ai-engineering-from-scratch：从数学到MCP的AI工程课程
一套给开发者的AI工程课程，从Python数学基础一路做到LLM、ReAct和MCP，能让Agent带着学。
GitHub rohitg00/ai-engineering-from-scratch 更新 2026-09-04 分支 main 星标 62.7K 分叉 10.7K
Python AI工程学习 Model Context Protocol Claude Code

🧭 决策指南

为什么现在热： 无法从材料判断

适合，如果你

  • 你想从Python线性代数、概率和梯度下降一路学到LLM与MCP。
    Contents列出Phase 1的Vectors、Probability、Gradient Descent，并在后续要点中列出GPT-3、ReAct和Model Context Protocol。
  • 你使用Claude Code或兼容Agent，希望通过课程技能恢复学习进度。
    Getting started的Option A提供npx skills add，并说明技能包含start-learning、learn和course-guide，进度写入LEARNING.md等文件。
  • 你希望直接阅读课程而不配置环境，或克隆后运行Python示例。
    Getting started提供Option B在线阅读，以及Option C的git clone、cd和python3 vectors.py路径。

不适合，如果你

  • 你需要一个已有版本、稳定依赖和明确维护团队的生产组件。
    项目数据标明贡献者为0、版本发布为0、最新版本为No releases、最近更新为Unknown。
  • 你只接受人工校对的非英语课程内容。
    README说明English is canonical，lesson pages在translations branch上为machine-translated。
  • 你要在不克隆仓库的情况下完成可执行的MCP或Agent Skills实验。
    Option A明确说明copied repository code commands以及executable MCP or Agent Skills labs需要local clone。

前置条件

  • Option A要求先完成Node.js、npx、host和scope preflight；README未提供具体版本。
  • 执行Option C的Python示例需要python3命令，README未提供Python版本。
  • MCP或Agent Skills可执行实验需要local clone；在线课程页面不需要克隆。

第一步命令（README 原文）

npx skills add rohitg00/ai-engineering-from-scratch

要注意

  • 在线Option B只能打开已完成lesson，代码命令和MCP实验仍需local clone。
    Getting started的Option B与Option A分别说明无需克隆阅读，以及本地clone对代码命令和MCP实验的要求。
  • 跨语言页面不等同于原始英文内容，翻译分支lesson使用machine translation。
    Read in your language章节注明English is canonical，lesson pages are machine-translated。
  • 课程内容表在Phase 3后因篇幅省略，无法仅凭材料核对全部后续课程。
    README正文写明“（后续内容因篇幅省略）”。

材料未说明

  • Node.js、Python、Julia、Docker及各阶段依赖的具体版本未知。
  • GPU型号、云服务要求、API供应商和密钥配置细节未知。
  • Phase 3之后各阶段的完整课程数量、代码覆盖率和测试结果未知。
  • 0位贡献者与0个版本之外，代码审查、Issue响应和实际维护频率未知。
  • 课程是否覆盖特定生产框架、模型权重或部署平台未知。

💡 深度解析

6
不适合 我已经会调用 LLM API，只想尽快交付一个应用，不准备学习 22 个数学课程和完整的 ML、深度学习路径；这个项目适合我的目标吗？
适合读者： 只想快速交付一个 LLM 应用、已经会调用 API，但没有时间系统学习数学、经典 ML 和深度学习的独立开发者

不适合把它作为快速交付 LLM 应用的主工具，因为它定位是从环境、数学和经典 ML 一直到生成式 AI、LLM 与智能体的完整学习路径，而不是生产框架或模型服务。

  • Phase 1 单独包含 22 个数学课程，Phase 2 有 18 个 ML 课程，后续还覆盖深度学习、Transformer、扩散模型、RLHF、DPO、ReAct 和 MCP。
  • 项目洞察明确指出，它填补的是“端到端 AI 工程学习路径”与“可执行实践”之间的空白，不是单一模型库或生产框架的空白。
  • README 虽提供网页阅读和 focused route，但 learn-mcp、learn-agent-skills 仍是学习入口，不等于现成的应用运行时。

如果目标是理解原理并逐步构建作品，它有价值；如果目标只是调用 API、部署服务和控制成本，README 没有提供足够的生产能力承诺。

  • Phase 1 — Math Foundations：22 lessons
  • Phase 2 — ML Fundamentals：18 lessons
  • Why this matters now：列出 Transformer、扩散模型、RLHF、DPO、ReAct、MCP
  • 项目洞察 market_gap："不是单一模型库或生产框架的空白"
  • 项目洞察 usage_limitations："不是可直接嵌入业务的AI框架、模型服务或完整生产平台"
npx skills add rohitg00/ai-engineering-from-scratch
材料未说明：README 未说明如何部署生产 LLM 服务、进行模型评估、监控延迟或控制 API 成本。；README 未说明是否提供可直接复用的应用模板、服务端接口或生产级部署配置。
适合 我已经在使用 Claude Code，想从 LLM 继续学习 MCP 和 Agent Skills，并且需要让学习状态跨会话保存在自己的项目仓库里，这个项目适合我吗？
适合读者： 使用 Claude Code、希望从 LLM 进一步学习 MCP 和 Agent Skills 的工程师，但需要在现有仓库中保留可恢复的学习进度

适合，因为项目把 MCP 和 Agent Skills 作为专门学习路线，并支持在 Claude Code 中运行学习技能。

  • README 的 Getting started 说明，安装后可使用 learn-mcp 和 learn-agent-skills 路由，不必只按完整课程线性学习。
  • 学习状态会写入 MCP-LEARNING.md 或 AGENT-SKILLS-LEARNING.md，因此与单次对话相比更适合跨会话继续。
  • README 还说明，克隆仓库后 Claude Code 会自动加载学习技能；本地代码、可执行 MCP 或 Agent Skills 实验则需要本地 clone。

限制是 README 没有说明这些实验支持哪些具体 MCP 服务器、Claude Code 版本、权限模型或示例是否需要付费 API。

  • Getting started："The installed skills provide `start-learning`, `learn`, `course-guide`, and the focused `learn-mcp` and `learn-agent-skills` routes."
  • Getting started："Progress lives in `LEARNING.md`, `MCP-LEARNING.md`, or `AGENT-SKILLS-LEARNING.md` in your project"
  • Getting started："Cloning also auto-loads the learning skills in Claude Code"
npx skills add rohitg00/ai-engineering-from-scratch
材料未说明：README 未说明支持的 MCP 服务器、Claude Code 版本和具体实验权限要求。；README 未说明 MCP 或 Agent Skills 实验是否依赖付费 API、云资源或外部模型。
适合 我已经有数学基础，主要使用 Python，想通过可运行代码和 Build 课程形成作品证据，而不是只在线阅读；我应该从这个项目开始吗？
适合读者： 已有数学基础、希望通过本地代码和可交付成果建立 AI 工程作品证据的学生，主要使用 Python 并愿意克隆仓库运行实验

适合，因为项目明确把学习、构建和交付连接起来，并提供本地克隆、课程代码和 Build 类型课程。

  • README 将课程区分为 Learn 和 Build；Phase 0、Phase 1 和 Phase 2 中都有 Python Build 课程，例如向量矩阵、自动微分、PCA、线性回归和逻辑回归。
  • Option C 提供克隆仓库后直接运行 vectors.py 的命令，说明作品可以从实际代码执行开始，而不是停留在网页阅读。
  • 项目洞察指出，每课强调代码、实验和可交付成果；学习进度还可写入 LEARNING.md，有利于记录连续学习过程。

不过，README 没有定义作品验收标准、测试要求、统一项目模板或招聘方认可的证据格式，因此最终作品质量仍取决于课程之外的整理方式。

  • Getting started："Option C — clone and run."
  • Getting started："python3 phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.py"
  • Phase 1：Vectors, Matrices & Operations、Chain Rule & Automatic Differentiation、PCA 等课程标注 Build
  • Phase 2：Linear Regression from Scratch、Logistic Regression & Classification 标注 Build
  • 项目洞察 solution_analysis："每课配套实践导向"；"通过代码、实验和可交付成果完成学习"
git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
材料未说明：README 未说明每个 Build 课程的验收标准、测试覆盖和最终交付物格式。；README 未说明是否提供统一的作品集模板或项目评审机制。
视情况 我没有本地 GPU，但可以申请云资源；同时我还需要学习 Python 环境、Docker、API 密钥和调试。这个项目能作为我的起点吗？
适合读者： 需要在没有本地 GPU 的情况下学习 AI 工程、但可以使用云资源并希望先完成环境配置的 Python 学习者

视情况，适合作为环境与工具入门，但是否能完成后续实验取决于具体课程对 GPU、云资源和外部 API 的要求。

  • Phase 0 明确包含 Dev Environment、GPU Setup & Cloud、APIs & Keys、Python Environments、Docker for AI、Data Management、Terminal & Shell、Linux for AI 以及 Debugging & Profiling。
  • 项目提供三种入口：网页阅读无需设置或克隆，终端技能需要 Node.js、npx、宿主代理和 scope 预检，复制代码或可执行实验则需要本地 clone。
  • README 的 Option C 给出了可直接执行的 Python 示例，说明至少有部分课程可以在本地运行。

但 README 没有说明云平台、GPU 型号、最低显存、依赖版本或每个实验的资源门槛；没有 GPU 时不能确认后续课程能否完整执行。

  • Phase 0: "GPU Setup & Cloud"、"APIs & Keys"、"Python Environments"、"Docker for AI"、"Debugging & Profiling"
  • Getting started："Option B — read... No setup, no cloning."
  • Getting started："A local clone is required for copied repository code commands and executable MCP or Agent Skills labs."
  • Getting started："python3 phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.py"
git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
材料未说明：README 未说明支持哪些云平台、GPU 型号、最低显存和预计费用。；README 未给出各课程的 Python、Docker、Node.js 或第三方 API 版本要求。
适合 我目前主要会 Python 和传统机器学习，想学习 Transformer、LLM 训练与推理，但不希望只复制高层 API；这个课程路径能满足我吗？
适合读者： 只有 Python 基础、正在从传统机器学习转向 Transformer 和 LLM 的开发者，希望先理解底层机制再使用高层框架

适合，但应接受这是一条较长且基础要求较高的路径，而不是快速掌握某个 LLM API 的教程。

  • 项目从 Phase 1 的线性代数、梯度、自动微分、概率、信息论和张量操作开始，能够补足模型机制所需的数学基础。
  • Phase 2 覆盖线性回归、逻辑回归等经典 ML，Phase 3 继续进入深度学习核心；洞察明确提到“在使用框架前先构建核心机制”。
  • README 的行业信号列出 Transformer、GPT-3、RLHF、DPO、Chain-of-Thought 和 ReAct 等内容，覆盖范围确实延伸到 LLM 与推理。

但 README 未说明 Transformer 或 LLM 课程的完整代码、框架、数据集、训练规模和实验指标，因此不能据此判断其是否达到生产级深度。

  • 项目洞察 solution_analysis："在使用框架前先构建核心机制"
  • Phase 1 — Math Foundations：22 lessons，包含 Chain Rule & Automatic Differentiation、Optimization、Tensor Operations
  • Phase 2 — ML Fundamentals："Classical ML — still the backbone of most production AI."
  • Why this matters now：列出 Attention Is All You Need、GPT-3、RLHF、DPO、Chain-of-Thought、ReAct
git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
材料未说明：README 未提供 Transformer、LLM 训练和推理课程的完整目录与代码细节。；README 未说明使用的深度学习框架、数据集、训练硬件、训练成本或评估指标。
适合 我负责内部培训，团队已经使用 Python、Julia、Shell 和 Docker；我想把数学基础和经典 ML 拆成可执行课程，这个仓库适合直接作为培训材料吗？
适合读者： 维护同时使用 Python、Julia、Shell 和 Docker 的内部 AI 培训者，想把课程拆成可运行的数学与 ML 实验

适合用作培训材料，尤其适合需要理论、代码和阶段化路径的 AI 工程课程，但不应把它直接视为已经验证过的企业培训平台。

  • Phase 1 有 22 个数学课程，明确包含 Python、Julia 双语言的向量、矩阵、特征值和 SVD 实验。
  • Phase 2 提供 18 个 ML 基础课程，并将线性回归、逻辑回归等课程标为 Build，便于组织动手实验。
  • Phase 0 又覆盖 Python 环境、Shell、Docker、Git 与协作，能够连接课程内容和培训中的开发环境。
  • MIT License 允许学习、修改和再利用课程内容，适合内部培训与二次实践。

需要注意的是，README 未说明课程的测试覆盖、依赖锁定、讲师材料、企业案例或版本维护策略；培训者仍需核查每课能否在团队环境中运行。

  • Phase 1 — Math Foundations：22 lessons；Linear Algebra、SVD 等课程标注 Python, Julia
  • Phase 2 — ML Fundamentals：18 lessons；Linear Regression from Scratch、Logistic Regression & Classification 标注 Build
  • Phase 0 — Setup & Tooling：包含 Git & Collaboration、Python Environments、Docker for AI、Terminal & Shell
  • 项目数据：MIT License
git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
材料未说明：README 未说明课程代码的测试覆盖率、依赖锁定方式和持续集成状态。；README 未说明是否提供讲师指南、企业案例、课程时长或培训评估材料。

✨ 核心亮点

  • 覆盖0至14阶段，包含数学、ML、LLM与MCP
  • Phase 1含22节数学基础课，支持Python与Julia
  • 提供npx skills add命令，可接入兼容Agent学习
  • 涵盖GPT-3、RLHF、DPO、ReAct与MCP
  • GitHub拥有52,363颗星，但贡献者与版本数均为0

🔧 工程化

  • 课程从Phase 0环境配置延伸到Phase 14的ReAct
  • Option A用npx skills add安装start-learning与learn路线
  • Option C提供git clone与Python向量代码执行路径

⚠️ 风险

  • 技术栈标为Mixed/Unknown，依赖版本与运行矩阵未给出
  • 贡献者为0、版本发布为0，最近更新状态为Unknown
  • 英语是canonical，lesson页面的翻译分支注明为机器翻译
  • MCP与Agent Skills实验要求本地clone，在线阅读不能覆盖这些实验

👥 适合谁？

  • 想用Python从线性代数学习到深度学习的开发者
  • 需要理解GPT-3、RLHF与DPO的AI工程学习者
  • 使用Claude Code或兼容Agent并希望保存学习进度的人