/code/main.py

示例调用计算器和键值存储，输出执行轨迹，最终得到含 15% 税费的总价 138.0。 阅读 Python 实现、 TypeScript 实现，以及 可复用的 agent-loop 技能。

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

课程目录

二十个阶段。点开任意阶段即可展开它的课程列表。

Phase 0: 配置与工具链 13 lessons

把环境准备好，迎接后面所有的内容。

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

工具箱

课程产物保存在各课的 phases///outputs/ 下，包含提示词 Markdown、 技能 Markdown、完整 skill bundle 和项目参考文件。各课正文的“拿去用”章节说明产物用途； 下面分别说明导师技能与课程产出技能的安装方式。

把课程产出技能装进你的 agent

仓库在 phases/**/outputs/ 下交付了 400 个技能和 100 个提示词。

导师技能：通过 skills.sh 选择安装。 默认发现 skills/ 下的 9 个导师技能：

npx skills add fancyboi999/ai-engineering-from-scratch-zh --list
npx skills add fancyboi999/ai-engineering-from-scratch-zh --skill start-learning

课程产出技能：克隆仓库后运行 scripts/install_skills.py。 脚本读取课程的 skill-*.md 和完整 skill bundle，支持按阶段或标签筛选。将 `` 替换为宿主的技能目录：

python3 scripts/install_skills.py                                  # 所有技能，默认 --layout skills（嵌套）
python3 scripts/install_skills.py  --layout skills                 # 同上，显式写出
python3 scripts/install_skills.py  --type all                      # 技能 + 提示词 + agent
python3 scripts/install_skills.py  --phase 14                      # 只装一个阶段
python3 scripts/install_skills.py  --tag rag                       # 按标签过滤
python3 scripts/install_skills.py  --layout flat                   # 扁平文件
python3 scripts/install_skills.py  --dry-run                       # 只预览，不写入
python3 scripts/install_skills.py  --force                         # 覆盖已有文件

`` 是你 agent 的技能目录（例如： ~/.claude/skills/、~/.cursor/skills/、~/.config/openclaw/skills/、 .skills/，或任何你 agent 读取的路径）。

默认情况下，脚本拒绝覆盖已存在的目标，会列出每个冲突路径后以退出码 1 退出。 用 --dry-run 预览冲突，或用 --force 覆盖。每次非 dry-run 的运行都会在目标里 写一份 manifest.json，按类型和阶段分组列出完整清单。挑你 agent 读取的那种布局：

把 agent 工作台塞进你自己的仓库

阶段 14 的综合项目交付了一套可复用的 Agent Workbench 包（AGENTS.md、schema、 init / verify / handoff 脚本）。用下面的命令把它脚手架进任意仓库：

python3 scripts/scaffold_workbench.py path/to/your-repo            # 完整包 + 种子文件
python3 scripts/scaffold_workbench.py path/to/your-repo --minimal  # 跳过 docs/
python3 scripts/scaffold_workbench.py path/to/your-repo --dry-run  # 只预览
python3 scripts/scaffold_workbench.py path/to/your-repo --force    # 覆盖

你会得到接好线的七个工作台界面、一份起步用的 task_board.json， 以及一份 schema_version: 1 的全新 agent_state.json。从这里开始：编辑任务、 编辑 AGENTS.md、运行 scripts/init_agent.py，把契约交给你的 agent。包的源码在 phases/14-agent-engineering/42-agent-workbench-capstone/outputs/agent-workbench-pack/。

课程数据与课数校验

site/build.js 解析 README、ROADMAP 和每节课的 docs/zh.md，在 site/data.js 里生成站点用的课程数据（阶段、课程、术语表、产物）。计数以文件系统为真相。

node site/build.js            # 生成 site/data.js（+ sitemap.xml / llms.txt）
node site/build.js --check    # 只校验课程数一致性，不写文件

--check 以磁盘上的课程目录数为准，核对 README 表格、badge、散文、各 phase 标题 和 ROADMAP 总计是否都对得上，任一漂移就 exit 1。一个 GitHub Action （.github/workflows/build.yml）在每个 PR 上跑构建与课数校验。 新增课程时在 README + ROADMAP 表格补行、并更新该 phase 标题的课数即可；站点模板里散落的计数由 build 时 syncCounts 自动同步。

注：scripts/build_catalog.py 也已支持 docs/zh.md，但 catalog.json 只是可再生的辅助产物； 中文站发布与课程计数仍以 site/build.js、scripts/audit_lessons.py 和 README / ROADMAP 为准。

给每节课的 Python 代码做冒烟检查

scripts/lesson_run.py 会逐字节编译每节课 code/ 目录下的每个 .py 文件。 默认模式只做语法检查——不执行、不需要 API key、不需要重型 ML 依赖。专抓贡献者最常 引入的回归（缩进错误、f-string 写坏、误改）。

python3 scripts/lesson_run.py                  # 语法检查整套课程
python3 scripts/lesson_run.py --phase 14       # 只查一个阶段
python3 scripts/lesson_run.py --json           # 在 stdout 输出 JSON 报告
python3 scripts/lesson_run.py --strict         # 任一课程失败就 exit 1
python3 scripts/lesson_run.py --execute        # 真正运行，每节课 10 秒超时

--execute 会运行每节课的 code/main.py（或第一个 .py 文件），10 秒超时。 入口文件开头带 # requires: pkg1, pkg2 注释（列出非标准库依赖）的课程会被跳过， 原因标为 needs 。这个脚本是可选的，没接入 CI。

仅用标准库，Python 3.10+。设置 LINK_CHECK_SKIP=domain1,domain2 可以覆盖默认跳过名单 （twitter.com、x.com、linkedin.com、instagram.com、medium.com——这些域名 会主动屏蔽自动化的 HEAD/GET）。

从哪里开始

ROADMAP.md 按各课正文汇总预计时长。阶段 0–18 的 438 节课合计约 542 小时； 阶段 19 的 85 项综合项目与组件实践合计约 627 小时，适合按目标选做。 专项路径以 learning-paths/*.json 的必修清单和时长为准。实际投入取决于基础、实验环境和项目深度。

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

为什么这件事现在很重要

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

参与贡献

提交一节课之前，先跑一遍不变量检查：

python3 scripts/audit_lessons.py           # 整套课程
python3 scripts/audit_lessons.py --phase 14  # 单个阶段
python3 scripts/audit_lessons.py --json    # 适合 CI 的输出

任一规则失败时退出码非零。规则（L001–L010）会校验目录结构、docs/zh.md 是否存在 及是否有 H1、code/ 是否非空、quiz.json 的 schema，以及课程文档里的相对链接。

Star 历史

如果这份手册帮到了你，给仓库点个 star。这能让项目活下去。

许可

采用 MIT 许可，允许使用、修改和商业分发。分发副本或实质性部分时，须保留版权声明和许可声明。

原课程由 Rohit Ghumare 及社区创建，简体中文版由 fancy 维护。

aieng-zh.cn  ·  Report / Suggest