从零学 AI 工程：542 节课的开源课程 ai-engineering-from-scratch

AI 工程这几年的学习资料很多，但大多分成两类：一类是讲原理的论文和教科书，一类是调用现成接口的快速教程。前者读完往往写不出能跑的系统，后者做完又说不清系统为什么会出错。ai-engineering-from-scratch 想补的正是这道缝隙。它的自我定位很直接：实现模型内部结构、检索管线和智能体运行时，然后测试它们、检查失败，并把代码和评估结果留下来。项目口号是"学会它，做出它，再交付给别人"。在开源生态里，它不是某个框架，也不是某个模型，而是一套完整的课程仓库。它免费、采用 MIT 许可，目前在 GitHub 上已有七万多颗星，说明有大量学习者认可这种从零开始的路径。课程的体量和结构是它最显眼的特点。仓库标明共有 542 节课、20 个阶段，代码涉及 Python、TypeScript、Rust 和 Julia 四种语言。阶段从环境搭建与工具链开始，经过数学基础、机器学习基础，一路推进到 LLM 工程和智能体工程。为了照顾不同背景的人，它给出三条起步路线：想打牢模型基础的人从开发环境配置学起，想做 LLM 系统的人从提示工程学起，想做智能体与交付的人从"智能体循环"学起。

数学部分并非只放公式。以优化一课为例，页面里有一张梯度下降的可视化，二十个起点沿着二次损失曲面下降，图上显示它们的位置和每次更新后的平均损失。学习者可以调整学习率观察变化，也可以在代码里对比梯度下降、动量和 Adam。这种"先看现象，再读实现"的设计，比单纯贴公式更容易让人建立直觉。此外，文档提供了三十多种语言的入口，包括简体中文、繁体中文、日语、韩语、西班牙语、德语、阿拉伯语等，语言覆盖面在同类课程里很少见。上手方式比较灵活。你可以直接在课程网站上顺着课程路径学习，也可以让编码智能体陪着读和改，或者把仓库克隆到本地运行代码。真正体现课程态度的是实战项目。仓库提供三个项目，每个都有分阶段的起步代码、参考实现和本地评分器，并且明确提醒：起步代码在你实现各阶段之前会直接失败。以第一个项目"检索评估实验室"为例，它的场景很贴近真实工作：新版本检索系统的平均 NDCG 提高了，但有一条查询把最相关的证据排得更靠后了。任务是写出逐条查询的对比，报告这种退步，并让它能在发布检查中拦住版本。

要求是 Python 3.10 以上，建议先复习 RAG 和模型评估两节，再依次实现排序校验、精确率与召回率、对排序位置敏感的指标，最后做系统对比。命令也很干脆：用 scripts/project_test.py 加项目名初始化目录，再按阶段或全量加严格模式验收。项目要求保留的产物是一份可复现的对比，包含每条查询的差值和打分所用的判断，并提醒指标只描述这些判断本身。这样的练习不只教你写代码，也在训练评估习惯。从行业角度看，这个项目的意义在于把"工程"二字落到实处。AI 应用走向生产之后，团队真正缺的往往不是又一个调用示例，而是能拆开系统、定位退步、写出回归检查的人。这套课程把评估、失败检查和结果留存放进学习主线，对想建立工程纪律的个人和团队都有参考价值。它的风险也同样明显。内容体量大，学习者容易半途而废，需要自己规划节奏；多语言和多语种代码带来长期维护压力，翻译与示例能否与最新变化保持同步，值得观察；项目依靠赞助维持免费，可持续性取决于社区支持。另外，仓库介绍只呈现了部分内容，具体课程质量仍要以亲自试学为准。后续值得关注的是实战项目会增加多少、评分器能否覆盖更多智能体场景，以及社区是否围绕它形成稳定的贡献和讨论。对想系统入门或补课的开发者来说，先挑一条路线学几节课，再试一个项目，是成本很低的验证方式。