AI工程学习项目ai-engineering-from-scratch：5 大模块一次说清

最近 GitHub Trending 上一个 AI 工程学习路径项目，把"从环境到生产"按一条主线串起来。如果你刚决定认真学 AI 工程、或者已经会调 API 但还没把模型搬上线，这篇帮你拆清楚它能解决什么、不解决什么。

这项目是什么

仓库名是 rohitg00/ai-engineering-from-scratch，目前 59,422 颗星，MIT 协议。它的副标题就一句：

"Learn it. Build it. Ship it for others."

意思是"学、动手做、再交付给别人用"。相比论文型 AI 课程，它更强调"工程交付"——每个章节都有可运行的代码、README 和作业，目标读者是"想真正把 AI 产品做出来的工程师"，而不是只读论文的研究者。

为什么这么火

最近一周它单日涨了 790 颗星，把排名顶到了 Trending 综合榜和 Python 飙升榜前面。背后有三个驱动力：

AI Engineer 岗位爆发：
2026 年 "AI Engineer" 已经是最热的技术岗位之一，但招聘要求里写"RAG、Agent、微调、部署"的公司远多于真能完整做一遍的求职者。学习需求被点燃。
实战导向差异化：
市面课程要么讲论文要么讲 API 调用，缺中间那一段——怎么把 Demo 变成能上线的产品。这个项目补上的就是这一段。
紧跟协议演进：
仓库持续更新，从最早的 ReAct、Plan-and-Execute 一路到 MCP 协议、多 Agent 协作都覆盖，读完不至于学完就过时。

它把 AI 工程切成 5 块讲

仓库的内容结构很清晰，按"由浅入深 + 由开发到上线"两轴展开：

1. 环境搭建与工具链

Python 环境管理（venv、conda、uv）
Cursor、Claude Code 等 AI 辅助编程工具配置
Git、Docker 这类基础工程工具

2. LLM 应用开发

Prompt Engineering 进阶技巧
RAG（检索增强生成）完整实现（向量库选型、文档切片、检索评估）
Function Calling / Tool Use 的设计模式
多模型调用架构（什么时候走 GPT、什么时候走本地模型、什么时候走开源）

3. AI Agent 开发

Agent 架构设计模式（ReAct、Plan-and-Execute、Reflection）
多 Agent 协作模式（谁负责拆解、谁负责执行、谁负责校验）
长期记忆与上下文管理（短期记忆、向量记忆、SQL 记忆的取舍）

4. 模型微调与部署

LoRA 微调入门（不是全量微调，是用 PEFT 把成本压下来）
vLLM / Ollama 本地部署
API 代理与负载均衡（怎么让多个模型实例一起扛流量）

5. 生产级 AI 系统

可观测性（监控每次调用的 token、延迟、失败率）
安全与权限控制（谁可以调用、prompt 注入怎么挡）
成本优化策略（缓存、批处理、模型降级）

与同类项目的对比

项目	定位	适合谁
rohitg00/ai-engineering-from-scratch	工程实操主线	想完整跑一遍 AI 工程的开发者
LangChain 官方文档	框架文档	已经在用 LangChain 想深入的人
Andrej Karpathy 神经网络视频系列	理论 + 原理	想理解模型底层的人
Hugging Face Cookbook	模型中心	做微调和研究的人
OpenAI Cookbook	OpenAI API 案例	用 GPT 系列快速搭 Demo 的人

谁适合用它

适合：

会写 Python、刚决定认真做 AI 工程的开发者
已经在调 API 但还没把模型搬上线的产品经理或全栈
想在团队内建立"AI 工程标准"的技术负责人

不太适合：

完全不会 Python 的纯业务人员（前置知识不够）
只关心"AI 是什么、为什么火"的非技术读者（这个项目默认你会写代码）
已经在大厂 AI 平台工作多年的资深工程师（内容偏入门到中级）

实操建议：怎么开始读

第 1 周：只读模块 1（环境）+ 模块 2 前面 3 节（Prompt、RAG 基础、Function Calling）。把本地环境搭起来，跑通最小 RAG Demo。
第 2-3 周：跳到模块 3（Agent），挑一个 ReAct 模板改成自己的（比如个人助理），加长期记忆。
第 4-6 周：进入模块 4 + 5（微调 + 生产），把上一步的 Agent 部署到一台小服务器上，加监控。
之后：回头看仓库的 issue 区，作者经常根据社区反馈加新模块。

一个现实的提醒

这个项目的内容是"知识地图"，不是"工作流"。它不会替你做决策——比如"我应该先 RAG 还是先 Agent"、"我应该用云模型还是本地模型"，这些都是要结合你的具体场景自己判断的。读完项目之后真正能让你和别人拉开差距的，是把它讲的能力组合应用到你自己的业务场景里——电商客服、产品推荐、知识库问答、销售线索打分，这些场景才让"AI 工程能力"变成"AI 产品价值"。