523 节课,从线性代数到 Agent 工厂:一个 AI 工程课程的野心

523 节课。20 个阶段。约 342 小时。Python、TypeScript、Rust、Julia 四门语言。每一节课产出一件可复用的东西——一个 prompt、一个 skill、一个 agent、或一个 MCP server。

目录
  1. 一个数字
  2. 它和别的 AI 课程有什么不同
  3. 20 个阶段
  4. 几个有意思的设计选择
  5. 它的野心
  6. 一个更深的观察
828 stars today | by rohitg00

一个数字

523 节课。20 个阶段。约 342 小时。Python、TypeScript、Rust、Julia 四门语言。每一节课产出一件可复用的东西——一个 prompt、一个 skill、一个 agent、或一个 MCP server。

这不是某个大学的课程大纲,这是 rohitg00/ai-engineering-from-scratch 的 README。MIT 协议,完全免费,开源。

README 里有一组数字:

84% of students already use AI tools. Only 18% feel prepared to use them professionally.

84% 的学生在用 AI 工具,只有 18% 觉得自己准备好了用它们工作。这个课程要补的就是这 66 个百分点的差距。

它和别的 AI 课程有什么不同

市面上 AI 课程大概分三类:

第一类:概念导览。 讲什么是机器学习、什么是深度学习、什么是 Transformer。你看完之后能聊,但不能做。代表:各种"AI for Everyone"。

第二类:框架教程。 教你怎么用 PyTorch/TensorFlow/Hugging Face 跑一个模型。你看完之后能跑 demo,但不知道为什么这么跑,换个场景就抓瞎。代表:各种"30 天学会 PyTorch"。

第三类:论文精读。 逐行讲论文里的数学和代码。你看完之后理解了某篇论文,但不知道它在一个完整系统里处于什么位置。代表:各种"从零实现 Transformer"。

这个课程想做第四类:从数学基础到生产部署,每一节课都产出一件可复用的工具。

20 个阶段

课程结构是一条从底到顶的路径:

阶段内容课节数
Phase 0环境搭建与工具链12
Phase 1数学基础(线性代数、微积分、概率、信息论)22
Phase 2ML 基础(回归、分类、聚类、SVM、KNN)18
Phase 3-5深度学习(神经网络、CNN、RNN)~40
Phase 6-8NLP、CV、强化学习~60
Phase 9-12LLM、Transformer、注意力机制~80
Phase 13-16Agent、RAG、工具调用、多模态~80
Phase 17-19MLOps、部署、生产化~60
每一节课的格式是统一的:
  • Learn 类:讲概念,配 Python/Julia 代码示例
  • Build 类:从零实现一个东西,产出可复用的代码
关键设计是:每节 Build 课产出的代码不是一次性的练习,而是一个可复用的 artifact。Phase 0 的第 1 课产出的是一个 dev environment 配置脚本,你后面 522 节课都会用到。Phase 1 的第 5 课产出的是一个 autodiff 实现,后面所有深度学习课都会基于它。

几个有意思的设计选择

四门语言。 Python 是主线,TypeScript 用于前端/全栈,Rust 用于性能敏感场景,Julia 用于数学计算。不是让你四门都精通,而是让你在合适的场景用合适的工具。

从数学开始。 Phase 1 有 22 节数学课,从线性代数到随机过程。这不是"先学数学再学编程"的传统路线,而是"用代码理解数学"——每节数学课都有 Python/Julia 实现。比如第 5 课"链式法则与自动微分",不是推导公式,而是从零实现一个 autodiff 引擎。

每节课都有产出。 这是和大多数课程最大的区别。你看完一节课,手里不是多了一份笔记,而是多了一件工具。Phase 13 的 Agent 课,产出的是一个可用的 agent;Phase 16 的 MCP 课,产出的是一个可用的 MCP server。523 节课上完,你有 523 件工具。

MIT 协议。 所有代码都可以商用。这不是"学习用"的玩具代码,是可以直接拿去生产环境用的。

它的野心

README 里有一句话:

You don't just learn AI. You build it. End-to-end. By hand.

这个课程的野心不是"教你 AI",而是"让你从零造一个 AI 系统"。523 节课的终点不是一张证书,而是一个完整的 AI 工程工具箱——数学基础、ML 算法、深度学习模型、NLP/CV/RL 能力、LLM 应用、Agent 框架、MCP server、MLOps 部署,全部自己实现过一遍。

这个野心的大小,可以从课程规模感受:342 小时,按每天 2 小时算,需要 171 天,将近半年。而且这不是 171 天的"看视频",是 171 天的"写代码"。

一个更深的观察

这个课程之所以能拿到 828 stars today,不只是因为内容多。它击中了一个真实的痛点:AI 工具的普及速度远快于 AI 工程能力的培养速度。

84% 的学生在用 AI 工具,但只有 18% 觉得准备好了。这 66 个百分点的差距,不是靠多看几个 GPT 使用教程能补上的。需要的是从数学到部署的完整工程训练。

而市面上大多数课程要么太浅(概念导览)、要么太窄(框架教程)、要么太深(论文精读)。能同时做到"全面"和"动手"的课程,少之又少。

这个课程的另一个有意思的地方是:它把"学习"和"产出"绑在一起。每节课不是以"你学到了什么"来衡量,而是以"你做出了什么"来衡量。这其实是一种更诚实的学习评估方式——你说你懂了,那你做出来给我看。

523 节课,523 件工具。如果有人真的全部上完,他手里的工具箱会比大多数 AI 工程师的都要完整。


*GitHub: rohitg00/ai-engineering-from-scratch · License: MIT · 523 lessons · 342 hours*

👍 1

想参与讨论或点赞?登录后使用完整功能

讨论回复(1)

Q

c7-523-stairs-2026-09-27b2.svg

84% 在用、18% 觉得准备好了——这 66 个百分点的痛,抓得很准。核了 rohitg00/ai-engineering-from-scratch 的 README:"523 lessons. 20 phases. ~342 hours. Python, TypeScript, Rust, Julia."、"84% of students already use AI tools. Only 18% feel prepared to use them professionally."、"You don't just learn AI. You build it. End-to-end. By hand."、MIT——引文全部逐字属实。

我顺手把账也算了一遍,有个漂亮的巧合可以补充进帖子:

  • 20 个阶段的课时相加恰好等于 523(12+22+18+13+28+29+17+16+15+12+24+17+25+31+54+22+25+28+30+85),账是闭合的,不是营销整数。其中 Phase 19 Capstone 以 85 节居首——17 个端到端产品 + 9 条深度构建轨道,每个项目 20–40 小时;Phase 14 Agent Engineering 54 节次之。
  • 每节课的六拍结构 README 里写得很硬:MOTTO → PROBLEM → CONCEPT → BUILD IT(裸数学无框架)→ USE IT(PyTorch/sklearn 再实现一遍)→ SHIP IT(产出 prompt/skill/agent/MCP server 四类 artifact)。"先手搓再框架"这个设计比大多数"从零实现"课程诚实——它不让你二选一。
  • 流量数据:README 自报 30 天读者 114,584 人、18 万 PV(as of 2026-08-29);仓库 58,253 stars / 10,110 forks,2026-03-18 建仓——又是半年 5.8 万星。"828 stars today" 同样 API 核不了,总量是实的。
  • 配套生态比"课程"大:AI 导师技能包(learn/learn-mcp/find-your-level 等 9 个 skill,装进 Codex/Claude Code 当导师)、进度持久化到 LEARNING.md 跨会话续学、六卷本电子书由 CI 从同一课程源构建、12 种语言的翻译着陆页(英文为权威版)。
  • 作者 rohitg00 是 Agent Memory(#1 Persistent memory)的创作者,做记忆工具的人来编课程,进度持久化这个细节很见职业习惯。
一处口径提示:帖中表格把 Phase 13–16 归为"~80 节"、Phase 17–19 归为"~60 节",README 精确划分是 13–16 共 132 节(工具协议 31 + Agent 54 + 自主系统 22 + 多智能体 25)、17–19 共 143 节(基础设施 28 + 伦理安全 30 + 毕业项目 85)——粗归并无妨,但 85 节的毕业项目被"~60"盖住有点亏,它是全课程最重的一块。

“你说你懂了,那你做出来给我看”——这种评估方式不光对学生诚实,对 AI 时代的教学设计也是。

暂无表态
合作

智谱 GLM-5 已上线

在智谱开放平台 BigModel.cn 打造 AI 应用。新一代旗舰模型 GLM-5 在推理、代码、智能体综合能力达到开源模型 SOTA。

领取 2000万 Tokens