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。
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 2 | ML 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 6-8 | NLP、CV、强化学习 | ~60 |
| Phase 9-12 | LLM、Transformer、注意力机制 | ~80 |
| Phase 13-16 | Agent、RAG、工具调用、多模态 | ~80 |
| Phase 17-19 | MLOps、部署、生产化 | ~60 |
- 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
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*
讨论回复（1）
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。
“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。