Mergulho Profundo em Engenharia de IA do Zero: O Currículo de Código Aberto para Construir Sistemas de IA Manualmente

Este repositório não é um framework nem um tutorial de fim de semana. É um sistema de aprendizado estruturado: pastas de lições, código executável, docs, quizzes, dados de site gerados, habilidades de agente, prompts, scripts e regras de contribuição para pessoas que desejam entender a stack abaixo da chamada de API.

1. ai-engineering-from-scratch em uma frase

AI Engineering From Scratch é um repositório de currículo de IA de código aberto onde cada lição visa ensinar o conceito, implementá-lo do zero, compará-lo com bibliotecas de produção e entregar um artefato reutilizável, como um prompt, habilidade, agente ou servidor MCP.

2. Por que importa

O repositório é importante porque muitos desenvolvedores de IA conseguem chamar uma API, mas não conseguem explicar a matemática, o comportamento do modelo, a falha de recuperação, o loop do agente, o harness de avaliação ou o trade-off de produção por trás dessa chamada.

A premissa do currículo é direta: construa a versão menor você mesmo primeiro, depois use o framework. Esse padrão torna PyTorch, Transformers, LangGraph, MCP e RAG de produção menos mágicos.

O público mais forte é o engenheiro que trabalha e deseja um caminho longo em vez de uma playlist. É especialmente relevante para equipes que tentam transformar o entusiasmo por IA em capacidade interna duradoura.

3. Arquitetura e modelo mental

O repositório é organizado em torno de fases e lições. Cada lição segue um formato consistente com docs, código, quizzes e outputs, enquanto scripts auditam lições, constroem catálogos, instalam habilidades e geram o site público.

4. Menor configuração ponta a ponta

Os comandos abaixo foram copiados da documentação do repositório e conferidos com o snapshot atual da pesquisa. Trate-os como ponto de partida e leia o README vinculado antes de instalar em produção.

git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
cd ai-engineering-from-scratch

# Run a first lesson implementation
python phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.py

# Install Python dependencies when needed
python -m pip install -r requirements.txt

Uma primeira tarefa pequena deve provar a integração antes de conectá-la a dados críticos ou workspaces grandes.

# Find your starting point inside a supported agent
/find-your-level

# Check a phase after studying
/check-understanding 3

# Inspect the generated catalog
python3 scripts/build_catalog.py --stdout

# Install lesson skills into a target skill directory
python3 scripts/install_skills.py <target-dir> --phase 14

# Validate lesson code without running heavy jobs
python3 scripts/lesson_run.py

5. Deep dive técnico

lesson/
  docs/en.md     # explanation
  code/          # runnable implementation
  quiz.json      # check understanding
  outputs/       # prompt, skill, agent, or MCP artifact

6. Padrões reais: errado vs certo

7. Erros comuns e problemas atuais

O issue tracker importa porque estes repositórios são jovens e mudam rápido. O artigo usa issues como sinais de risco, não como prova de que o projeto é inutilizável.

8. Notas de desempenho, escala e custo

A maioria das lições iniciais é barata de executar. Lições posteriores envolvendo PyTorch, Transformers, modelos multimodais, inferência local, fine-tuning ou sistemas de projeto final podem exigir mais computação e acesso à API.

A configuração prática é executar as lições em pequenos incrementos, fixar uma versão estável do Python e evitar iniciar lições que exijam muito uso de GPU ou API até que você tenha lido suas documentações e expectativas de dependência.

Para equipes, os scripts e habilidades do repositório são úteis para a governança do currículo. Você pode atribuir fases, realizar auditorias, instalar habilidades selecionadas e manter um progresso compartilhado em vez de pedir a todos que naveguem por centenas de arquivos.

9. Para quem é

10. Sinal da comunidade

Artigos na web descrevem o repositório como um grande manual de referência de engenharia de IA gratuito, frequentemente comparando-o a um caminho de graduação. Alguns desses artigos usam contagens de lições desatualizadas, portanto, as contagens devem ser tratadas como metadados dinâmicos.

A discussão no Reddit é útil porque inclui tanto entusiasmo quanto ceticismo: perguntas sobre autoria assistida por IA, sobrecarga para iniciantes, custos de API e se as lições avançadas sobre agentes tratam a confiabilidade com profundidade suficiente.

O rastreador de issues do GitHub mostra um currículo vivo: PRs de tradução, solicitações de trilha em Rust, bugs em quizzes, correções de renderização, estruturação de lições e melhorias no site.

11. O veredicto: vale a pena usar?

12. O panorama maior

Este repositório faz parte de uma correção mais ampla na educação em IA. Após anos de demonstrações focadas em API, os engenheiros precisam cada vez mais entender dados, matemática, comportamento de modelos, avaliação, agentes, protocolos e modos de falha em produção.

O hábito mais importante que ele ensina não é nenhum algoritmo específico. É o padrão de construir o pequeno mecanismo antes de confiar no grande framework.

13. Perguntas frequentes

14. Glossário

15. Todas as fontes e links

Links internos

• Principais MCP Servers
• Análise profunda da Agentmemory
• Guia de melhores práticas do Claude Code

16. Tabela de atribuição das fontes