一套让你先推导、再 import 的课程
多数 AI 学习材料以零散的碎片教学:这儿一篇论文、那儿一篇微调帖、别处一个花哨的智能体 demo,而碎片从来对不齐。这个仓库是相反的押注。它是一套免费开源的课程,作为一条从线性代数到自主蜂群的单一脊柱运行,每个算法都先从原始数学建起。反向传播、tokenizer、注意力、智能体循环,你在 PyTorch 这类框架出现之前先推导并实现每一个,于是等它出现时你已经知道它底下在做什么。
规模是认真的:503 节课、横跨 20 个阶段、约 320 小时,用 Python、TypeScript、Rust 和 Julia。它做的承诺不是「看懂」、而是「建懂」,而这正是当你的目标是「能解释、而非只是能跑」你交付的系统时,选它而非一门视频课的理由。
课程循环,以及「工件」的回报
每节课跑同一个循环:读问题、推导数学、写代码、跑测试、留下工件。最后这步是与众不同的部分。每节课交付一个可复用的工件,一个 prompt、一个技能、一个智能体,或一个 MCP server,于是你结束时不只有理解、还有一个不断增长的、你亲手建且真能用的工具箱。一套让你留下 503 个能用工件的课程,和一套让你留下笔记的课程,是不同的命题。
它免费、MIT 许可、为在你自己的笔记本上跑而造,没有五分钟视频、没有复制粘贴部署、没有手把手。它来自 Agent Memory 的作者,所以智能体与工具那几个阶段,是一个在那个领域里发货的人写的。
怎么用
没有包管理器意义上的安装;你在仓库里逐课推进、在你自己的环境里建每个工件。意图中的路径是线性的、一阶段接一阶段,因为靠后的课假设你建过靠前的数学和代码。你可以为某个具体话题挑着看,但价值在你顺着脊柱走时复利,因为整个设计就是:注意力在你写过一个 tokenizer 之后更说得通,而智能体循环在你写过注意力之后更说得通。
它适合谁,以及诚实的注意事项
如果你想要深度胜过速度、且愿意投入真实的小时数去从地基理解 AI 系统,就上它,尤其如果你是那许多「每天用 AI 工具、却不觉得准备好专业地用它们构建」的人之一,而那正是课程点名的目标缺口。
诚实地设好预期。约 320 小时是一个大承诺,而一套由小团队快速建起的 503 节课课程,会有不均之处和一个修正在途的 tracker(截至 2026-06 有 61 个 open issue,项目创建于 2026-03)。把它当成一套你主动从中学习的活课程,报告并绕过粗糙的课,而非一本打磨好、完成了的教科书。自己动手建的深度是回报,而它按设计要花时间。
ai-engineering-from-scratch 与 build-your-own-x 的对比
| ai-engineering-from-scratch | build-your-own-x | |
|---|---|---|
| Stars | 30,905 | 513,858 |
| 形态 | 原创线性课程 | 外部教程的策划索引 |
| 范围 | AI 工程、端到端 | 通用技术 |
| 输出 | 每课一个可复用工件 | 各教程各自产出 |
计数取自 GitHub,截至 2026 年 6 月。build-your-own-x 共享「重建以学会」的哲学,但它是一份指向第三方教程的广索引。这是专门给 AI 的、聚焦而原创的对应物:一条作者写的路径、一个领域、每步末尾一个工件。如果 AI 工程是你想靠构建去理解的那个东西,这是结构化的路线;build-your-own-x 是更宽的地图。
相关
要把同样的哲学作为一份通用、自定向的索引,见 build-your-own-x。要靠后阶段触及的更广模型生态,见 LLM 工具,想看还有什么在往上爬,见每日速报和周报。
FAQ
这套课程的路子是什么? 一切从零建:推导数学、写代码、测它、留下一个可复用工件,在任何框架被引入之前。
它有多大? 503 节课、横跨 20 个阶段、约 320 小时,用 Python、TypeScript、Rust 和 Julia。它免费、MIT 许可。
我需要先有很强的基础吗? 它从线性代数这类原始数学起步、往上建,所以它被设计成带你从基本功开始,但时间投入是可观的。
它和 build-your-own-x 有什么不同? 这是一套专门给 AI 的、原创线性课程、每课一个工件;build-your-own-x 是一份跨众多技术的外部教程策划索引。