GitHub - fancyboi999/ai-engineering-from-scratch-zh: Agent工程师最全学习路径 · 从零精通 AI 工程 · 20 阶段 503 课 · 中文全量翻译 + 配套站点 · 如何成为 AI Agent 工程师的修成指南

从零开始，亲手实现每一个 AI 算法
_{503 节课 · 20 个阶段 · Python / TypeScript / Rust / Julia · 配套中文网站 aieng-zh.cn}

░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒

84% 的学生已经在用 AI 工具，可只有 18% 觉得自己能在专业场景里用好它们。 这套课程要填的就是这道沟。

503 节课，20 个阶段，约 320 小时。Python、TypeScript、Rust、Julia。每节课都交付一件能复用的东西：一个提示词、一个技能、一个 agent、一个 MCP server。免费，开源，MIT。

你不只是学 AI，你亲手把它造出来。从头到尾，全手写。

本项目是 AI Engineering from Scratch（作者 Rohit Ghumare，MIT 协议）的简体中文衍生版。衷心感谢原作者创作并开源了这套课程。

这个中文版做了什么

不是机器翻译堆出来的镜像。在忠实翻译之上，我们做了一套面向中文读者的本地化：


🇨🇳 全站简体中文	503 节课正文、83 条术语表、测验题、`mermaid` 流程图、交互图表标签全部中文化（`agent`、`token`、`transformer` 等技术术语按惯例保留英文）
🌐 独立中文网站 aieng-zh.cn	可搜索的课程目录、学习进度追踪、可拖动的交互式图表、命令面板（`Cmd / Ctrl + K`）、深色模式
🔍 为 AI 检索优化	构建时自动生成 `sitemap.xml` / `llms.txt` / 结构化数据，方便被搜索引擎和 AI 助手引用
✅ 课数一致性护栏	CI 自动校验课程数（`node site/build.js --check`），防止课程列表与磁盘上的实际内容漂移

翻译怎么翻见 TRANSLATION.md。课程结构、代码与上游保持一致，译文持续跟进上游更新。

目录 · 怎么运作 · 课程结构 · 一节课的样子 · 快速开始 · 每节课都有产出 · 课程目录 · 工具箱 · 参与贡献

怎么运作

大多数 AI 教材都是碎片化教学。这儿一篇论文，那儿一篇微调心得，别处再来个炫酷的 agent demo。这些碎片很少能拼到一起。你做出了一个聊天机器人，却讲不清它的 loss 曲线；你给 agent 挂了个函数，却说不出调用它的那个模型内部，attention 到底在干什么。

这套课程就是那根脊椎。20 个阶段，503 节课，四种语言：Python、TypeScript、Rust、Julia。一头是线性代数，另一头是自主 agent 集群。每个算法都先从最原始的数学手写出来。反向传播、分词器、注意力、agent 循环——等 PyTorch 登场时，你已经知道它底层在做什么了。

每节课都跑同一个循环：读懂问题、推导数学、写代码、跑测试、留下产物。没有五分钟速成视频，没有复制粘贴式部署，没有手把手喂饭。免费，开源，在你自己的笔记本上就能跑。

░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒

课程的结构

二十个阶段层层叠起来。数学是地基，agent 和生产部署是屋顶。下层的东西你已经会了，就尽管往前跳；但别跳过去之后，又回头纳闷上层为什么塌了。

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff'}}}%%
flowchart TB
  P0["阶段 0 · 配置与工具链"] --> P1["阶段 1 · 数学基础"]
  P1 --> P2["阶段 2 · 机器学习基础"]
  P2 --> P3["阶段 3 · 深度学习核心"]
  P3 --> P4["阶段 4 · 计算机视觉"]
  P3 --> P5["阶段 5 · NLP"]
  P3 --> P6["阶段 6 · 语音与音频"]
  P3 --> P9["阶段 9 · 强化学习"]
  P5 --> P7["阶段 7 · Transformer"]
  P7 --> P8["阶段 8 · 生成式 AI"]
  P7 --> P10["阶段 10 · 从零实现 LLM"]
  P10 --> P11["阶段 11 · LLM 工程"]
  P10 --> P12["阶段 12 · 多模态 AI"]
  P11 --> P13["阶段 13 · 工具与协议"]
  P13 --> P14["阶段 14 · Agent 工程"]
  P14 --> P15["阶段 15 · 自主系统"]
  P15 --> P16["阶段 16 · 多 agent 与集群"]
  P14 --> P17["阶段 17 · 基础设施与生产"]
  P15 --> P18["阶段 18 · 伦理、安全与对齐"]
  P16 --> P19["阶段 19 · 综合项目"]
  P17 --> P19
  P18 --> P19

░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒

一节课的样子

每节课都待在自己的文件夹里，整套课程结构统一：

phases/<NN>-<phase-name>/<NN>-<lesson-name>/
├── code/      可运行的实现（Python、TypeScript、Rust、Julia）
├── docs/
│   └── zh.md  课程正文
└── outputs/   本节课产出的提示词、技能、agent 或 MCP server

每节课都走六个节拍。其中 Build It / Use It（动手构建 / 上手使用）的拆分是整节课的脊椎—— 你先从零实现算法，再用生产级的库把同样的事跑一遍。你之所以懂框架在做什么，是因为那个更小的版本你自己写过。

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff'}}}%%
flowchart LR
  M["主旨<br/>一句话核心理念"] --> Pr["问题背景<br/>具体的痛点"]
  Pr --> C["核心概念<br/>图解与直觉"]
  C --> B["动手构建<br/>纯数学，不用框架"]
  B --> U["实际使用<br/>同样的事用 PyTorch / sklearn 跑一遍"]
  U --> S["拿去用<br/>提示词 · 技能 · agent · MCP"]

快速开始

三种入门方式。挑一个。

方式 A —— 阅读。 在 aieng-zh.cn 上打开任意一节已完成的课程，或展开目录里的某个阶段。无需配置，无需 clone。

方式 B —— clone 下来跑。

git clone https://github.com/fancyboi999/ai-engineering-from-scratch-zh.git
cd ai-engineering-from-scratch-zh
python phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.py

方式 C —— 测一测你的水平 (推荐)。 聪明地跳级。在 Claude、Cursor、Codex、OpenClaw、Hermes，或任何装了本课程技能的 agent 里：

/find-your-level

十道题。把你的知识映射到一个起始阶段，生成一条带课时估算的个性化路径。每学完一个阶段：

/check-understanding 3        # 测验你对阶段 3 的掌握
ls phases/03-deep-learning-core/05-loss-functions/outputs/
# ├── prompt-loss-function-selector.md
# └── prompt-loss-debugger.md

前置要求

你会写代码（任何语言都行，会 Python 更好）。
你想搞懂 AI 到底是怎么运作的，而不只是调调 API。

内置 agent 技能（Claude、Cursor、Codex、OpenClaw、Hermes）

技能	作用
`/find-your-level`	十道题的定级测验。把你的知识映射到一个起始阶段，生成带课时估算的个性化路径。
`/check-understanding <phase>`	按阶段测验，八道题，附反馈和需要复习的具体课程。

░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒

每节课都有产出

别的课程结尾是一句 "恭喜，你学会了 X。" 这里每节课的结尾，是一件你能直接装上、或粘进日常工作流的 可复用工具。

_{FIG_001 · A} PROMPTS	_{FIG_001 · B} SKILLS	_{FIG_001 · C} AGENTS	_{FIG_001 · D} MCP SERVERS
粘进任意 AI 助手，在某个细分任务上获得专家级帮助。	放进 Claude、Cursor、Codex、OpenClaw、Hermes，或任何能读 `SKILL.md` 的 agent。	作为自主 worker 部署——那个循环你在阶段 14 自己写过。	接入任意兼容 MCP 的客户端。在阶段 13 里从头到尾构建。

用 python3 scripts/install_skills.py 一次性全部安装。是真家伙，不是课后作业。学完整套课程，你会攒下近 500 件产物——你是真懂它们，因为它们都是你亲手造的。

FIG_002 · 一个实例

阶段 14，第 1 课：agent 循环。约 120 行纯 Python，零依赖。

code/agent_loop.py _动手构建

def run(query, tools):
    history = [user(query)]
    for step in range(MAX_STEPS):
        msg = llm(history)
        if msg.tool_calls:
            for call in msg.tool_calls:
                result = tools[call.name](**call.args)
                history.append(tool_result(call.id, result))
            continue
        return msg.content
    raise StepLimitExceeded

outputs/skill-agent-loop.md _交付

---
name: agent-loop
description: ReAct-style loop for any tool list
phase: 14
lesson: 01
---

Implement a minimal agent loop that...

outputs/prompt-debug-agent.md

You are an agent debugger. Given the trace
of an agent run, identify the step where
the agent went wrong and explain why...

░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒

课程目录

二十个阶段。点开任意阶段即可展开它的课程列表。

Phase 0: 配置与工具链 `12 lessons`

把环境准备好，迎接后面所有的内容。

#	Lesson	Type	Lang
01	开发环境	Build	Python
02	Git 与协作	Learn	—
03	GPU 配置与云端	Build	Python
04	API 与密钥	Build	Python
05	Jupyter Notebook	Build	Python
06	Python 环境管理	Build	Shell
07	面向 AI 的 Docker	Build	Docker
08	编辑器配置	Build	—
09	数据管理	Build	Python
10	终端与 Shell	Learn	—
11	面向 AI 的 Linux	Learn	—
12	调试与性能分析	Build	Python

Phase 1 — 数学基础 22 lessons 每个 AI 算法背后的直觉，用代码讲清楚。

#	Lesson	Type	Lang
01	线性代数直觉	Learn	Python, Julia
02	向量、矩阵与运算	Build	Python, Julia
03	矩阵变换与特征值	Build	Python, Julia
04	机器学习里的微积分：导数与梯度	Learn	Python
05	链式法则与自动微分	Build	Python
06	概率与分布	Learn	Python
07	贝叶斯定理与统计思维	Build	Python
08	优化：梯度下降家族	Build	Python
09	信息论：熵与 KL 散度	Learn	Python
10	降维：PCA、t-SNE、UMAP	Build	Python
11	奇异值分解	Build	Python, Julia
12	张量运算	Build	Python
13	数值稳定性	Build	Python
14	范数与距离	Build	Python
15	机器学习里的统计学	Build	Python
16	采样方法	Build	Python
17	线性方程组	Build	Python
18	凸优化	Build	Python
19	面向 AI 的复数	Learn	Python
20	傅里叶变换	Build	Python
21	机器学习里的图论	Build	Python
22	随机过程	Learn	Python

Phase 2 — 机器学习基础 18 lessons 经典机器学习——至今仍是大多数生产 AI 的骨架。

#	Lesson	Type	Lang
01	什么是机器学习	Learn	Python
02	从零实现线性回归	Build	Python
03	逻辑回归与分类	Build	Python
04	决策树与随机森林	Build	Python
05	支持向量机	Build	Python
06	KNN 与距离度量	Build	Python
07	无监督学习：K-Means、DBSCAN	Build	Python
08	特征工程与特征选择	Build	Python
09	模型评估：指标与交叉验证	Build	Python
10	偏差、方差与学习曲线	Learn	Python
11	集成方法：Boosting、Bagging、Stacking	Build	Python
12	超参数调优	Build	Python
13	机器学习流水线与实验追踪	Build	Python
14	朴素贝叶斯	Build	Python
15	时间序列基础	Build	Python
16	异常检测	Build	Python
17	处理不平衡数据	Build	Python
18	特征选择	Build	Python

Phase 3 — 深度学习核心 13 lessons 从第一性原理出发的神经网络。先自己造一个，再碰框架。

#	Lesson	Type	Lang
01	感知机：一切的起点	Build	Python
02	多层网络与前向传播	Build	Python
03	从零实现反向传播	Build	Python
04	激活函数：ReLU、Sigmoid、GELU 及其原因	Build	Python
05	损失函数：MSE、交叉熵、对比损失	Build	Python
06	优化器：SGD、Momentum、Adam、AdamW	Build	Python
07	正则化：Dropout、权重衰减、BatchNorm	Build	Python
08	权重初始化与训练稳定性	Build	Python
09	学习率调度与 Warmup	Build	Python
10	造一个你自己的迷你框架	Build	Python
11	PyTorch 入门	Build	Python
12	JAX 入门	Build	Python
13	调试神经网络	Build	Python

Phase 4 — 计算机视觉 28 lessons 从像素到理解——图像、视频、3D、VLM 和世界模型。

#	Lesson	Type	Lang
01	图像基础：像素、通道、色彩空间	Learn	Python
02	从零实现卷积	Build	Python
03	CNN：从 LeNet 到 ResNet	Build	Python
04	图像分类	Build	Python
05	迁移学习与微调	Build	Python
06	目标检测——从零实现 YOLO	Build	Python
07	语义分割——U-Net	Build	Python
08	实例分割——Mask R-CNN	Build	Python
09	图像生成——GAN	Build	Python
10	图像生成——扩散模型	Build	Python
11	Stable Diffusion——架构与微调	Build	Python
12	视频理解——时序建模	Build	Python
13	3D 视觉：点云、NeRF	Build	Python
14	Vision Transformer（ViT）	Build	Python
15	实时视觉：边缘部署	Build	Python
16	构建一条完整的视觉流水线	Build	Python
17	自监督视觉——SimCLR、DINO、MAE	Build	Python
18	开放词表视觉——CLIP	Build	Python
19	OCR 与文档理解	Build	Python
20	图像检索与度量学习	Build	Python
21	关键点检测与姿态估计	Build	Python
22	从零实现 3D 高斯泼溅	Build	Python
23	Diffusion Transformer 与 Rectified Flow	Build	Python
24	SAM 3 与开放词表分割	Build	Python
25	视觉语言模型（ViT-MLP-LLM）	Build	Python
26	单目深度与几何估计	Build	Python
27	多目标跟踪与视频记忆	Build	Python
28	世界模型与视频扩散	Build	Python

Phase 5 — NLP：从基础到进阶 29 lessons 语言是通往智能的接口。

#	Lesson	Type	Lang
01	文本处理：分词、词干提取、词形还原	Build	Python
02	词袋、TF-IDF 与文本表示	Build	Python
03	词嵌入：从零实现 Word2Vec	Build	Python
04	GloVe、FastText 与子词嵌入	Build	Python
05	情感分析	Build	Python
06	命名实体识别（NER）	Build	Python
07	词性标注与句法分析	Build	Python
08	文本分类——用于文本的 CNN 与 RNN	Build	Python
09	序列到序列模型	Build	Python
10	注意力机制——那次突破	Build	Python
11	机器翻译	Build	Python
12	文本摘要	Build	Python
13	问答系统	Build	Python
14	信息检索与搜索	Build	Python
15	主题建模：LDA、BERTopic	Build	Python
16	文本生成	Build	Python
17	聊天机器人：从规则到神经网络	Build	Python
18	多语言 NLP	Build	Python
19	子词分词：BPE、WordPiece、Unigram、SentencePiece	Learn	Python
20	结构化输出与约束解码	Build	Python
21	自然语言推理与文本蕴含	Learn	Python
22	嵌入模型深入剖析	Learn	Python
23	RAG 的分块策略	Build	Python
24	指代消解	Learn	Python
25	实体链接与消歧	Build	Python
26	关系抽取与知识图谱构建	Build	Python
27	LLM 评估：RAGAS、DeepEval、G-Eval	Build	Python
28	长上下文评估：NIAH、RULER、LongBench、MRCR	Learn	Python
29	对话状态跟踪	Build	Python

Phase 6 — 语音与音频 17 lessons 听见、听懂、开口说。

#	Lesson	Type	Lang
01	音频基础：波形、采样、FFT	Learn	Python
02	频谱图、梅尔刻度与音频特征	Build	Python
03	音频分类	Build	Python
04	语音识别（ASR）	Build	Python
05	Whisper：架构与微调	Build	Python
06	说话人识别与验证	Build	Python
07	文本转语音（TTS）	Build	Python
08	声音克隆与音色转换	Build	Python
09	音乐生成	Build	Python
10	音频语言模型	Build	Python
11	实时音频处理	Build	Python
12	搭一条语音助手流水线	Build	Python
13	神经音频编解码器——EnCodec、SNAC、Mimi、DAC	Learn	Python
14	语音活动检测与轮次切换	Build	Python
15	流式语音到语音——Moshi、Hibiki	Learn	Python
16	语音防伪与音频水印	Build	Python
17	音频评估——WER、MOS、MMAU、排行榜	Learn	Python

Phase 7 — Transformer 深入剖析 16 lessons 那个改变了一切的架构。

#	Lesson	Type	Lang
01	为什么用 Transformer：RNN 的问题	Learn	Python
02	从零实现自注意力	Build	Python
03	多头注意力	Build	Python
04	位置编码：正弦、RoPE、ALiBi	Build	Python
05	完整的 Transformer：编码器 + 解码器	Build	Python
06	BERT——掩码语言建模	Build	Python
07	GPT——因果语言建模	Build	Python
08	T5、BART——编码器-解码器模型	Learn	Python
09	Vision Transformer（ViT）	Build	Python
10	音频 Transformer——Whisper 架构	Learn	Python
11	专家混合（MoE）	Build	Python
12	KV Cache、Flash Attention 与推理优化	Build	Python
13	缩放定律	Learn	Python
14	从零构建一个 Transformer	Build	Python
15	Attention 变体——滑动窗口、稀疏、差分	Build	Python
16	投机解码——草稿、验证、重复	Build	Python

Phase 8 — 生成式 AI 15 lessons 生成图像、视频、音频、3D，等等。

#	Lesson	Type	Lang
01	生成模型：分类与历史	Learn	Python
02	自编码器与 VAE	Build	Python
03	GAN：生成器 vs 判别器	Build	Python
04	条件 GAN 与 Pix2Pix	Build	Python
05	StyleGAN	Build	Python
06	扩散模型——从零实现 DDPM	Build	Python
07	潜在扩散与 Stable Diffusion	Build	Python
08	ControlNet、LoRA 与条件控制	Build	Python
09	图像修复、扩展与编辑	Build	Python
10	视频生成	Build	Python
11	音频生成	Build	Python
12	3D 生成	Build	Python
13	Flow Matching 与 Rectified Flow	Build	Python
14	评估：FID、CLIP Score	Build	Python
19	视觉自回归建模（VAR）：下一尺度预测	Build	Python

Phase 9 — 强化学习 12 lessons RLHF 和会玩游戏的 AI 的基石。

#	Lesson	Type	Lang
01	MDP、状态、动作与奖励	Learn	Python
02	动态规划	Build	Python
03	蒙特卡洛方法	Build	Python
04	Q-Learning、SARSA	Build	Python
05	深度 Q 网络（DQN）	Build	Python
06	策略梯度——REINFORCE	Build	Python
07	Actor-Critic——A2C、A3C	Build	Python
08	PPO	Build	Python
09	奖励建模与 RLHF	Build	Python
10	多智能体强化学习	Build	Python
11	仿真到现实的迁移	Build	Python
12	游戏中的强化学习	Build	Python

Phase 10 — 从零实现 LLM 24 lessons 构建、训练并真正理解大语言模型。

#	Lesson	Type	Lang
01	分词器：BPE、WordPiece、SentencePiece	Build	Python, Rust
02	从零实现一个分词器	Build	Python
03	预训练的数据流水线	Build	Python
04	预训练一个迷你 GPT（124M）	Build	Python
05	分布式训练、FSDP、DeepSpeed	Build	Python
06	指令微调——SFT	Build	Python
07	RLHF——奖励模型 + PPO	Build	Python
08	DPO——直接偏好优化	Build	Python
09	Constitutional AI 与自我改进	Build	Python
10	评估——基准与 evals	Build	Python
11	量化：INT8、GPTQ、AWQ、GGUF	Build	Python
12	推理优化	Build	Python
13	搭一条完整的 LLM 流水线	Build	Python
14	开源模型：架构逐一拆解	Learn	Python
15	投机解码与 EAGLE-3	Build	Python
16	差分注意力（V2）	Build	Python
17	原生稀疏注意力（DeepSeek NSA）	Build	Python
18	多 token 预测（MTP）	Build	Python
19	DualPipe 并行	Learn	Python
20	DeepSeek-V3 架构拆解	Learn	Python
21	Jamba——SSM-Transformer 混合架构	Learn	Python
22	异步与 Hogwild! 推理	Build	Python
25	推测解码与 EAGLE	Build	Python
34	梯度检查点与激活重算	Build	Python

Phase 11 — LLM 工程 17 lessons 让 LLM 在生产环境里干活。

#	Lesson	Type	Lang
01	提示工程：技巧与套路	Build	Python
02	Few-Shot、CoT、Tree-of-Thought	Build	Python
03	结构化输出	Build	Python
04	嵌入与向量表示	Build	Python
05	上下文工程	Build	Python
06	RAG：检索增强生成	Build	Python
07	进阶 RAG：分块、重排	Build	Python
08	用 LoRA 与 QLoRA 微调	Build	Python
09	函数调用与工具使用	Build	Python
10	评估与测试	Build	Python
11	缓存、限流与成本	Build	Python
12	护栏与安全	Build	Python
13	构建一个生产级 LLM 应用	Build	Python
14	模型上下文协议（MCP）	Build	Python
15	提示缓存与上下文缓存	Build	Python
16	LangGraph：面向 agent 的状态机	Build	Python
17	agent 框架的取舍	Learn	Python

Phase 12 — 多模态 AI 25 lessons 跨模态地看、听、读、推理——从 ViT 的图块到操作电脑的 agent。

#	Lesson	Type	Lang
01	Vision Transformer 与图块-token 原语	Learn	Python
02	CLIP 与对比式视觉语言预训练	Build	Python
03	BLIP-2 Q-Former 作为模态桥梁	Build	Python
04	Flamingo 与门控交叉注意力	Learn	Python
05	LLaVA 与视觉指令微调	Build	Python
06	任意分辨率视觉——Patch-n'-Pack 与 NaFlex	Build	Python
07	开源权重 VLM 配方：真正要紧的是什么	Learn	Python
08	LLaVA-OneVision：单图、多图、视频	Build	Python
09	Qwen-VL 家族与动态 FPS 视频	Learn	Python
10	InternVL3 原生多模态预训练	Learn	Python
11	Chameleon 早融合纯 token	Build	Python
12	Emu3 用下一 token 预测做生成	Learn	Python
13	Transfusion：自回归 + 扩散	Build	Python
14	Show-o 离散扩散统一架构	Learn	Python
15	Janus-Pro 解耦编码器	Build	Python
16	MIO 任意到任意流式	Learn	Python
17	视频语言时序定位	Build	Python
18	百万 token 上下文下的长视频	Build	Python
19	音频语言模型：从 Whisper 到 AF3	Build	Python
20	Omni 模型：Thinker-Talker 流式	Build	Python
21	具身 VLA：RT-2、OpenVLA、π0、GR00T	Learn	Python
22	文档与图表理解	Build	Python
23	ColPali 视觉原生文档 RAG	Build	Python
24	多模态 RAG 与跨模态检索	Build	Python
25	多模态 agent 与操作电脑（综合项目）	Build	Python

Phase 13 — 工具与协议 23 lessons AI 与真实世界之间的接口。

#	Lesson	Type	Lang
01	工具接口	Learn	Python
02	函数调用深入剖析	Build	Python
03	并行与流式工具调用	Build	Python
04	结构化输出	Build	Python
05	工具 Schema 设计	Learn	Python
06	MCP 基础	Learn	Python
07	构建一个 MCP server	Build	Python
08	构建一个 MCP client	Build	Python
09	MCP 传输层	Learn	Python
10	MCP 资源与提示	Build	Python
11	MCP Sampling	Build	Python
12	MCP Roots 与 Elicitation	Build	Python
13	MCP 异步任务	Build	Python
14	MCP Apps	Build	Python
15	MCP 安全 I——工具投毒	Learn	Python
16	MCP 安全 II——OAuth 2.1	Build	Python
17	MCP 网关与注册表	Learn	Python
18	生产环境的 MCP 认证——iii 上的 DCR + JWKS	Build	Python
19	A2A 协议	Build	Python
20	OpenTelemetry GenAI	Build	Python
21	LLM 路由层	Learn	Python
22	Skills 与 Agent SDK	Learn	Python
23	综合项目——工具生态	Build	Python

Phase 14 — Agent 工程 42 lessons 从第一性原理构建 agent——循环、记忆、规划、框架、基准、生产、工作台。

#	Lesson	Type	Lang
01	Agent 循环	Build	Python
02	ReWOO 与 Plan-and-Execute	Build	Python
03	Reflexion 与言语强化学习	Build	Python
04	Tree of Thoughts 与 LATS	Build	Python
05	Self-Refine 与 CRITIC	Build	Python
06	工具使用与函数调用	Build	Python
07	记忆——虚拟上下文与 MemGPT	Build	Python
08	记忆块与睡眠时计算	Build	Python
09	混合记忆——Mem0 向量 + 图 + KV	Build	Python
10	技能库与终身学习——Voyager	Build	Python
11	用 HTN 与进化搜索做规划	Build	Python
12	Anthropic 的工作流模式	Build	Python
13	LangGraph——有状态图与持久化执行	Build	Python
14	AutoGen v0.4——Actor 模型	Build	Python
15	CrewAI——基于角色的团队与流程	Build	Python
16	OpenAI Agents SDK——交接、护栏、追踪	Build	Python
17	Claude Agent SDK——子 agent 与会话存储	Build	Python
18	Agno 与 Mastra——生产级运行时	Learn	Python
19	基准——SWE-bench、GAIA、AgentBench	Learn	Python
20	基准——WebArena 与 OSWorld	Learn	Python
21	操作电脑——Claude、OpenAI CUA、Gemini	Build	Python
22	语音 agent——Pipecat 与 LiveKit	Build	Python
23	OpenTelemetry GenAI 语义约定	Build	Python
24	Agent 可观测性——Langfuse、Phoenix、Opik	Learn	Python
25	多 agent 辩论与协作	Build	Python
26	失败模式——agent 为什么会崩	Build	Python
27	提示注入与 PVE 防御	Build	Python
28	编排模式——Supervisor、Swarm、分层	Build	Python
29	生产级运行时——队列、事件、Cron	Learn	Python
30	Eval 驱动的 agent 开发	Build	Python
31	Agent 工作台：能力强的模型为什么仍会失败	Learn	Python
32	最小化 agent 工作台	Build	Python
33	把 agent 指令写成可执行约束	Build	Python
34	仓库记忆与持久化状态	Build	Python
35	给 agent 的初始化脚本	Build	Python
36	范围契约与任务边界	Build	Python
37	运行时反馈回路	Build	Python
38	验证关卡	Build	Python
39	审查 agent：把构建者和评判者分开	Build	Python
40	多会话交接	Build	Python
41	在真实仓库上跑工作台	Build	Python
42	综合项目：交付一套可复用的 agent 工作台包	Build	Python

阶段 14 里每节工作台课程（31-42）都附带一份 mission.md，在 agent 打开完整课程文档前先给它做简报。

Phase 15 — 自主系统 22 lessons 长程 agent、自我改进，以及 2026 年的安全技术栈。

#	Lesson	Type	Lang
01	从聊天机器人到长程 agent（METR）	Learn	Python
02	STaR、V-STaR、Quiet-STaR：自学推理	Learn	Python
03	AlphaEvolve：进化式编码 agent	Learn	Python
04	Darwin Gödel Machine：自我修改的 agent	Learn	Python
05	AI Scientist v2：研讨会级别的科研	Learn	Python
06	自动化对齐研究（Anthropic AAR）	Learn	Python
07	递归式自我改进：能力 vs 对齐	Learn	Python
08	有界自我改进的设计	Learn	Python
09	自主编码 agent 全景（SWE-bench、CodeAct）	Learn	Python
10	Claude Code 的权限模式与 Auto 模式	Learn	Python
11	浏览器 agent 与间接提示注入	Learn	Python
12	长时运行 agent 的持久化执行	Learn	Python
13	动作预算、迭代上限、成本管控	Learn	Python
14	急停开关、熔断器、金丝雀 token	Learn	Python
15	人在回路：先提议后提交	Learn	Python
16	检查点与回滚	Learn	Python
17	Constitutional AI 与规则覆盖	Learn	Python
18	Llama Guard 与输入/输出分类	Learn	Python
19	Anthropic 负责任扩展政策 v3.0	Learn	Python
20	OpenAI Preparedness 框架与 DeepMind FSF	Learn	Python
21	METR 时间跨度与外部评估	Learn	Python
22	CAIS、CAISI 与社会规模风险	Learn	Python

Phase 16 — 多 agent 与集群 25 lessons 协调、涌现，以及集体智能。

#	Lesson	Type	Lang
01	为什么要多 agent	Learn	TypeScript
02	FIPA-ACL 传承与言语行为	Learn	Python
03	通信协议	Build	TypeScript
04	多 agent 原语模型	Learn	Python
05	Supervisor / 编排者-worker 模式	Build	Python
06	分层架构与分解漂移	Learn	Python
07	心智社会与多 agent 辩论	Build	Python
08	角色专精——规划者 / 批评者 / 执行者 / 验证者	Build	Python
09	并行集群与网络化架构	Build	Python
10	群聊与发言人选择	Build	Python
11	交接与例程（无状态编排）	Build	Python
12	A2A——Agent 到 Agent 协议	Build	Python
13	共享记忆与黑板模式	Build	Python
14	共识与拜占庭容错	Build	Python
15	投票、自洽性与辩论拓扑	Build	Python
16	协商与议价	Build	Python
17	生成式 agent 与涌现式仿真	Build	Python
18	心智理论与涌现式协调	Build	Python
19	群体优化（PSO、ACO）	Build	Python
20	MARL——MADDPG、QMIX、MAPPO	Learn	Python
21	Agent 经济、token 激励、声誉	Learn	Python
22	生产级扩展——队列、检查点、持久性	Build	Python
23	失败模式——MAST、群体思维、单一文化	Learn	Python
24	评估与协调基准	Learn	Python
25	案例研究与 2026 最新进展	Learn	Python

Phase 17 — 基础设施与生产 28 lessons 把 AI 交付到真实世界。

#	Lesson	Type	Lang
01	托管 LLM 平台 — Bedrock、Azure OpenAI、Vertex AI	Learn	Python
02	推理平台经济学 — Fireworks、Together、Baseten、Modal	Learn	Python
03	Kubernetes 上的 GPU 自动扩缩 — Karpenter、KAI Scheduler	Learn	Python
04	vLLM 服务内部机制 — PagedAttention、连续批处理、分块预填充	Learn	Python
05	生产环境中的 EAGLE-3 推测解码	Learn	Python
06	面向前缀密集型负载的 SGLang 与 RadixAttention	Learn	Python
07	Blackwell 上用 FP8 与 NVFP4 的 TensorRT-LLM	Learn	Python
08	推理指标 — TTFT、TPOT、ITL、Goodput、P99	Learn	Python
09	生产级量化 — AWQ、GPTQ、GGUF、FP8、NVFP4	Learn	Python
10	无服务器 LLM 的冷启动缓解	Learn	Python
11	多区域 LLM 服务与 KV 缓存局部性	Learn	Python
12	边缘推理 — ANE、Hexagon、WebGPU、Jetson	Learn	Python
13	LLM 可观测性技术栈选型	Learn	Python
14	提示缓存与语义缓存的经济学	Learn	Python
15	批处理 API — 50% 折扣作为行业标准	Learn	Python
16	把模型路由作为降本原语	Learn	Python
17	预填充/解码分离 — NVIDIA Dynamo 与 llm-d	Learn	Python
18	带 LMCache KV 卸载的 vLLM 生产栈	Learn	Python
19	AI 网关 — LiteLLM、Portkey、Kong、Bifrost	Learn	Python
20	影子、金丝雀与渐进式部署	Learn	Python
21	LLM 功能的 A/B 测试 — GrowthBook 与 Statsig	Learn	Python
22	LLM API 的负载测试 — k6、LLMPerf、GenAI-Perf	Build	Python
23	面向 AI 的 SRE — 多智能体事件响应	Learn	Python
24	面向 LLM 生产的混沌工程	Learn	Python
25	安全 — 密钥、PII 脱敏、审计日志	Learn	Python
26	合规 — SOC 2、HIPAA、GDPR、EU AI Act、ISO 42001	Learn	Python
27	面向 LLM 的 FinOps — 单位经济与多租户归因	Learn	Python
28	自托管服务选型 — llama.cpp、Ollama、TGI、vLLM、SGLang	Learn	Python

Phase 18 — 伦理、安全与对齐 30 lessons 构建对人类有益的 AI。这不是选修。

#	Lesson	Type	Lang
01	把遵循指令当作对齐信号	Learn	Python
02	奖励黑客与古德哈特定律	Learn	Python
03	直接偏好优化家族	Learn	Python
04	阿谀奉承：RLHF 的放大效应	Learn	Python
05	Constitutional AI 与 RLAIF	Learn	Python
06	Mesa 优化与欺骗性对齐	Learn	Python
07	潜伏 agent——持续性欺骗	Learn	Python
08	前沿模型中的上下文内谋划	Learn	Python
09	对齐造假	Learn	Python
10	AI Control——即便被颠覆也保安全	Learn	Python
11	可扩展监督与弱到强	Learn	Python
12	红队：PAIR 与自动化攻击	Build	Python
13	多样本越狱	Learn	Python
14	ASCII 字符画与视觉越狱	Build	Python
15	间接提示注入	Build	Python
16	红队工具：Garak、Llama Guard、PyRIT	Build	Python
17	WMDP 与双用途能力评估	Learn	Python
18	前沿安全框架——RSP、PF、FSF	Learn	Python
19	模型福祉研究	Learn	Python
20	偏见与表征伤害	Build	Python
21	公平性准则：群体、个体、反事实	Learn	Python
22	面向 LLM 的差分隐私	Build	Python
23	水印：SynthID、Stable Signature、C2PA	Build	Python
24	监管框架：欧盟、美国、英国、韩国	Learn	Python
25	EchoLeak 与 AI 的 CVE	Learn	Python
26	模型卡、系统卡与数据集卡	Build	Python
27	数据溯源与训练数据治理	Learn	Python
28	对齐研究生态：MATS、Redwood、Apollo、METR	Learn	Python
29	内容审核系统：OpenAI、Perspective、Llama Guard	Build	Python
30	双用途风险：网络、生物、化学、核	Learn	Python

Phase 19 — 综合项目 85 projects 2026 年的端到端可交付产品，每个 20-40 小时。

#	Project	Combines	Lang
01	终端原生编码 agent	P0 P5 P7 P10 P11 P13 P14 P15 P17 P18	Python
02	代码库 RAG（跨仓库语义搜索）	P5 P7 P11 P13 P17	Python
03	实时语音助手（ASR → LLM → TTS）	P6 P7 P11 P13 P14 P17	Python
04	多模态文档问答（视觉优先）	P4 P5 P7 P11 P12 P17	Python
05	自主科研 agent（AI-Scientist 级别）	P0 P2 P3 P7 P10 P14 P15 P16 P18	Python
06	面向 Kubernetes 的 DevOps 排障 agent	P11 P13 P14 P15 P17 P18	Python
07	端到端微调流水线	P2 P3 P7 P10 P11 P17 P18	Python
08	生产级 RAG 聊天机器人（受监管垂直行业）	P5 P7 P11 P12 P17 P18	Python
09	代码迁移 agent（仓库级升级）	P5 P7 P11 P13 P14 P15 P17	Python
10	多 agent 软件工程团队	P11 P13 P14 P15 P16 P17	Python
11	LLM 可观测性与 Eval 仪表盘	P11 P13 P17 P18	Python
12	视频理解流水线（场景 → 问答）	P4 P6 P7 P11 P12 P17	Python
13	带注册表与治理的 MCP server	P11 P13 P14 P17 P18	Python
14	投机解码推理服务器	P3 P7 P10 P17	Python
15	Constitutional 安全测试架 + 红队靶场	P10 P11 P13 P14 P18	Python
16	GitHub Issue 到 PR 的自主 agent	P11 P13 P14 P15 P17	Python
17	个人 AI 导师（自适应、多模态）	P5 P6 P11 P12 P14 P17 P18	Python
20	Agent Harness Loop 契约	A. Agent harness	Python
21	带 Schema 校验的 Tool Registry	A. Agent harness	Python
22	基于换行分隔 stdio 的 JSON-RPC 2.0	A. Agent harness	Python
23	Function Call Dispatcher	A. Agent harness	Python
24	Plan-Execute 控制流	A. Agent harness	Python
25	Verification Gate 与 Observation Budget	A. Agent harness	Python
26	带 Denylist 与 Path Jail 的 Sandbox Runner	A. Agent harness	Python
27	带 Fixture Tasks 的 Eval Harness	A. Agent harness	Python
28	用 OTel GenAI Span 与 Prometheus 做 Observability	A. Agent harness	Python
29	端到端 Coding Agent Demo	A. Agent harness	Python
30	从零实现 BPE Tokenizer	B. NLP LLM	Python
31	带 Sliding Window 的 Tokenized Dataset	B. NLP LLM	Python
32	Token Embedding 与 Positional Embedding	B. NLP LLM	Python
33	Multi-Head Self-Attention	B. NLP LLM	Python
34	从零实现 Transformer Block	B. NLP LLM	Python
35	GPT 模型组装	B. NLP LLM	Python
36	训练循环与评估	B. NLP LLM	Python
37	加载预训练权重	B. NLP LLM	Python
38	通过换 Head 做分类微调	B. NLP LLM	Python
39	通过 SFT 做 Instruction Tuning	B. NLP LLM	Python
40	从零实现 DPO	B. NLP LLM	Python
41	完整评估流水线	B. NLP LLM	Python
42	大规模语料下载器	C. 端到端训练	Python
43	HDF5 Tokenized Corpus	C. 端到端训练	Python
44	Cosine 学习率 + 线性 Warmup	C. 端到端训练	Python
45	Gradient Clipping 与混合精度训练	C. 端到端训练	Python
46	梯度累积	C. 端到端训练	Python
47	Checkpoint 保存与恢复	C. 端到端训练	Python
48	从零实现分布式数据并行与 FSDP	C. 端到端训练	Python
49	语言模型评测框架	C. 端到端训练	Python
50	假设生成器	D. 自动研究	Python
51	文献检索	D. 自动研究	Python
52	实验执行器	D. 自动研究	Python
53	结果评估器	D. 自动研究	Python
54	论文生成器	D. 自动研究	Python
55	评审循环	D. 自动研究	Python
56	迭代调度器	D. 自动研究	Python
57	端到端研究 Demo	D. 自动研究	Python
58	Vision Encoder 的 Patch 切分	E. 多模态	Python
59	Vision Transformer Encoder（ViT）	E. 多模态	Python
60	用 Projection Layer 做模态对齐	E. 多模态	Python
61	Cross-Attention 融合	E. 多模态	Python
62	Vision-Language 预训练	E. 多模态	Python
63	多模态评测	E. 多模态	Python
64	Chunking 策略横向对比	F. 高级 RAG	Python
65	用 BM25 与 Dense Embedding 做 Hybrid Retrieval	F. 高级 RAG	Python
66	Cross-Encoder Reranker	F. 高级 RAG	Python
67	Query 改写：HyDE、Multi-Query 与 Decomposition	F. 高级 RAG	Python
68	RAG 评测：Precision、Recall、MRR、nDCG 等	F. 高级 RAG	Python
69	端到端 RAG 系统	F. 高级 RAG	Python
70	任务规格格式	G. 评测体系	Python
71	经典评测指标	G. 评测体系	Python
72	代码执行评测指标	G. 评测体系	Python
73	perplexity 与 calibration	G. 评测体系	Python
74	leaderboard 聚合	G. 评测体系	Python
75	端到端 eval runner	G. 评测体系	Python
76	从零实现集合通信	H. 分布式训练	Python
77	数据并行 DDP	H. 分布式训练	Python
78	ZeRO Optimizer State 分片	H. 分布式训练	Python
79	Pipeline Parallel 与 Bubble 分析	H. 分布式训练	Python
80	分片 Checkpoint 与原子化恢复	H. 分布式训练	Python
81	端到端分布式训练	H. 分布式训练	Python
82	越狱分类法	I. 安全护栏	Python
83	Prompt 注入检测器	I. 安全护栏	Python
84	拒答评估	I. 安全护栏	Python
85	内容分类器集成	I. 安全护栏	Python
86	Constitutional 规则引擎	I. 安全护栏	Python
87	端到端 safety gate	I. 安全护栏	Python

░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒

工具箱

每节课都会产出一件可复用的产物。学完之后，你手里会有：

outputs/
├── prompts/      覆盖每类 AI 任务的提示词模板
└── skills/       给 AI 编码 agent 用的 SKILL.md 文件

用 npx skills add 安装。把它们接进 Claude、Cursor、Codex、OpenClaw、Hermes，或任何能读 SKILL.md / AGENTS.md 目录的 agent。都是真家伙，不是课后作业。

把所有课程技能装进你的 agent

仓库在 phases/**/outputs/ 下交付了 388 个技能和 99 个提示词。

推荐：通过 skills.sh 安装。 不用 clone，不用 Python，自动识别你 agent 的技能目录：

npx skills add fancyboi999/ai-engineering-from-scratch-zh                       # 所有技能
npx skills add fancyboi999/ai-engineering-from-scratch-zh --skill agent-loop    # 单个技能
npx skills add fancyboi999/ai-engineering-from-scratch-zh --phase 14            # 单个阶段

skills 会写到你 agent 实际读取的那个目录：.claude/skills/、.cursor/skills/、 .codex/skills/、OpenClaw 的技能文件夹、Hermes 的 bundle 路径，或任何识别 SKILL.md 的工具。一条命令，覆盖所有 agent。

进阶：用 scripts/install_skills.py 做离线 / 自定义布局。 需要先 clone 仓库。当你需要按标签过滤、dry-run，或非默认布局时很有用：

python3 scripts/install_skills.py <target>                                 # 所有技能，默认 --layout skills（嵌套）
python3 scripts/install_skills.py <target> --layout skills                 # 同上，显式写出
python3 scripts/install_skills.py <target> --type all                      # 技能 + 提示词 + agent
python3 scripts/install_skills.py <target> --phase 14                      # 只装一个阶段
python3 scripts/install_skills.py <target> --tag rag                       # 按标签过滤
python3 scripts/install_skills.py <target> --layout flat                   # 扁平文件
python3 scripts/install_skills.py <target> --dry-run                       # 只预览，不写入
python3 scripts/install_skills.py <target> --force                         # 覆盖已有文件

<target> 是你 agent 的技能目录（例如： ~/.claude/skills/、~/.cursor/skills/、~/.config/openclaw/skills/、 .skills/，或任何你 agent 读取的路径）。

默认情况下，脚本拒绝覆盖已存在的目标，会列出每个冲突路径后以退出码 1 退出。用 --dry-run 预览冲突，或用 --force 覆盖。每次非 dry-run 的运行都会在目标里写一份 manifest.json，按类型和阶段分组列出完整清单。挑你 agent 读取的那种布局：

`--layout`	写入路径
`skills`	`<target>/<name>/SKILL.md`（嵌套约定，Claude / Cursor / Codex / OpenClaw / Hermes 都支持）
`by-phase`	`<target>/phase-NN/<name>.md`
`flat`	`<target>/<name>.md`

把 agent 工作台塞进你自己的仓库

阶段 14 的综合项目交付了一套可复用的 Agent Workbench 包（AGENTS.md、schema、 init / verify / handoff 脚本）。用下面的命令把它脚手架进任意仓库：

python3 scripts/scaffold_workbench.py path/to/your-repo            # 完整包 + 种子文件
python3 scripts/scaffold_workbench.py path/to/your-repo --minimal  # 跳过 docs/
python3 scripts/scaffold_workbench.py path/to/your-repo --dry-run  # 只预览
python3 scripts/scaffold_workbench.py path/to/your-repo --force    # 覆盖

你会得到接好线的七个工作台界面、一份起步用的 task_board.json，以及一份 schema_version: 1 的全新 agent_state.json。从这里开始：编辑任务、编辑 AGENTS.md、运行 scripts/init_agent.py，把契约交给你的 agent。包的源码在 phases/14-agent-engineering/42-agent-workbench-capstone/outputs/agent-workbench-pack/。

课程数据与课数校验

site/build.js 解析 README、ROADMAP 和每节课的 docs/zh.md，在 site/data.js 里生成站点用的课程数据（阶段、课程、术语表、产物）。计数以文件系统为真相。

node site/build.js            # 生成 site/data.js（+ sitemap.xml / llms.txt）
node site/build.js --check    # 只校验课程数一致性，不写文件

--check 以磁盘上的课程目录数为准，核对 README 表格、badge、散文、各 phase 标题和 ROADMAP 总计是否都对得上，任一漂移就 exit 1。一个 GitHub Action （.github/workflows/build.yml）在每个 PR 上跑构建 + 这道校验，挡住课数漂移（曾踩 435、498 vs 503）。新增课程时在 README + ROADMAP 表格补行、并更新该 phase 标题的课数即可；站点模板里散落的计数由 build 时 syncCounts 自动同步。

注：上游用 scripts/build_catalog.py + catalog.json + .github/workflows/curriculum.yml 做同样的事，但那套脚本硬编码 docs/en.md + 英文 README 正则，对本中文翻译仓不兼容，故改用上面这套等价的、认 zh.md 的校验。

给每节课的 Python 代码做冒烟检查

scripts/lesson_run.py 会逐字节编译每节课 code/ 目录下的每个 .py 文件。默认模式只做语法检查——不执行、不需要 API key、不需要重型 ML 依赖。专抓贡献者最常引入的回归（缩进错误、f-string 写坏、误改）。

python3 scripts/lesson_run.py                  # 语法检查整套课程
python3 scripts/lesson_run.py --phase 14       # 只查一个阶段
python3 scripts/lesson_run.py --json           # 在 stdout 输出 JSON 报告
python3 scripts/lesson_run.py --strict         # 任一课程失败就 exit 1
python3 scripts/lesson_run.py --execute        # 真正运行，每节课 10 秒超时

--execute 会运行每节课的 code/main.py（或第一个 .py 文件），10 秒超时。入口文件开头带 # requires: pkg1, pkg2 注释（列出非标准库依赖）的课程会被跳过，原因标为 needs <deps>。这个脚本是可选的，没接入 CI。

仅用标准库，Python 3.10+。设置 LINK_CHECK_SKIP=domain1,domain2 可以覆盖默认跳过名单（twitter.com、x.com、linkedin.com、instagram.com、medium.com——这些域名会主动屏蔽自动化的 HEAD/GET）。

从哪里开始

你的背景	从哪开始	预计时间
编程和 AI 都是新手	阶段 0 — 配置与工具链	~306 小时
会 Python，刚接触 ML	阶段 1 — 数学基础	~270 小时
懂 ML，刚接触深度学习	阶段 3 — 深度学习核心	~200 小时
懂深度学习，想学 LLM 和 agent	阶段 10 — 从零实现 LLM	~100 小时
资深工程师，只想要 agent 工程	阶段 14 — Agent 工程	~60 小时

░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒

为什么这件事现在很重要

_{FIG_003 · A}
THE INDUSTRY SIGNAL

_{FIG_003 · B}
FOUNDATIONAL PAPERS COVERED

"最热门的新编程语言，是英语。"
— Andrej Karpathy (tweet)

"软件工程正在我们眼前被重塑。"
— Boris Cherny，Claude Code 的作者

"模型只会越来越强。真正会复利增长的技能，是知道该造什么。"
— 行业共识，2026

Attention Is All You Need — Vaswani et al., 2017 → Phase 7
Language Models are Few-Shot Learners (GPT-3) → Phase 10
Denoising Diffusion Probabilistic Models → Phase 8
InstructGPT / RLHF → Phase 10
Direct Preference Optimization → Phase 10
Chain-of-Thought Prompting → Phase 11
ReAct: Reasoning + Acting in LLMs → Phase 14
Model Context Protocol — Anthropic → Phase 13

░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒░░░▒▒▒

参与贡献

Goal	Read
贡献一节课或一处修复	CONTRIBUTING.md
为你的团队或学校 fork	FORKING.md
课程模板	LESSON_TEMPLATE.md
跟踪进度	ROADMAP.md
术语表	glossary/terms.md
行为准则	CODE_OF_CONDUCT.md

提交一节课之前，先跑一遍不变量检查：

python3 scripts/audit_lessons.py           # 整套课程
python3 scripts/audit_lessons.py --phase 14  # 单个阶段
python3 scripts/audit_lessons.py --json    # 适合 CI 的输出

任一规则失败时退出码非零。规则（L001–L010）会校验目录结构、docs/zh.md 是否存在及是否有 H1、code/ 是否非空、quiz.json 的 schema（拒绝引发 issue #102 的旧版 q/choices/answer 键），以及课程文档里的相对链接。

Star 历史

如果这份手册帮到了你，给仓库点个 star。这能让项目活下去。

许可

MIT。随你怎么用——fork、拿去教学、拿去卖、拿去交付。欢迎署名，但不强制。

由 Rohit Ghumare 和社区共同维护。

_{@ghumare64 ·
aieng-zh.cn ·
Report / Suggest}

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Repository files navigation

这个中文版做了什么

怎么运作

课程的结构

一节课的样子

快速开始

前置要求

内置 agent 技能（Claude、Cursor、Codex、OpenClaw、Hermes）

每节课都有产出

FIG_002 · 一个实例

课程目录

Phase 0: 配置与工具链 `12 lessons`

工具箱

把所有课程技能装进你的 agent

把 agent 工作台塞进你自己的仓库

课程数据与课数校验

给每节课的 Python 代码做冒烟检查

从哪里开始

为什么这件事现在很重要

参与贡献

Star 历史

许可

About

Uh oh!

Releases

Packages

Uh oh!

Contributors

Uh oh!

Languages

Name		Name	Last commit message	Last commit date
Latest commit History 1,328 Commits
.claude/skills		.claude/skills
.github		.github
assets		assets
glossary		glossary
outputs		outputs
phases		phases
projects		projects
scripts		scripts
site		site
web		web
.coderabbit.yaml		.coderabbit.yaml
.gitignore		.gitignore
.sync-upstream-base		.sync-upstream-base
CHANGELOG.md		CHANGELOG.md
CODE_OF_CONDUCT.md		CODE_OF_CONDUCT.md
CONTRIBUTING.md		CONTRIBUTING.md
FORKING.md		FORKING.md
LESSON_TEMPLATE.md		LESSON_TEMPLATE.md
LICENSE		LICENSE
README.md		README.md
ROADMAP.md		ROADMAP.md
TRANSLATION.md		TRANSLATION.md
requirements.txt		requirements.txt
vercel.json		vercel.json

Folders and files

Latest commit

History

Repository files navigation

这个中文版做了什么

怎么运作

课程的结构

一节课的样子

快速开始

前置要求

内置 agent 技能（Claude、Cursor、Codex、OpenClaw、Hermes）

每节课都有产出

FIG_002 · 一个实例

课程目录

Phase 0: 配置与工具链 12 lessons

工具箱

把所有课程技能装进你的 agent

把 agent 工作台塞进你自己的仓库

课程数据与课数校验

给每节课的 Python 代码做冒烟检查

从哪里开始

为什么这件事现在很重要

参与贡献

Star 历史

许可

About

Topics

Resources

License

Code of conduct

Contributing

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Phase 0: 配置与工具链 `12 lessons`

Packages