# ai-engineering-from-scratch-zh

**Repository Path**: harmon/ai-engineering-from-scratch-zh

## Basic Information

- **Project Name**: ai-engineering-from-scratch-zh
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-06-09
- **Last Updated**: 2026-06-09

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# AI 工程从零开始

> 这不是一门"看完就忘"的课。这是一份**路线图**——从完全不会，到能独立做出 AI 产品。
>
> 不用数学系背景，不用博士学位。会写代码（任何语言），愿意动手，就够了。

### 🌐 在线体验（中文站）

直接访问：**https://ai.qianchilang.cn/**

### 📦 下载本地（离线可用，可标记学习进度）

百度网盘下载（永久有效）：

> 🔗 https://pan.baidu.com/s/1Hm6UffobBfAOGk0Lw5m4-w?pwd=yymh

解压后双击 **`启动网站.bat`**，浏览器自动打开课程页面。

---

## 这门课是干嘛的？

现在网上关于 AI 的资料太多了，但问题是：它们像一堆散落的拼图。

- 这边教你调个聊天机器人 API
- 那边发一篇注意力机制的论文
- 再 somewhere else 给你一个 Agent 的炫酷 demo

**拼不起来。你调通了 API，但说不清注意力到底在算什么。你接了个函数给 Agent，但不知道模型里面发生了什么。**

这门课就是那盒拼图的**封面图**。20 个阶段，435 节课，从"向量是什么"一路搭到"让一群 AI 自己协作完成任务"。

每节课你先**手写实现**（纯 Python，不用框架），搞懂原理后再用 PyTorch 跑一遍生产级的版本。最后，这节课会产出一个**你能直接用的工具**——一个 Prompt、一个 Skill、一个 Agent 或一个 MCP Server。

---

## 四个大台阶（别被 20 个阶段吓到）

虽然课程有 20 个阶段，但它们其实可以归为 **四个大台阶**。你不需要一口气爬完，找到自己的位置开始就行。

### 台阶一：打底（阶段 0~3）
**目标：搞懂 AI 的"数学语法"**

- **阶段 0** — 把你的电脑和环境配好（Python、GPU、Docker、Jupyter 这些）
- **阶段 1** — 线性代数、微积分、概率、优化。不是让你当数学家，是让你知道"点积为什么能测相似度"、"梯度下降到底在走什么路"
- **阶段 2** — 经典机器学习：线性回归、决策树、SVM、聚类。这些是生产环境里最常用的底子
- **阶段 3** — 深度学习核心：手写神经网络、反向传播、激活函数、正则化。然后才引入 PyTorch 和 JAX

**如果你只会写代码、没碰过 ML，从这里开始。**

> 时间：~73 小时

---

### 台阶二：专精（阶段 4~9）
**目标：掌握 AI 的四大武器——看、读、听、想**

| 武器 | 对应阶段 | 一句话说明 |
|---|---|---|
| **看**（计算机视觉） | 阶段 4 | 从像素到理解：图像分类、目标检测、图像生成、3D 视觉、视频理解 |
| **读**（自然语言处理） | 阶段 5 | 从文本到语义：分词、Word2Vec、注意力机制、机器翻译、文本摘要 |
| **听**（语音与音频） | 阶段 6 | 波形到文字再到语音：语音识别、Whisper、语音克隆、音乐生成 |
| **想**（强化学习） | 阶段 9 | 让 AI 通过试错学会策略：Q-Learning、PPO、RLHF（ChatGPT 的核心训练方法） |

这四个阶段之间没有严格先后关系。你对哪个方向感兴趣，就先看哪个。

> 时间：每个阶段 ~12-29 小时

---

### 台阶三：大模型（阶段 7~8 + 10~12）
**目标：理解并驾驭 Transformer 和大模型**

- **阶段 7** — Transformer 深度剖析：自注意力、多头注意力、位置编码、BERT/GPT/T5 的架构差异
- **阶段 8** — 生成式 AI：GAN、扩散模型、Stable Diffusion、ControlNet、视频/音频/3D 生成
- **阶段 10** — **从零构建 LLM**：手写分词器、预训练 Mini GPT（1.24 亿参数）、RLHF、DPO、量化、推理优化。还会 walkthrough DeepSeek-V3 等前沿架构
- **阶段 11** — **LLM 工程**：提示工程、RAG、LoRA 微调、函数调用、MCP（模型上下文协议）、生产级应用开发
- **阶段 12** — **多模态 AI**：CLIP、LLaVA、Qwen-VL、视频-语言模型、全模态模型、Computer-Use Agent

**这是现在最热门的部分。** 如果你只想学"怎么用大模型做产品"，可以从阶段 10 或 11 开始。

> 时间：~92 小时

---

### 台阶四：Agent 与生产（阶段 13~19）
**目标：让 AI 真正跑在生产环境里，自主完成任务**

- **阶段 13** — 工具与协议：MCP（让 AI 连接外部世界的标准协议）、A2A（Agent 之间怎么对话）、函数调用、安全认证
- **阶段 14** — **Agent 工程（42 节课）**：Agent 循环、ReAct、记忆系统、规划、LangGraph、AutoGen、CrewAI、Claude Agent SDK、语音 Agent、生产运行时、Agent Workbench
- **阶段 15** — 自主系统：长程任务 Agent、自我改进、AI Scientist、安全护栏（Kill Switch、回滚、Constitutional AI）
- **阶段 16** — 多智能体与集群：多个 AI 怎么协作、怎么协商、怎么避免"群体思维"、Swarm 优化
- **阶段 17** — 基础设施与生产：vLLM 推理服务、GPU 调度、缓存策略、A/B 测试、监控、成本控制、合规（GDPR/EU AI Act）
- **阶段 18** — 伦理、安全与对齐：红队测试、提示注入防御、偏见检测、水印、前沿安全框架
- **阶段 19** — **17 个综合大项目**：编码 Agent、代码库 RAG、实时语音助手、多模态文档问答、自主研究 Agent、K8s 排障 Agent、多智能体软件工程团队……

**如果你已经是工程师，想做 AI 产品或基础设施，从这里切入。**

> 时间：~120 小时

---

## 我应该从哪开始？

| 你现在的状态 | 建议起点 | 大概要多久 |
|---|---|---|
| 编程小白，AI 完全没碰过 | 阶段 0（环境搭建） | ~306 小时（全走完） |
| 会写 Python，没学过机器学习 | 阶段 1（数学基础） | ~270 小时 |
| 学过 ML，没碰过深度学习 | 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（从零构建 LLM） | ~100 小时 |
| 资深工程师，只想做 Agent 产品 | 阶段 14（智能体工程） | ~60 小时 |

**不知道自己算哪一档？** 仓库里有一个 `/find-your-level` 的测试，10 道题，帮你定位起点。

---

## 每节课长什么样？

不是视频，不是 PPT。每节课是一个文件夹，里面就三样东西：

```
01-线性代数直觉/
├── docs/zh.md      ← 课程文档（读这个）
├── code/vectors.py  ← 可运行的代码（跑这个）
└── outputs/         ← 这节课产出的工具（拿走用）
```

**六拍子节奏**：

1. **一句话核心** — 这节课到底在讲什么
2. **具体问题** — 为什么需要学这个
3. **直觉图解** — 用图和比喻让你"啊，原来是这样"
4. **手写实现** — 纯 Python/NumPy，不用框架，一行行看懂
5. **用现成库** — 同样的东西用 PyTorch/sklearn 再做一遍
6. **产出工具** — 带走一个能直接用的 Prompt、Skill 或 Agent

**举个实例**：Phase 14 第 1 课"Agent 循环"，手写实现只有 120 行纯 Python，零依赖。搞懂之后，你会带走一个可以插进 Claude/Cursor 的 `skill-agent-loop.md`。

---

## 学完之后你能做什么？

- 不是"会用 ChatGPT"，而是**能自己训练一个 Mini GPT**
- 不是"会调 API"，而是**能搭建一个带记忆、能调用工具的自主 Agent**
- 不是"知道 RAG 是什么"，而是**能从向量数据库到重排序到评估，搭一套生产级 RAG**
- 不是"听说过 MCP"，而是**能自己写一个 MCP Server 并部署到生产环境**

最终你会拥有 **435 个可复用工具**，不是作业，是真正能放进工作流的产物。

---

## 关于这门课的一些 FAQ

**Q: 要数学很好吗？**
A: 不需要。课程里的数学都是从零推导的，而且每步都有代码对应。你会写代码，就能跟上。

**Q: 有视频吗？**
A: 没有。作者刻意选择文字+代码的形式——没有 5 分钟短视频，没有 copy-paste 的部署脚本。如果你习惯看视频学习，这门课可能不适合你。

**Q: 免费吗？**
A: 完全免费，MIT 协议。你可以 fork 它、教它、卖它、商用，都行。作者是靠赞助维持的。

**Q: 学完整套要多久？**
A: ~320 小时，按自己的节奏来。不需要全部学完——根据你的目标，选相关的阶段深入即可。

**Q: 和买本书或看个网课有什么区别？**
A: 大多数课程学完就完了，这里**每节课都交一个工具**。你学的不只是知识，是一整套可以直接用的 AI 工程军火库。

---

## 原文与作者

- **GitHub**: [rohitg00/ai-engineering-from-scratch](https://github.com/rohitg00/ai-engineering-from-scratch)
- **官网**: [aiengineeringfromscratch.com](https://aiengineeringfromscratch.com)
- **协议**: MIT（可自由 fork、教学、商用）
- **作者**: Rohit Ghumare ([@ghumare64](https://x.com/ghumare64))

> 如果这门课对你有帮助，去 GitHub 点个 star。这是让项目活下去的方式。