KI-Engineering von Grund auf: 511 Lektionen zum eigenen Aufbau von Agenten
ai-engineering-from-scratch ist ein Open-Source-Kurs zur KI-Engineering, initiiert vom Autor von Agent Memory, gegründet auf dem Leitprinzip «lernen, selbst bauen, dann anderen vermitteln». Um die Lücke zu schließen, dass 84% der Studierenden bereits KI-Tools nutzen, aber nur 18% glauben, sie professionell einsetzen zu können, bietet er 511 Lektionen in 20 Stufen mit rund 329 Stunden zu Python, TypeScript, Rust und Julia. Anders als traditionelle Konzeptkurse liefert jede Lektion ein wiederverwendbares Ergebnis — ein Prompt, eine Fähigkeit, ein Agent oder ein MCP-Server — mit Fokus auf End-to-End und dem Schreiben von Grund auf. Seine Alleinstellungsmerkmale sind ein frei wählbarer Lernpfad, identischer Quellcode auf GitHub und der offiziellen Website sowie eine begleitete Vorbereitung auf die Claude-Zertifizierung. Er eignet sich für Entwickler, die solide KI-Grundlagen aufbauen, in LLM-Anwendungen oder Agent-Engineering wechseln oder sich auf eine berufliche Zertifizierung vorbereiten möchten.
Hintergrund
Generative KI durchdringt mittlerweile fast jede Branche, doch eine beträchtliche Kompetenzlücke bleibt bestehen. Der neue Open-Source-Kurs ai-engineering-from-scratch benennt genau diese Lücke: 84 Prozent der Studierenden nutzen bereits KI-Tools im Alltag, doch nur 18 Prozent fühlen sich professionell darin bewusst. Initiiert wurde der Kurs vom Autor des bekannten Open-Source-Projekts Agent Memory und bewusst als praktische KI-Engineering-Ausbildung positioniert, nicht als konzeptioneller Schnellschuss. Die Motivation des Autors entspringt einem häufigen Mangel bestehender Tutorials: Viele lehnen sich zu stark zur Theorie oder verlassen sich auf High-Level-Frameworks, sodass Lernende Werkzeuge bedienen können, ohne zu verstehen, warum sie funktionieren. Gegen dieses Muster richtet sich das Leitprinzip, ein Konzept zu lernen, es selbst zu bauen und anderen dann zu vermitteln. Damit werden Wissen, Engineering und Lieferung in einen geschlossenen Kreislauf gebunden.
Das Programm ist umfangreich angelegt. Es umfasst 511 Lektionen in 20 Stufen mit rund 329 Stunden Inhalt und erstreckt sich über vier Programmiersprachen: Python, TypeScript, Rust und Julia. Diese Wahl signalisiert den Wunsch, übertragbare Fähigkeiten aufzubauen, anstatt nur enge Werkzeugkenntnisse zu vermitteln. Veröffentlicht ist der Kurs unter der MIT-Lizenz und damit frei verfügbar. Diese offene Ausrichtung zieht Entwickler an, die ihre Grundlagen festigen möchten, statt nur neuen Trends hinterherzueilen.
Tiefenanalyse
Was den Kurs auszeichnet, ist seine produktorientierte Didaktik. Jede Lektion liefert ein wiederverwendbares Artefakt: einen Prompt, eine Fähigkeit, einen Agent oder einen MCP-Server. Statt vergänglichen Wissens hinterlässt jede Sitzung den Lernenden ein konkretes Engineering-Asset. Dieser End-to-End-Ansatz betont das handschriftliche Schreiben der Kernlogik, statt auf vorgepackte Bibliotheken zurückzugreifen. Technisch beginnt der Kurs mit mathematischen Grundlagen wie der linearen Algebra, schreitet dann über Prompt-Engineering und Agent-Schleifen fort und zielt darauf ab, ein tiefes Verständnis dafür zu schaffen, wie KI-Systeme tatsächlich ablaufen.
Der Lehrplan ist um mehrere zielgerichtete Lernpfade herum strukturiert. Einsteiger beginnen mit der Umgebungseinrichtung, Python-Erfahrene folgen einer Route zu Mathematik und Machine-Learning-Grundlagen. Entwickler, die production-grade-LLM-Anwendungen bauen wollen, wechseln in die LLM-Engineering-Stufe, und alle, die sich für Agenten interessieren, steigen direkt ins Agent-Engineering ein. Zusätzlich existieren spezialisierte Pfade zum Model Context Protocol, ein Agent-Skills-Schnellweg sowie ein Vorbereitungsweg für die Claude-Zertifizierung. Für Lernende, die nicht wissen, wo sie beginnen sollen, bieten ein Placement-Tutor und Voraussetzungs-Guides Hilfe zur Wahl des Startpunkts.
Branchenwirkung
Der Kurs bietet zwei parallele Einstiegspunkte: ein GitHub-Repository und eine offizielle Website, die denselben Quellcode verwenden, sodass die Lernenden frei wählen können, wie sie ihn lesen. Der empfohlene Arbeitsablauf ist diszipliniert: Zuerst wird die Dokumentation gelesen und die Kernidee mit einem Satz wiedergegeben, danach wird der Kerncode von Hand eingetippt und aufgebaut, statt Codeblöcke nur als Dekoration zu behandeln. Das Interesse der Community ist groß — im Zeitraum von 30 Tagen zog das Repository mehr als 150.000 Leser und 240.000 Seitenaufrufe an.
Sein breiterer Wert liegt im Umbau der Kompetenzentwicklung von KI-Lernenden. Er reagiert auf einen langjährigen Vorwurf, dass viele Tutorials Menschen das Nutzen von Frameworks beibringen, ohne die zugrunde liegenden Prinzipien zu beherrschen, sodass sie hilflos sind, wenn ein Framework eine Situation nicht abdeckt. Durch die Verbindung von handschriftlichem Schreiben von Grund auf mit greifbaren Ergebnissen hilft der Kurs Entwicklern, übertragbare, erklärbare und lieferbare Fähigkeiten aufzubauen. Die begleitete Claude-Zertifizierung bietet zudem einen klaren Karriereweg. Unterstützt werden mehrsprachige Landing Pages in Spanisch, Französisch, Portugiesisch, Deutsch, Italienisch, Vereinfachtem Chinesisch, Japanisch, Koreanisch, Hindi, Arabisch, Russisch und Türkisch, wobei Englisch die kanonische Version ist.
Ausblick
Mehrere Risiken begleiten das Programm. Die 329 Stunden stellen die meisten Menschen vor eine große Herausforderung und laden zum Abbrechen ein, während die von-Grundauf-Methode für Entwickler fordernd wirken kann, die schnelle Ergebnisse suchen. Da sich die KI-Technologie rasant weiterentwickelt, erfordert die Aktualität des Inhalts eine fortlaufende Pflege. Beobachtungswert ist, ob der Kurs mit schnelllebigen Standards wie MCP und Agent-Skills Schritt halten kann, ob seine mehrsprachige und plattformübergreifende Erfahrung die Barrieren für nicht-englischsprachige Lernende weiter senken kann und ob dieses produktorientierte Lehrmodell von anderen Open-Source-Kursen übernommen wird.
Insgesamt vertritt ai-engineering-from-scratch eine bedeutsame Verschiebung in der KI-Ausbildung — weg vom Konsum von Inhalten hin zum Aufbau echter Fähigkeiten. Ob sie ihre Dynamik aufrechterhalten und das gesamte Lernumfeld beeinflussen wird, hängt von ihrer Fähigkeit ab, Strenge mit Zugänglichkeit in Einklang zu bringen.