GitHub 69.1K Star！程序员学 AI 的新路线来了

现在学习 AI，最缺的是什么？

不是教程，而是看完教程之后，自己依然不知道怎么把东西做出来。

今天学机器学习，明天看大模型原理，后天又开始研究 AI Agent。资料收藏了一大堆，真正动手写代码、跑实验、验证结果的时间却不多。

如果有一套课程，能够从数学基础一路讲到大模型、AI Agent 和实际工程部署，并且每个阶段都能动手实践，会不会更容易坚持下去？

最近发现一个开源项目：AI Engineering from Scratch。

它的 GitHub 仓库已经积累了约 69.1K Star。项目免费开源，采用 MIT 许可证，提供从基础理论到 AI 工程实践的系统化学习路线。

它最值得关注的地方在于：不只是教你理解 AI，还希望你亲手把模型、检索流程和智能体系统实现出来。

它到底是什么？

简单来说，这是一个面向 AI 工程学习者的开源课程项目。

它把学习内容组织成 20 个阶段，覆盖数学基础、机器学习、深度学习、自然语言处理、大语言模型、AI Agent，以及工程化和部署等主题。

官方当前版本列出了 523 节课程、约 342 小时学习内容，涉及 Python、TypeScript、Rust 和 Julia 等语言。课程还配有代码、测验和可运行实验，适合按学习路线逐步推进。

与单纯的文章或视频合集相比，它更强调从原理到实现的完整过程。

例如，学习神经网络时，不只是记住模型的概念，还可以通过代码理解向量、矩阵运算，以及这些操作如何参与神经网络计算。

学习大模型时，也不只是调用一个 API，而是继续理解 Transformer、检索增强生成和智能体运行机制等内容。

最大的亮点：不只看教程，还要自己动手实现

很多 AI 学习资料容易出现一个问题：概念看懂了，但遇到真实项目时依然无从下手。

这个项目尝试通过代码和实验解决这个问题。

它的学习方式强调几个步骤：

• 先理解课程中的核心概念。
• 自己编写并运行关键代码。
• 检查程序输出，理解结果为什么如此。
• 修改代码，验证自己是否真正理解。
• 保存实验结果，逐步积累可验证的学习成果。

例如，学习向量和矩阵时，可以运行项目提供的 Python 示例，观察矩阵与向量相乘的结果，再进一步理解神经网络中的线性变换。

这种方式的价值是：你不再只是“知道这个概念”，而是能够通过代码验证它。

对于希望转向 AI 工程开发的程序员来说，这种实践路径比单纯收集教程更有帮助。

从机器学习到 AI Agent，一套课程覆盖多个方向

AI Engineering from Scratch 并不只关注大语言模型。

它试图把 AI 工程需要的基础知识和实际应用串联起来。

① 数学与机器学习基础

从向量、矩阵等数学概念出发，逐步理解传统机器学习方法，为后续学习打好基础。

② 深度学习与神经网络

学习神经网络、视觉和语音等相关内容，理解模型如何从数据中学习特征。

③ NLP 与大语言模型

围绕自然语言处理、Transformer 和 LLM 等主题，逐步理解现代语言模型的工作原理。

④ AI Agent 与 MCP

继续学习智能体、工具调用、MCP 服务与客户端等内容，理解如何让模型与外部工具协作。

⑤ 工程实践与交付

把前面的知识应用到检索、评估、可靠性和部署等场景中，逐步建立完整的工程思维。

这些方向对应的是一条逐渐深入的学习路线，而不是要求初学者一次性掌握所有内容。

更有意思的是：AI 编程助手也能当你的学习导师

这是这个项目很适合开发者的一点。

除了直接在网站或 GitHub 上阅读课程，它还提供了面向兼容 AI 编程助手的学习技能。

官方支持通过 Skills CLI 安装：

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

安装时，根据提示选择自己使用的 AI 编程工具和安装范围。

配置完成后，可以让兼容的 Agent 帮助你制定学习计划、讲解课程、检查理解情况，并引导你进入下一阶段。

例如，你可以让它：

• 帮我规划一条从 Python 基础到 AI Agent 的学习路线。
• 用简单例子讲解 Transformer 的工作原理。
• 针对当前课程出几道题，检查我是否真正理解。
• 带我运行一个实验，并解释输出结果。
• 根据我遇到的问题，找到课程中对应的知识点。

项目提供了 start-learning、learn 等学习技能；不同 AI 工具的调用方式会有所区别。

这相当于把课程内容与 AI 辅导结合起来。

不过，AI 导师的解释也可能出现错误。学习关键算法和工程实践时，仍然要通过课程代码、实验输出和权威资料进行验证。

普通开发者怎么开始？

不需要一上来就把全部课程下载下来，也没必要一次学习几百节内容。

第一步：打开项目网站

访问项目主页：https://aiengineeringfromscratch.com

可以直接阅读课程，不必先克隆仓库或安装完整开发环境。

第二步：根据自己的基础选择起点

如果是 AI 初学者，可以从环境配置、数学基础开始。

如果已经熟悉 Python，可以优先补齐机器学习和深度学习知识。

如果已经能够调用大模型 API，则可以重点学习 LLM、Agent、MCP 和评估相关内容。

第三步：运行代码，而不是只看代码

官方 README 给出了克隆仓库并运行基础示例的方式：

git clone https://github.com/rohitg00/ai-engineering-from-scratch.gitcd ai-engineering-from-scratchpython3 phases/00-setup-and-tooling/01-dev-environment/code/verify.py --route beginnerpython3 phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.py

第一条 Python 命令用于检查入门路线所需的环境，第二条运行向量相关示例。具体依赖和运行要求应以当前课程说明为准。

第四步：给自己安排一个可以完成的小目标

例如，用一周时间完成数学基础中的几个实验，再尝试实现一个简单的机器学习模型。

学习 AI 最容易放弃的原因之一，就是目标太大。先完成一个可以运行、可以解释的小项目，比一开始就追求从零训练大型模型更实际。

它适合什么人？

我认为，这个项目尤其适合三类开发者。

想转向 AI 的程序员： 已经有编程基础，希望系统学习机器学习、大模型和 Agent。

AI 初学者： 不想只看零散教程，希望按照明确的学习路线循序渐进。

希望补齐工程能力的人： 已经会调用模型 API，但还想理解底层原理、检索系统、评估和智能体架构。

当然，它并不是一个学完就能保证就业的速成班。

课程内容较多，约 342 小时也意味着需要持续投入时间。对完全没有编程基础的人来说，数学、环境配置和代码实验可能需要额外补课。

最重要的是，不要把完成课程数量当成唯一目标。能够解释原理、独立运行代码、定位问题并完成自己的小项目，才是更有价值的学习成果。

最后

AI 工程真正难的地方，不只是学会调用一个模型，而是理解模型如何工作、怎样与数据和工具结合，以及如何把实验变成可靠的应用。

AI Engineering from Scratch 的思路，就是通过系统化课程、代码实验和 AI 辅导，把这些知识逐步串联起来。

对于正在学习 AI Agent、LLM 或 MCP 的开发者来说，它可以成为一份值得收藏的学习路线图。

一句话总结： 这是一个免费开源的 AI 工程学习项目，覆盖从数学、机器学习到大模型与智能体的知识，并通过代码实验帮助你把理论落到实践。

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

如果你准备系统学习 AI，会选择先看完理论再动手，还是边学边写代码？你觉得 AI 编程助手能成为真正有效的学习导师吗？

各位互联网搭子，要是这篇文章成功引起了你的注意，别犹豫，关注、点赞、评论、分享走一波，让我们把这份默契延续下去，一起在 AI 科研的海洋里乘风破浪！