Глубокое погружение в AI Engineering с нуля: учебная программа с открытым исходным кодом для создания систем ИИ вручную

Этот репозиторий — не фреймворк и не учебник на выходные. Это структурированная система обучения: папки с уроками, исполняемый код, документация, тесты, сгенерированные данные веб-сайта, навыки агентов, промпты, скрипты и правила участия для тех, кто хочет понять стек, скрытый за вызовом API.

1. ai-engineering-from-scratch в одном предложении

AI Engineering From Scratch — это репозиторий с открытым исходным кодом для обучения ИИ, где каждый урок направлен на изучение концепции, её реализацию с нуля, сравнение с промышленными библиотеками и создание переиспользуемого артефакта, такого как промпт, навык, агент или MCP сервер.

2. Почему это важно

Этот репозиторий важен, потому что многие разработчики ИИ могут вызвать API, но не могут объяснить математику, поведение модели, сбои поиска, цикл работы агента, систему оценки или производственные компромиссы, лежащие в основе этого вызова.

Основная идея учебной программы проста: сначала создайте уменьшенную версию самостоятельно, а затем используйте фреймворк. Этот подход делает PyTorch, Transformers, LangGraph, MCP и промышленный RAG менее загадочными.

Основная аудитория — практикующие инженеры, которые ищут глубокое погружение, а не просто плейлист. Это особенно актуально для команд, стремящихся превратить энтузиазм в области ИИ в устойчивые внутренние компетенции.

3. Архитектура и ментальная модель

Репозиторий организован по фазам и урокам. Каждый урок имеет единую структуру с документацией, кодом, тестами и результатами, в то время как скрипты проверяют уроки, создают каталоги, устанавливают навыки и генерируют публичный веб-сайт.

4. Минимальная end-to-end настройка

Команды ниже взяты из документации репозитория и сверены с текущим исследовательским снимком. Используйте их как отправную точку, а затем прочитайте связанную README перед установкой в production.

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

Небольшая первая задача должна подтвердить интеграцию, прежде чем подключать ее к критичным данным или большим рабочим пространствам.

# 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. Технический разбор

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

6. Реальные паттерны: неверно vs верно

7. Частые ошибки и текущие проблемы

Issue tracker важен, потому что эти репозитории молоды и быстро меняются. В статье issues используются как сигналы риска, а не как доказательство непригодности проекта.

8. Заметки о производительности, масштабировании и стоимости

Большинство начальных уроков не требуют больших затрат. Более поздние уроки, включающие PyTorch, Transformers, мультимодальные модели, локальный инференс, дообучение или итоговые системы, могут потребовать больше вычислительных мощностей и доступа к API.

Практический подход заключается в выполнении уроков небольшими порциями, фиксации стабильной версии Python и отказе от запуска уроков с интенсивным использованием GPU или API до тех пор, пока вы не ознакомитесь с их документацией и требованиями к зависимостям.

Для команд скрипты и навыки из репозитория полезны для управления учебной программой. Вы можете назначать этапы, проводить аудиты, устанавливать выбранные навыки и поддерживать общий прогресс вместо того, чтобы просить каждого просматривать сотни файлов.

9. Для кого это

10. Сигнал сообщества

В веб-статьях репозиторий часто описывается как большой бесплатный справочник по ИИ-инженерии, который нередко сравнивают с университетской программой. Некоторые из этих статей используют устаревшие данные о количестве уроков, поэтому эти цифры следует рассматривать как динамические метаданные.

Обсуждения на Reddit полезны, так как они содержат как восторженные отзывы, так и скептицизм: вопросы об авторстве с помощью ИИ, перегрузке для новичков, стоимости API и о том, достаточно ли глубоко в продвинутых уроках по агентам рассматривается надежность.

Трекер задач на GitHub показывает живую учебную программу: PR с переводами, запросы на трек по Rust, ошибки в тестах, исправления рендеринга, связывание уроков и улучшения веб-сайта.

11. Вердикт: стоит ли использовать?

12. Общая картина

Этот репозиторий — часть более широкой коррекции в обучении ИИ. После многих лет демо-версий, ориентированных на API, инженерам все чаще нужно понимать данные, математику, поведение моделей, оценку, агентов, протоколы и режимы сбоев в продакшене.

Самая важная привычка, которой он учит, — это не какой-то конкретный алгоритм. Это паттерн создания небольшого механизма перед тем, как доверять большому фреймворку.

13. Частые вопросы

14. Глоссарий

15. Все источники и ссылки

Внутренние ссылки

• Топ MCP Servers
• Глубокое погружение в Agentmemory
• Руководство по лучшим практикам Claude Code

16. Таблица атрибуции источников