开源 AI 工程课程的模块化架构设计与渐进式学习路径

一项调查显示，84% 的学生已经在使用 AI 工具，但只有 18% 的人感到具备专业应用的能力。这一巨大落差揭示了当前 AI 教育的一个核心问题：碎片化的知识传授与系统性的工程能力之间存在断层。AI Engineering from Scratch 这个开源课程项目试图通过一套精心设计的模块化架构来解决这一痛点 ——435 节课、20 个阶段、约 320 小时的学习路径，从线性代数的基础直觉一直延伸到自主智能体的生产部署。

分层递进的能力构建模型

该课程最显著的特征是其严格的层次化架构。20 个阶段并非简单的主题罗列，而是按照 "底层原理 → 核心算法 → 领域应用 → 工程实践 → 系统整合" 的逻辑层层堆叠。

底层以数学为地基。第一阶段涵盖线性代数、微积分、概率论与信息论，共 22 节课。这里的教学设计强调 "通过代码理解数学"—— 向量运算、矩阵变换、梯度下降都不是抽象的公式，而是用 Python 或 Julia 可运行的实现。这种 "可执行的数学" 为后续所有算法奠定了直觉基础。

中间层是能力分叉与汇聚的枢纽。深度学习核心（第 3 阶段）完成后，课程向计算机视觉、自然语言处理、语音与音频三个方向并行展开，每个领域都从第一性原理出发构建。例如视觉轨迹从像素和卷积的数学定义开始，逐步推进到 CNN、ResNet、YOLO、Stable Diffusion，最终触及 3D 高斯溅射和世界模型；NLP 轨迹则从词袋模型和 Word2Vec 出发，经过 RNN、注意力机制，直达 Transformer 架构的完整实现。

这种分叉设计的精妙之处在于第 7 阶段（Transformers 深度解析）的汇聚效应。无论来自视觉、NLP 还是语音背景的学习者，都在此处重新汇合，共同深入理解 Self-Attention、多头机制、位置编码等通用组件。这种 "分 - 合" 结构既保证了领域专精，又确保了底层能力的统一。

"Build It / Use It" 双轨教学法

课程采用的六步教学循环 ——MOTTO（核心理念）→ PROBLEM（具体问题）→ CONCEPT（概念图解）→ BUILD IT（从零实现）→ USE IT（框架应用）→ SHIP IT（产出交付）—— 其中最关键的环节是 BUILD IT 与 USE IT 的刻意分离。

BUILD IT 阶段要求学习者不使用任何高层框架，仅用原始数学和基础库实现算法。以第 3 阶段的反向传播为例，学习者需要先手动推导链式法则，然后用纯 Python 实现梯度计算，最后才在第 11 节课接触 PyTorch 的自动微分。这种 "先造轮子再用轮子" 的路径看似低效，实则建立了一种深层理解：当 PyTorch 的backward()调用出错时，学习者能够追溯到自动微分图的构建逻辑，而非停留在调参层面。

这种教学法在第 10 阶段（从零构建 LLM）体现得最为彻底。从 BPE 分词器、数据流水线、预训练循环、分布式训练到 RLHF 和 DPO，每个组件都要求手写实现。当学习者最终用 PyTorch 或 JAX 重写相同功能时，框架不再是黑盒，而是对自己代码的优化版本。

每课产出可复用工件的设计哲学

与传统课程以 "完成练习" 为终点不同，该项目的每节课都强制产出可复用的工程资产，分为四类：Prompts（可粘贴到任何 AI 助手的专家级提示模板）、Skills（符合 SKILL.md 规范的代理技能文件）、Agents（可部署的自主工作流）、MCP Servers（符合 Model Context Protocol 的服务端实现）。

这种设计将学习过程本身转化为资产积累。到课程结束时，学习者不仅掌握了知识，还拥有 435 个经过验证的工具，可直接集成到 Claude、Cursor、Codex 等代理环境中使用。以第 14 阶段（代理工程）为例，第 1 课从零实现约 120 行的 ReAct 代理循环，产出包括代理调试 Prompt 和可复用的 Skill 文件；第 42 课的毕业项目则交付一套完整的 Agent Workbench，包含 AGENTS.md 规范、初始化脚本、验证门和任务板，可直接 scaffold 到任意代码库中。

这种 "学习即生产" 的哲学在课程工具链中得到强化。scripts/install_skills.py脚本可以将任意阶段或标签的产出物安装到代理的技能目录；scripts/scaffold_workbench.py则能将代理工作台快速部署到目标仓库。学习成果不再是封闭的作业，而是开放的工具生态。

跨阶段知识整合的毕业项目编排

17 个毕业项目（第 19 阶段）是检验课程架构有效性的最终环节。每个项目都是跨阶段的知识整合，明确标注了所需的前置阶段。

以 "Terminal-Native Coding Agent" 为例，该项目要求整合第 0 阶段（工具链）、第 5 阶段（NLP）、第 7 阶段（Transformers）、第 10 阶段（LLM 构建）、第 11 阶段（LLM 工程）、第 13 阶段（工具与协议）、第 14 阶段（代理工程）、第 15 阶段（自主系统）、第 17 阶段（基础设施）和第 18 阶段（伦理安全）的知识。这种设计强制学习者打破阶段壁垒，在真实场景下综合运用多层级能力。

项目难度也呈现递进梯度。从相对单一的 "代码库 RAG 语义搜索" 到复杂的 "多代理软件工程团队"，再到前沿的 "自主研究代理（AI-Scientist 级别）"，每个项目都对应明确的 20-40 小时时间投入和可交付的端到端产品。

差异化切入路径与实施建议

课程提供了五条差异化的切入路径，对应不同的背景起点：

• 零基础：从第 0 阶段开始，完整约 306 小时
• 会 Python 但不懂 ML：从第 1 阶段（数学基础）切入，约 270 小时
• 懂 ML 但未深入 DL：从第 3 阶段（深度学习核心）开始，约 200 小时
• 懂 DL 想专精 LLM 和代理：从第 10 阶段（从零构建 LLM）进入，约 100 小时
• 资深工程师只关注代理工程：可直接切入第 14 阶段，约 60 小时

对于团队或组织采用，建议关注三个关键机制：首先是/find-your-level技能，通过 10 道诊断题映射学习者的知识缺口并生成个性化路径；其次是/check-understanding技能，提供每阶段的 8 题测验与针对性复习建议；最后是catalog.json机制，将整个课程结构化为可查询的 JSON 格式，便于与内部培训系统集成。

课程架构的工程化启示

AI Engineering from Scratch 的课程设计为技术教育提供了可复用的架构范式：以能力分层替代主题罗列，以双轨实现替代单向讲授，以资产产出替代作业提交，以跨阶段项目替代孤立练习。这种结构不仅解决了 "学完不会用" 的问题，更重要的是建立了一种 "构建即理解" 的认知模式 —— 当学习者亲手实现过反向传播、注意力机制和代理循环后，面对生产环境中的黑盒行为时，能够进行有效的诊断与调试。

对于正在设计内部培训体系的技术团队，该课程的 20 阶段分层模型、BUILD/USE 分离策略以及可复用工件产出机制，都值得作为参考框架。在 AI 技术迭代加速的背景下，培养 "从零构建" 的能力可能比追逐最新框架更有长期价值。

资料来源

• AI Engineering from Scratch GitHub 仓库: https://github.com/rohitg00/ai-engineering-from-scratch

mlops