AI Engineering from Scratch：523节免费AI工程课GitHub爆火

一个正在爆发的开源课程

GitHub 上有一个名为 AI Engineering from Scratch 的开源课程正在快速积累关注度——超过 63,000 颗星，并且单周新增约 5,000 颗星。它的定位很直接：教人从零开始做 AI 工程，而且完全免费、采用 MIT 许可。

这个课程针对的是一个真实存在的断层：大量人已经在日常中使用 AI 工具，但真正觉得自己"准备好用 AI 构建东西"的人少得多。课程试图填补的，正是"会用"和"会造"之间的这段距离。

The gap it targets, lots of people use AI tools,

523 节课，20 个阶段，约 342 小时

课程的体量相当可观：523 节课，分布在 20 个阶段中。内容从环境搭建和数学基础起步，经过语言模型的实际使用，一路延伸到 agents 和 MCP。

按素材给出的估算，完整学完大约是 342 小时的材料。这不是一个周末能刷完的教程，而是一套接近系统训练的课程体系。产出者也明确提醒：他自己并没有完整学过这套课程，建议感兴趣的人先自己试听前几节课再做判断。这一点值得注意——评价一个课程的推荐者是否亲自完成过它，直接影响推荐的可信度。

all the way to agents and MCP.

MCP（Model Context Protocol，模型上下文协议） 是 Anthropic 于 2024 年底推出并开源的标准化协议，用于让大语言模型与外部工具、数据源之间建立统一连接。在此之前，每个模型接入数据库、API 或本地文件系统都需要定制化的适配代码，生态碎片化严重。MCP 的作用类似于"AI 领域的 USB-C"：开发者只需实现一次 MCP server，任何兼容 MCP 的模型客户端（如 Claude Desktop、IDE 插件等）都能直接调用。这一协议迅速被业界采纳，成为 AI 工程中连接模型与真实世界的重要基础层，也解释了为什么课程把它列为高阶阶段的重点内容。

不绑定单一语言：Python、TypeScript、Rust、Julia

课程覆盖 Python、TypeScript、Rust 和 Julia 四种语言。这个组合透露出一种取向：它不打算把学习者锁在某个生态里，而是希望覆盖从快速原型到性能敏感场景的不同需求。

对于 AI 工程而言，这种多语言视角有实际意义。Python 是模型与数据生态的默认选择，TypeScript 贴近应用与前端集成，Rust 在高性能推理和服务端越来越常见，Julia 则在数值计算领域有其位置。课程把这几条线都摆出来，学习者可以按自己的目标取舍。

Julia 是一门为高性能数值计算而设计的动态编程语言，2012 年首次发布，语法接近 Python 和 MATLAB，但通过 LLVM 编译执行，性能接近 C。它的核心优势在于多分派和原生并行计算，在科学计算、微分方程求解、机器学习研究等领域有稳定用户群，尤其适合需要大量矩阵运算与自定义梯度的场景。相比 Python 依赖 NumPy 等 C 扩展库，Julia 可以用纯 Julia 写出高性能代码，避免了"两层语言"的开发摩擦。近年在自动微分、概率编程和物理仿真方向的 AI 研究中被越来越多采用，这也是课程将其纳入四种语言之一的原因。

每节课都交付一个可复用的东西

课程设计里最有意思的一点是：每节课都会产出一个可复用的成果物——可能是一个 prompt、一项 skill、一个 agent，或者一个 MCP server。

这意味着学习过程不是"看完视频点个赞"，而是持续积累可带走的资产。学完之后，你手里会有一批能直接用于项目的组件，而不是一堆笔记。对于以"能构建"为目标的工程学习来说，这种设计比纯理论讲解更接近真实工作方式。

Prompt（提示词） 在 AI 工程语境下，通常指经过精心设计、可反复调用的结构化指令模板，包含角色设定、任务描述、输出格式约束和少量示例。它不是一次性输入，而是一种可版本管理、可测试、可组合的工程制品。成熟的 AI 工程项目往往维护一个 prompt 库，针对不同任务复用和迭代。Skill 则是比 prompt 更上层的概念，通常指封装了特定能力（如网页检索、代码执行、图表生成）的可调用单元，它能组合多个 prompt、工具调用与后处理逻辑。二者构成 AI 应用从"对话"走向"构建"的基本积木，也是课程强调每节课产出可复用成果物的直接原因。

按目标选路径，不必从第一课开始

523 节课如果必须线性学完，劝退率会非常高。课程对此的处理方式是：不必从第一课开始。你可以先确定自己的目标，课程会把对应阶段指给你。

Pick a goal, and it points you to the right phase.

这对有经验的学习者尤其友好。已经熟悉 Python 和基础模型调用的人，可以直接跳到 agents 或 MCP 相关阶段；完全的新手则从搭建和数学部分入手。课程结构本身承认了学习者的起点差异，而不是假设所有人从同一条起跑线出发。

谁适合，谁该谨慎

这套课程最适合的人群，大概是已经会用 AI 工具、但缺少系统构建经验的人。它的广度（20 个阶段、4 种语言、直到 agents 和 MCP）提供了从零到能独立构建的完整路径。

但需要现实一点看待。342 小时是一个需要长期投入的数字，前几节课的实际质量也需要自己验证。素材提供者本人也坦言没有完整学过，所以他给出的"63,000 stars"这类信号反映的是社区热度，而非个人体验背书。

and I haven't taken it,

好在门槛足够低：免费、MIT 许可、开源在 GitHub 上。先试听，再决定要不要投入几百小时，是更稳妥的做法。

如果你现在就打开它，会先构建什么？

常见问题

课程真的免费吗？ 是的，免费且采用 MIT 许可，托管在 GitHub 上。

需要什么基础？ 课程从搭建和数学起步，理论上零基础可入，但涉及 Python、TypeScript、Rust、Julia 四种语言，有一定编程经验会顺畅很多。

必须按顺序学吗？ 不必须。可以先定目标，课程会指向对应阶段。

大概要花多久？ 素材估算约 342 小时，属于长期投入型课程。

每节课有什么产出？ 每节课交付一个可复用的 prompt、skill、agent 或 MCP server。

MIT 许可 是最宽松的开源协议之一，仅要求保留版权声明和许可文本，使用者可以自由修改、商用、闭源分发，甚至用于专有产品。对于课程这类学习资源而言，MIT 许可意味着学习者不仅可以使用课程内容，还可以将其集成到自己的商业项目、内部培训材料或衍生课程中，无需支付费用或公开源代码。这种许可选择显著降低了采用门槛，也是该课程能够快速积累关注度的因素之一。不过需要注意，MIT 许可不提供任何担保，课程内容的准确性和时效性仍需学习者自行判断。