Top AI Repos — open-source AI, indexed and scored

Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.

Star history, last 90 days
Date	Stars
2026-08-04	915
2026-08-06	915
2026-08-13	940
2026-08-18	964
2026-08-19	968
2026-08-20	971
2026-08-21	973
2026-08-22	977
2026-08-24	984
2026-08-25	989
2026-08-26	993
2026-08-27	999
2026-08-28	1001
2026-08-29	1003
2026-08-30	1004
2026-08-31	1010
2026-09-01	1020
2026-09-02	1026
2026-09-03	1031
2026-09-04	1036
2026-09-05	1039
2026-09-06	1041
2026-09-07	1043
2026-09-08	1042
2026-09-09	1047
2026-09-10	1052
2026-09-11	1055
2026-09-12	1058
2026-09-13	1060
2026-09-14	1064
2026-09-15	1071
2026-09-16	1077
2026-09-17	1079
2026-09-18	1086
2026-09-19	1087
2026-09-21	1090
2026-09-22	1091
2026-09-23	1094
2026-09-24	1098
2026-09-25	1104
2026-09-26	1112
2026-09-27	1118
2026-09-28	1129
2026-09-29	1134
2026-09-30	1142
2026-10-01	1147
2026-10-02	1152
2026-10-03	1161
2026-10-04	1162
2026-10-05	1170
2026-10-06	1179
2026-10-07	1181
2026-10-08	1184
2026-10-09	1197
2026-10-10	1205
2026-10-11	1210
2026-10-12	1222
2026-10-13	1232
2026-10-14	1243
2026-10-15	1247
2026-10-16	1249
2026-10-17	1250
2026-10-18	1254
2026-10-19	1256
2026-10-20	1257
2026-10-21	1265
2026-10-22	1269
2026-10-23	1270
2026-10-24	1276
2026-10-25	1278
2026-10-26	1284
2026-10-27	1294
2026-10-28	1297
2026-10-29	1299
2026-10-30	1300
2026-11-01	1301
2026-11-02	1307
2026-11-03	1310
2026-11-04	1314

AI Engineering from Scratch · 简体中文版

实现模型内部机制、检索流水线和 agent 运行时。测试它们，分析失败，并保留代码与评估结果。

开始学习 · 选择路径 · 试试实验 · 动手做项目 · 浏览课程目录

免费、开源，采用 MIT 许可。你可以在网站上学习，使用 coding agent，或在本地运行代码。

542 节课，20 个阶段。Python、TypeScript、Rust、Julia。

本项目是 Rohit Ghumare 及社区创建的 AI Engineering from Scratch 的简体中文衍生版，由 fancy 维护。课程内容与结构跟随上游，中文翻译遵循 TRANSLATION.md。

特别鸣谢

IPWO 拥有 9000 万+ 活跃住宅 IP 资源，覆盖 195+ 个国家和地区。
提供动态住宅代理、静态住宅代理及不限量住宅代理。
适用于网页抓取、数据采集、浏览器自动化、跨境业务等场景。
我们订阅使用 Claude / Claude Code 时采用住宅 IP，长期使用稳定。
支持免费测试，9 折优惠码：0203

学习路径

路径	起始课程
模型基础	配置与工具链
LLM 系统	提示词工程
Agent 与交付	Agent 循环

比较职业路径 · 前置要求与学习时间

梯度下降

二十个起点沿着二次损失函数的梯度下降。图中展示每次更新后各点的位置及平均损失。

在课程中调整学习率 · 用代码比较 GD、momentum 和 Adam

项目

三个项目均提供分阶段 starter、参考实现和本地评分器。完成环境配置后，在仓库根目录运行命令。实现对应阶段前，starter 会测试失败。

01 · 检索评估实验室 · Python · 排序指标与回归检查

候选版提高了平均 NDCG，但某个查询最相关证据的排名反而降低。构建逐查询比较，报告回归，并让它能够阻止发布检查通过。

使用 Python 3.10+。先复习 RAG与模型评估。依次实现排序验证、precision 与 recall、排名敏感指标和系统比较。

python3 scripts/project_test.py retrieval-evaluation-lab \
  --init learning-artifacts/retrieval-evaluation-lab
python3 scripts/project_test.py retrieval-evaluation-lab \
  --stage 1 --path learning-artifacts/retrieval-evaluation-lab --strict
python3 scripts/project_test.py retrieval-evaluation-lab \
  --all --path learning-artifacts/retrieval-evaluation-lab --strict

保留产物： 可复现的比较，包含逐查询差值与用于评分的相关性判断。指标描述的是这些判断，并不能证明回答正确。

开始项目 · 查看参考实现 · 使用自己的输入

02 · Agent 轨迹调试器 · TypeScript · 轨迹解析与计时

所给轨迹的总耗时仍为 100 ms，但 token 总用量增加了 200，且有一个 span 开始失败。分离重叠子任务与父任务执行时间，再生成可检查的报告，揭示变化。

评分器需要 Node.js 22.18+ 和 Python 3。依次实现 JSONL 解析、父级验证、区间运算和可检查的时间线。

python3 scripts/project_test.py agent-trace-debugger \
  --init learning-artifacts/agent-trace-debugger
python3 scripts/project_test.py agent-trace-debugger \
  --stage 1 --path learning-artifacts/agent-trace-debugger --strict
python3 scripts/project_test.py agent-trace-debugger \
  --all --path learning-artifacts/agent-trace-debugger --strict

保留产物： 输入轨迹、HTML 时间线与 JSON 回归报告。保留每个 span 独占的 token 数，避免把父级与子级用量重复计数。

开始项目 · 查看参考实现 · 交互式探索计时

03 · 工具调用防火墙 · Rust · 角色检查与批准回执

写入内容在审查后改变，或批准被重放。验证调用信封，检查调用方角色与路径，再消耗一次与精确请求和内容绑定的批准。

使用 Rust 与 Python 3.10+。先复习工具 schema 设计和安全边界。调用应用提供身份，模型只是提出操作。

python3 scripts/project_test.py tool-call-firewall \
  --init learning-artifacts/tool-call-firewall
python3 scripts/project_test.py tool-call-firewall \
  --stage 1 --path learning-artifacts/tool-call-firewall --strict
python3 scripts/project_test.py tool-call-firewall \
  --all --path learning-artifacts/tool-call-firewall --strict

保留产物： 展示请求操作和策略决策的审计回执。批准只在一次调用中单次使用；本项目不提供持久授权，也不是操作系统沙箱。

开始项目 · 查看参考实现 · 探索批准边界

浏览全部项目 · 职业实践指南

选择学习方式

在网站上学习

在 aieng-zh.cn 打开任意已完成的课程，或在下方课程目录中展开一个阶段。无需配置环境，也无需克隆仓库。

使用 AI 导师

如果已经安装 Node.js、npx 和支持 skill 的 coding agent，你的 coding agent 就可以成为导师。安装和阅读导师技能不需要克隆仓库。专项路径中可运行的实验需要 python3；Agent Skills 的宿主实验还需要选定宿主，以及可写入的用户或项目技能目录。

npx skills add fancyboi999/ai-engineering-from-scratch-zh

安装器询问时，选择宿主和安装范围。在 Codex 中使用 start-learning，在 Claude Code 中使用 /start-learning，或让其他宿主按名称使用该技能。

导师配置与宿主命令

先检查本地要求：

node --version
npx --version
python3 --version

skills 会写入安装时选定的宿主和范围，例如 .claude/skills/、.cursor/skills/、.codex/skills/ 或其他受支持的技能目录。检查所选宿主能否发现这个确切位置。

调用语法由宿主决定，不属于可移植的 SKILL.md 格式：

宿主	开始全课程	开始模型上下文协议（MCP）	开始 Agent Skills	运行阶段测验
Codex	`start-learning`，或从 `/skills` 选择	`learn-mcp`，或从 `/skills` 选择	`learn-agent-skills`，或从 `/skills` 选择	`check-understanding 13`，或从 `/skills` 选择
Claude Code	`/start-learning`	`/learn-mcp`	`/learn-agent-skills`	`/check-understanding 13`
其他兼容宿主	`使用 start-learning 开始课程。`	`使用 learn-mcp 开始模型上下文协议（MCP）路径。`	`使用 learn-agent-skills 开始 Agent Skills 工程路径。`	`使用 check-understanding 测验阶段 13。`

十道题的定级测验会将你已有的知识映射到起始阶段，并把个性化学习计划保存到 LEARNING.md。随后，learn 技能每次会话教一节课：概念、数学、代码、测验。它直接从本仓库读取课程；course-guide 技能可以将你卡住的问题定位到具体课程。在 Codex 中使用 learn 和 course-guide，在 Claude Code 中使用 /learn 和 /course-guide，在其他兼容宿主中按名称调用即可。

只想学模型上下文协议（MCP）？使用宿主对应的 MCP 调用方式。它会生成 MCP-LEARNING.md，沿 17 节课的路线学习无状态请求、传输、双向交互、安全、可靠性、注册表治理和一致性证据。确切顺序和检查点见 MCP 路径清单。

只想学 Agent Skills？使用宿主对应的调用方式。它会生成 AGENT-SKILLS-LEARNING.md，按五节课学习契约、发现、调用、沙箱边界、发布评估与真实宿主的可移植性。网站入口见 Agent Skills 路径。

安装器会列出可配置的宿主并询问安装位置。如果暂时没有 Node.js、npx、python3、受支持的宿主或可写入范围，可以先使用网站，或直接阅读 docs/zh.md。这样可以学习概念；真实宿主的发现、调用、脚本和卸载验证，需要等环境预检通过后再完成。课程可在 aieng-zh.cn 阅读。

学习技能

技能	作用
`start-learning`	首次引导：明确学习目标、完成定级测验，并将个性化计划保存到 `LEARNING.md`。
`learn`	导师循环：先回忆复习，再交互讲授下一课并完成测验；记录进度和复习队列。
`course-guide`	主题路由：把“去哪里学 attention？”或“我的 loss 是 NaN”等问题定位到具体课程，并给出链接。
`learn-mcp`	MCP 专项导师。创建 `MCP-LEARNING.md`，遵循 17 课清单，记录协议线路、安全、可靠性与一致性证据。
`learn-agent-skills`	Agent Skills 专项导师。创建 `AGENT-SKILLS-LEARNING.md`，讲授第 22、24、25、26、27 课，并记录真实宿主证据。
`learn-reverse-engineering`	逆向工程专项导师。创建 `REVERSE-ENGINEERING-LEARNING.md`，使用自己构建的程序学习阶段 13 第 32–45 课，并记录实验证据。
`claude-certification`	Claude 认证导师。选择 CCAO-F、CCDV-F、CCAR-F 或 CCAR-P，逐课教学、运行实验、评审产物、组织诊断与模拟测验，并保存进度。
`mcpa-certification`	MCPA 导师。按 2026-07-28 版协议学习 `mcpa-f` 的 34 课路线，运行实验与 wire checker，组织诊断和三套模拟测验，并保存进度。
`find-your-level`	十道题的定级测验。将已有知识映射到起始阶段，并生成带课时估算的个性化路径。
`check-understanding <phase>`	按阶段测验，八道题，附反馈和需要复习的具体课程。调用方式见上方宿主命令表。

在本地运行代码

git clone https://github.com/fancyboi999/ai-engineering-from-scratch-zh.git
cd ai-engineering-from-scratch-zh
python3 phases/00-setup-and-tooling/01-dev-environment/code/verify.py --route beginner
python3 phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.py

环境预检会区分当前必需项与后续才需要的工具。每项必需检查失败时，都会给出检测到的原因和修正命令。vectors.py 不需要第三方依赖，最后会展示矩阵与向量相乘如何成为神经网络层内部的运算。把这段终端输出保存为你的第一份证据。

用同样的方法学习每一课

每节课的学习方法

阅读 docs/zh.md，用自己的话解释核心概念。
输入并构建关键代码，亲手实现它。
运行课程命令。工作目录是包含 README.md 和 phases/ 的仓库根目录。
保留证据：命令、工作目录、退出码、有意义的输出，以及你修改或生成的产物。
继续下一步之前，先解释清楚输出，并能在不靠猜测的情况下作出一个小修改。

除非课程明确要求切换目录，否则页面中的命令路径均相对于仓库根目录。课程提供多种语言时，运行你正在学习的语言实现。

选择学习路径

开始前不需要先扫完 542 节课。选一个目标即可。每个链接都对应 GitHub 或网站上的同一套课程，两处使用相同的课程代码。

你的目标	在 GitHub 上学习	在网站上学习
我是新手，想要完整地打牢基础	阶段 0 · 配置与工具链	开发环境
我懂 Python，想学数学与机器学习基础	阶段 1 · 数学基础	线性代数直觉
我想构建生产级 LLM 应用	阶段 11 · LLM 工程	提示词工程
我想构建自主 agent	阶段 14 · Agent 工程	Agent 循环
我想在真实代码仓库中使用 coding agent	Agent 辅助工程路径	Agent 辅助工程
我想在编码实施前把产品方案想透定准	产品判断与交付路径	产品判断与交付

拿不准自己适合从哪开始？使用 start-learning 定位导师，或查看网站前置要求指南。

在 AI 工程学习路径中比较四大核心领域与六大职业发展路线。

MCP、Agent Skills 与逆向工程专项路径

你的目标	在 GitHub 上学习	在网站上学习
我想基于模型上下文协议（MCP）构建系统	MCP 路线	MCP 路径
我想编写并交付 Agent Skills	Agent Skills 快速路线	Agent Skills 路径
我想读懂编译后的程序	逆向工程路线	逆向工程路径

前置要求与学习时间

前置要求

能编写代码，语言不限，会 Python 更方便。
希望理解 AI 的实际工作机制。

从哪里开始

你的背景	从哪开始	上游路线估算
编程和 AI 都是新手	阶段 0 — 配置与工具链	约 306 小时
会 Python，刚接触 ML	阶段 1 — 数学基础	约 270 小时
懂 ML，刚接触深度学习	阶段 3 — 深度学习核心	约 200 小时
懂深度学习，想学 LLM 和 agent	阶段 10 — 从零实现 LLM	约 100 小时
资深工程师，只想学 agent 工程	阶段 14 — Agent 工程	约 60 小时
只想构建生产级 MCP 系统	MCP 路径	约 23 小时 15 分
只想构建生产级 Agent Skills	Agent Skills 工程路径	约 9.5 小时
只想学逆向工程	逆向工程路径	约 32.5 小时

路线估算沿用上游，不代表各课正文预计时长的总和。逐课时长见 ROADMAP.md，专项路径的必修范围和时长以 learning-paths/*.json 为准。

课程的结构

二十个阶段层层叠起来。数学是地基，agent 和生产部署是屋顶。下层的东西你已经会了，就尽管往前跳；但别跳过去之后，又回头纳闷上层为什么塌了。

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff'}}}%%
flowchart TB
  P0["阶段 0 · 配置与工具链"] --> P1["阶段 1 · 数学基础"]
  P1 --> P2["阶段 2 · 机器学习基础"]
  P2 --> P3["阶段 3 · 深度学习核心"]
  P3 --> P4["阶段 4 · 计算机视觉"]
  P3 --> P5["阶段 5 · NLP"]
  P3 --> P6["阶段 6 · 语音与音频"]
  P3 --> P9["阶段 9 · 强化学习"]
  P5 --> P7["阶段 7 · Transformer"]
  P7 --> P8["阶段 8 · 生成式 AI"]
  P7 --> P10["阶段 10 · 从零实现 LLM"]
  P10 --> P11["阶段 11 · LLM 工程"]
  P10 --> P12["阶段 12 · 多模态 AI"]
  P11 --> P13["阶段 13 · 工具与协议"]
  P13 --> P14["阶段 14 · Agent 工程"]
  P14 --> P15["阶段 15 · 自主系统"]
  P15 --> P16["阶段 16 · 多 agent 与集群"]
  P14 --> P17["阶段 17 · 基础设施与生产"]
  P15 --> P18["阶段 18 · 伦理、安全与对齐"]
  P16 --> P19["阶段 19 · 综合项目"]
  P17 --> P19
  P18 --> P19

课程目录

二十个阶段。点开任意阶段即可展开它的课程列表。

Phase 0: 配置与工具链 `13 lessons`

把环境准备好，迎接后面所有的内容。

#	Lesson	Type	Lang
01	开发环境	Build	Python
02	Git 与协作	Learn	—
03	GPU 配置与云端	Build	Python
04	API 与密钥	Build	Python
05	Jupyter Notebook	Build	Python
06	Python 环境管理	Build	Shell
07	面向 AI 的 Docker	Build	Docker
08	编辑器配置	Build	—
09	数据管理	Build	Python
10	终端与 Shell	Learn	—
11	面向 AI 的 Linux	Learn	—
12	调试与性能分析	Build	Python
13	AI 工程的 Python 基础	Build	Python

Phase 1 — 数学基础 22 lessons 每个 AI 算法背后的直觉，用代码讲清楚。

#	Lesson	Type	Lang
01	线性代数直觉	Learn	Python, Julia
02	向量、矩阵与运算	Build	Python, Julia
03	矩阵变换与特征值	Build	Python, Julia
04	机器学习里的微积分：导数与梯度	Learn	Python
05	链式法则与自动微分	Build	Python
06	概率与分布	Learn	Python
07	贝叶斯定理与统计思维	Build	Python
08	优化：梯度下降家族	Build	Python
09	信息论：熵与 KL 散度	Learn	Python
10	降维：PCA、t-SNE、UMAP	Build	Python
11	奇异值分解	Build	Python, Julia
12	张量运算	Build	Python
13	数值稳定性	Build	Python
14	范数与距离	Build	Python
15	机器学习里的统计学	Build	Python
16	采样方法	Build	Python
17	线性方程组	Build	Python
18	凸优化	Build	Python
19	面向 AI 的复数	Learn	Python
20	傅里叶变换	Build	Python
21	机器学习里的图论	Build	Python
22	随机过程	Learn	Python

Phase 2 — 机器学习基础 21 lessons 经典机器学习——至今仍是大多数生产 AI 的骨架。

#	Lesson	Type	Lang
01	什么是机器学习	Learn	Python
02	从零实现线性回归	Build	Python
03	逻辑回归与分类	Build	Python
04	决策树与随机森林	Build	Python
05	支持向量机	Build	Python
06	KNN 与距离度量	Build	Python
07	无监督学习：K-Means、DBSCAN	Build	Python
08	特征工程与特征选择	Build	Python
09	模型评估：指标与交叉验证	Build	Python
10	偏差、方差与学习曲线	Learn	Python
11	集成方法：Boosting、Bagging、Stacking	Build	Python
12	超参数调优	Build	Python
13	机器学习流水线与实验追踪	Build	Python
14	朴素贝叶斯	Build	Python
15	时间序列基础	Build	Python
16	异常检测	Build	Python
17	处理不平衡数据	Build	Python
18	特征选择	Build	Python
19	ML 系统设计 —— 从业务问题到落地模型	Build	Python
20	生产环境中的模型监控 —— 数据漂移与概念漂移	Build	Python
21	特征平台与训练-推理偏斜	Build	Python

Phase 3 — 深度学习核心 13 lessons 从第一性原理出发的神经网络。先自己造一个，再碰框架。

#	Lesson	Type	Lang
01	感知机：一切的起点	Build	Python
02	多层网络与前向传播	Build	Python
03	从零实现反向传播	Build	Python
04	激活函数：ReLU、Sigmoid、GELU 及其原因	Build	Python
05	损失函数：MSE、交叉熵、对比损失	Build	Python
06	优化器：SGD、Momentum、Adam、AdamW	Build	Python
07	正则化：Dropout、权重衰减、BatchNorm	Build	Python
08	权重初始化与训练稳定性	Build	Python
09	学习率调度与 Warmup	Build	Python
10	造一个你自己的迷你框架	Build	Python
11	PyTorch 入门	Build	Python
12	JAX 入门	Build	Python
13	调试神经网络	Build	Python

Phase 4 — 计算机视觉 28 lessons 从像素到理解——图像、视频、3D、VLM 和世界模型。

#	Lesson	Type	Lang
01	图像基础：像素、通道、色彩空间	Learn	Python
02	从零实现卷积	Build	Python
03	CNN：从 LeNet 到 ResNet	Build	Python
04	图像分类	Build	Python
05	迁移学习与微调	Build	Python
06	目标检测——从零实现 YOLO	Build	Python
07	语义分割——U-Net	Build	Python
08	实例分割——Mask R-CNN	Build	Python
09	图像生成——GAN	Build	Python
10	图像生成——扩散模型	Build	Python
11	Stable Diffusion——架构与微调	Build	Python
12	视频理解——时序建模	Build	Python
13	3D 视觉：点云、NeRF	Build	Python
14	Vision Transformer（ViT）	Build	Python
15	实时视觉：边缘部署	Build	Python
16	构建一条完整的视觉流水线	Build	Python
17	自监督视觉——SimCLR、DINO、MAE	Build	Python
18	开放词表视觉——CLIP	Build	Python
19	OCR 与文档理解	Build	Python
20	图像检索与度量学习	Build	Python
21	关键点检测与姿态估计	Build	Python
22	从零实现 3D 高斯泼溅	Build	Python
23	Diffusion Transformer 与 Rectified Flow	Build	Python
24	SAM 3 与开放词表分割	Build	Python
25	视觉语言模型（ViT-MLP-LLM）	Build	Python
26	单目深度与几何估计	Build	Python
27	多目标跟踪与视频记忆	Build	Python
28	世界模型与视频扩散	Build	Python

Phase 5 — NLP：从基础到进阶 29 lessons 语言是通往智能的接口。

#	Lesson	Type	Lang
01	文本处理：分词、词干提取、词形还原	Build	Python
02	词袋、TF-IDF 与文本表示	Build	Python
03	词嵌入：从零实现 Word2Vec	Build	Python
04	GloVe、FastText 与子词嵌入	Build	Python
05	情感分析	Build	Python
06	命名实体识别（NER）	Build	Python
07	词性标注与句法分析	Build	Python
08	文本分类——用于文本的 CNN 与 RNN	Build	Python
09	序列到序列模型	Build	Python
10	注意力机制——那次突破	Build	Python
11	机器翻译	Build	Python
12	文本摘要	Build	Python
13	问答系统	Build	Python
14	信息检索与搜索	Build	Python
15	主题建模：LDA、BERTopic	Build	Python
16	文本生成	Build	Python
17	聊天机器人：从规则到神经网络	Build	Python
18	多语言 NLP	Build	Python
19	子词分词：BPE、WordPiece、Unigram、SentencePiece	Learn	Python
20	结构化输出与约束解码	Build	Python
21	自然语言推理与文本蕴含	Learn	Python
22	嵌入模型深入剖析	Learn	Python
23	RAG 的分块策略	Build	Python
24	指代消解	Learn	Python
25	实体链接与消歧	Build	Python
26	关系抽取与知识图谱构建	Build	Python
27	LLM 评估：RAGAS、DeepEval、G-Eval	Build	Python
28	长上下文评估：NIAH、RULER、LongBench、MRCR	Learn	Python
29	对话状态跟踪	Build	Python

Phase 6 — 语音与音频 17 lessons 听见、听懂、开口说。

#	Lesson	Type	Lang
01	音频基础：波形、采样、FFT	Learn	Python
02	频谱图、梅尔刻度与音频特征	Build	Python
03	音频分类	Build	Python
04	语音识别（ASR）	Build	Python
05	Whisper：架构与微调	Build	Python
06	说话人识别与验证	Build	Python
07	文本转语音（TTS）	Build	Python
08	声音克隆与音色转换	Build	Python
09	音乐生成	Build	Python
10	音频语言模型	Build	Python
11	实时音频处理	Build	Python
12	搭一条语音助手流水线	Build	Python
13	神经音频编解码器——EnCodec、SNAC、Mimi、DAC	Learn	Python
14	语音活动检测与轮次切换	Build	Python
15	流式语音到语音——Moshi、Hibiki	Learn	Python
16	语音防伪与音频水印	Build	Python
17	音频评估——WER、MOS、MMAU、排行榜	Learn	Python

Phase 7 — Transformer 深入剖析 16 lessons 那个改变了一切的架构。

#	Lesson	Type	Lang
01	为什么用 Transformer：RNN 的问题	Learn	Python
02	从零实现自注意力	Build	Python
03	多头注意力	Build	Python
04	位置编码：正弦、RoPE、ALiBi	Build	Python
05	完整的 Transformer：编码器 + 解码器	Build	Python
06	BERT——掩码语言建模	Build	Python
07	GPT——因果语言建模	Build	Python
08	T5、BART——编码器-解码器模型	Learn	Python
09	Vision Transformer（ViT）	Build	Python
10	音频 Transformer——Whisper 架构	Learn	Python
11	专家混合（MoE）	Build	Python
12	KV Cache、Flash Attention 与推理优化	Build	Python
13	缩放定律	Learn	Python
14	从零构建一个 Transformer	Build	Python
15	Attention 变体——滑动窗口、稀疏、差分	Build	Python
16	投机解码——草稿、验证、重复	Build	Python

Phase 8 — 生成式 AI 15 lessons 生成图像、视频、音频、3D，等等。

#	Lesson	Type	Lang
01	生成模型：分类与历史	Learn	Python
02	自编码器与 VAE	Build	Python
03	GAN：生成器 vs 判别器	Build	Python
04	条件 GAN 与 Pix2Pix	Build	Python
05	StyleGAN	Build	Python
06	扩散模型——从零实现 DDPM	Build	Python
07	潜在扩散与 Stable Diffusion	Build	Python
08	ControlNet、LoRA 与条件控制	Build	Python
09	图像修复、扩展与编辑	Build	Python
10	视频生成	Build	Python
11	音频生成	Build	Python
12	3D 生成	Build	Python
13	Flow Matching 与 Rectified Flow	Build	Python
14	评估：FID、CLIP Score	Build	Python
19	视觉自回归建模（VAR）：下一尺度预测	Build	Python

Phase 9 — 强化学习 12 lessons RLHF 和会玩游戏的 AI 的基石。

#	Lesson	Type	Lang
01	MDP、状态、动作与奖励	Learn	Python
02	动态规划	Build	Python
03	蒙特卡洛方法	Build	Python
04	Q-Learning、SARSA	Build	Python
05	深度 Q 网络（DQN）	Build	Python
06	策略梯度——REINFORCE	Build	Python
07	Actor-Critic——A2C、A3C	Build	Python
08	PPO	Build	Python
09	奖励建模与 RLHF	Build	Python
10	多智能体强化学习	Build	Python
11	仿真到现实的迁移	Build	Python
12	游戏中的强化学习	Build	Python

Phase 10 — 从零实现 LLM 24 lessons 构建、训练并真正理解大语言模型。

#	Lesson	Type	Lang
01	分词器：BPE、WordPiece、SentencePiece	Build	Python, Rust
02	从零实现一个分词器	Build	Python
03	预训练的数据流水线	Build	Python
04	预训练一个迷你 GPT（124M）	Build	Python
05	分布式训练、FSDP、DeepSpeed	Build	Python
06	指令微调——SFT	Build	Python
07	RLHF——奖励模型 + PPO	Build	Python
08	DPO——直接偏好优化	Build	Python
09	Constitutional AI 与自我改进	Build	Python
10	评估——基准与 evals	Build	Python
11	量化：INT8、GPTQ、AWQ、GGUF	Build	Python
12	推理优化	Build	Python
13	搭一条完整的 LLM 流水线	Build	Python
14	开源模型：架构逐一拆解	Learn	Python
15	投机解码与 EAGLE-3	Build	Python
16	差分注意力（V2）	Build	Python
17	原生稀疏注意力（DeepSeek NSA）	Build	Python
18	多 token 预测（MTP）	Build	Python
19	DualPipe 并行	Learn	Python
20	DeepSeek-V3 架构拆解	Learn	Python
21	Jamba——SSM-Transformer 混合架构	Learn	Python
22	异步与 Hogwild! 推理	Build	Python
25	推测解码与 EAGLE	Build	Python
34	梯度检查点与激活重算	Build	Python

Phase 11 — LLM 工程 17 lessons 让 LLM 在生产环境里干活。

#	Lesson	Type	Lang
01	提示工程：技巧与套路	Build	Python
02	Few-Shot、CoT、Tree-of-Thought	Build	Python
03	结构化输出	Build	Python
04	嵌入与向量表示	Build	Python
05	上下文工程	Build	Python
06	RAG：检索增强生成	Build	Python
07	进阶 RAG：分块、重排	Build	Python
08	用 LoRA 与 QLoRA 微调	Build	Python
09	函数调用与工具使用	Build	Python
10	评估与测试	Build	Python
11	缓存、限流与成本	Build	Python
12	护栏与安全	Build	Python
13	构建一个生产级 LLM 应用	Build	Python
14	模型上下文协议（MCP）	Build	Python
15	提示缓存与上下文缓存	Build	Python
16	Agent 状态机——图、节点与检查点	Build	Python
17	agent 框架的取舍	Learn	Python

Phase 12 — 多模态 AI 25 lessons 跨模态地看、听、读、推理——从 ViT 的图块到操作电脑的 agent。

#	Lesson	Type	Lang
01	Vision Transformer 与图块-token 原语	Learn	Python
02	CLIP 与对比式视觉语言预训练	Build	Python
03	BLIP-2 Q-Former 作为模态桥梁	Build	Python
04	Flamingo 与门控交叉注意力	Learn	Python
05	LLaVA 与视觉指令微调	Build	Python
06	任意分辨率视觉——Patch-n'-Pack 与 NaFlex	Build	Python
07	开源权重 VLM 配方：真正要紧的是什么	Learn	Python
08	LLaVA-OneVision：单图、多图、视频	Build	Python
09	Qwen-VL 家族与动态 FPS 视频	Learn	Python
10	InternVL3 原生多模态预训练	Learn	Python
11	Chameleon 早融合纯 token	Build	Python
12	Emu3 用下一 token 预测做生成	Learn	Python
13	Transfusion：自回归 + 扩散	Build	Python
14	Show-o 离散扩散统一架构	Learn	Python
15	Janus-Pro 解耦编码器	Build	Python
16	MIO 任意到任意流式	Learn	Python
17	视频语言时序定位	Build	Python
18	百万 token 上下文下的长视频	Build	Python
19	音频语言模型：从 Whisper 到 AF3	Build	Python
20	Omni 模型：Thinker-Talker 流式	Build	Python
21	具身 VLA：RT-2、OpenVLA、π0、GR00T	Learn	Python
22	文档与图表理解	Build	Python
23	ColPali 视觉原生文档 RAG	Build	Python
24	多模态 RAG 与跨模态检索	Build	Python
25	多模态 agent 与操作电脑（综合项目）	Build	Python

Phase 13 — 工具与协议 45 lessons AI 与真实世界之间的接口，包括 Agent Skills 与无状态 MCP 的生产契约。

#	Lesson	Type	Lang
01	工具接口	Learn	Python
02	函数调用深入剖析	Build	Python
03	并行与流式工具调用	Build	Python
04	结构化输出	Build	Python
05	工具 Schema 设计	Learn	Python
06	MCP 基础	Learn	Python
07	构建一个 MCP server	Build	Python
08	构建一个 MCP client	Build	Python
09	MCP 传输层	Learn	Python
10	MCP 资源与提示	Build	Python
11	MCP Sampling	Build	Python
12	MCP Roots 与 Elicitation	Build	Python
13	MCP 异步任务	Build	Python
14	MCP Apps	Build	Python
15	MCP 安全 I——工具投毒	Learn	Python
16	MCP 安全 II——OAuth 2.1	Build	Python
17	MCP 网关与注册表	Learn	Python
18	生产环境的 MCP 认证——iii 上的 DCR + JWKS	Build	Python
19	A2A 协议	Build	Python
20	OpenTelemetry GenAI	Build	Python
21	LLM 路由层	Learn	Python
22	Skills 与 Agent SDK	Learn	Python
23	综合项目——工具生态	Build	Python
24	Skill 发现与渐进式披露	Build	Python
25	Skill 调用与路由	Build	Python
26	Skill 权限、沙箱与信任	Build	Python
27	Skill 评测、打包与可移植性	Build	Python
28	MCP 工具契约与内容	Build	Python
29	MCP 可靠性、取消与流量控制	Build	Python
30	MCP Registry 供应链：准入、漂移与回滚	Build	Python
31	MCP 一致性工程：版本、证据与运维	Build	Python
32	程序剖析：从零读取 ELF	Build	Python
33	反汇编与控制流：从字节到可验证的图	Build	Python
34	提升为伪代码：从零构建 IR、SSA 与结构化流程	Build	Python
35	二进制分析中的证据、置信度与未知项	Build	Python
36	重建并证明等价：差分测试、字节比较与证据循环	Build	Python
37	逆向工程全景：历史、工具家族与反编译器构建	Build	Python
38	调用约定与栈帧：System V、Windows x64 与 AArch64	Build	Python
39	编译器惯用模式：优化如何改变代码及如何读回	Build	Python
40	链接、加载与去符号二进制：PLT、GOT、导入、修复与函数识别	Build	Python
41	恢复数据与类型：结构体、数组、C++ 对象与 DWARF	Build	Python
42	对自有程序做动态分析：调试器、跟踪与静态结论验证	Build	Python
43	原生代码之外：Python、JVM、.NET 与 WebAssembly 字节码	Build	Python
44	二进制差分与符号执行：函数匹配与输入求解	Build	Python
45	AI 辅助逆向工程：LLM 反编译器、分析 agent 与真实依据	Build	Python

模型上下文协议（MCP）路径包含第 06–18、28–31 课，共 17 节必修课，按清单顺序学习，其中第 18 课先于第 17 课。Agent Skills 路径包含第 22、24–27 课，共 5 节必修课。第 23 课是两条路径的可选系统综合项目，开始前按各路径清单完成前置要求。

Phase 14 — Agent 工程 54 lessons 从第一性原理构建 agent，可靠使用 coding agent，并在实现前把工作定义清楚。

#	Lesson	Type	Lang
01	Agent 循环	Build	Python
02	ReWOO 与 Plan-and-Execute	Build	Python
03	Reflexion 与言语强化学习	Build	Python
04	Tree of Thoughts 与 LATS	Build	Python
05	Self-Refine 与 CRITIC	Build	Python
06	工具使用与函数调用	Build	Python
07	Agent 记忆——虚拟上下文与记忆分页	Build	Python
08	记忆块与休眠时计算	Build	Python
09	混合记忆——向量 + 图 + KV	Build	Python
10	技能库与终身学习——Voyager	Build	Python
11	用 HTN 与进化搜索做规划	Build	Python
12	Anthropic 的工作流模式	Build	Python
13	有状态图编排——持久执行与检查点	Build	Python
14	Agent 的 Actor 模型——异步消息与类型化运行时	Build	Python
15	基于角色的 Agent 团队——角色、任务与流程	Build	Python
16	OpenAI Agents SDK——交接、护栏、追踪	Build	Python
17	Harness 即库——子 agent 与会话存储	Build	Python
18	生产级 Agent 运行时——快速实例化与类型化工作流	Learn	Python
19	基准——SWE-bench、GAIA、AgentBench	Learn	Python
20	基准——WebArena 与 OSWorld	Learn	Python
21	操作电脑——Claude、OpenAI CUA、Gemini	Build	Python
22	语音 agent——Pipecat 与 LiveKit	Build	Python
23	OpenTelemetry GenAI 语义约定	Build	Python
24	Agent 可观测性——Langfuse、Phoenix、Opik	Learn	Python
25	多 agent 辩论与协作	Build	Python
26	失败模式——agent 为什么会崩	Build	Python
27	提示注入与 PVE 防御	Build	Python
28	编排模式——Supervisor、Swarm、分层	Build	Python
29	生产级运行时——队列、事件、Cron	Learn	Python
30	Eval 驱动的 agent 开发	Build	Python
31	Agent 工作台：能力强的模型为什么仍会失败	Learn	Python
32	最小化 agent 工作台	Build	Python
33	把 agent 指令写成可执行约束	Build	Python
34	仓库记忆与持久化状态	Build	Python
35	给 agent 的初始化脚本	Build	Python
36	范围契约与任务边界	Build	Python
37	运行时反馈回路	Build	Python
38	验证关卡	Build	Python
39	审查 agent：把构建者和评判者分开	Build	Python
40	多会话交接	Build	Python
41	在真实仓库上跑工作台	Build	Python
42	综合项目：交付一套可复用的 agent 工作台包	Build	Python
43	在 agent 写代码前框定任务	Build	Python
44	制定由证据支撑的执行计划	Build	Python
45	通过隔离与合并契约委派 agent 工作	Build	Python
46	把每次 agent 纠正变成系统改进	Build	Python
47	在选择产出前定义结果	Build	Python
48	发现人们实际执行的工作流	Build	Python
49	绘制假设地图，先化解风险最高的一项	Build	Python
50	选择能改变决定的最小可测试切片	Build	Python
51	编写保留判断空间的规格说明	Build	Python
52	在结果出现前设计成功指标	Build	Python
53	有意识地选择原型、试点或生产	Build	Python
54	构建带所有权与淘汰机制的反馈棘轮	Build	Python

第 31-46 课组成 Agent 辅助工程路径。其清单顺序结合了工作台基础与任务框定、执行计划、隔离委派及长效反馈机制。第 47-54 课组成产品判断与交付路径，涵盖从结果定义、事实证据、假设风险、切片选择、可执行规格说明到分阶段发布与反馈所有权的完整闭环。阶段 14 里每节工作台课程（31-42）都附带一份 mission.md，在 agent 打开完整课程文档前先给它做简报。

Phase 15 — 自主系统 22 lessons 长程 agent、自我改进，以及 2026 年的安全技术栈。

#	Lesson	Type	Lang
01	从聊天机器人到长程 agent（METR）	Learn	Python
02	STaR、V-STaR、Quiet-STaR：自学推理	Learn	Python
03	AlphaEvolve：进化式编码 agent	Learn	Python
04	Darwin Gödel Machine：自我修改的 agent	Learn	Python
05	AI Scientist v2：研讨会级别的科研	Learn	Python
06	自动化对齐研究（Anthropic AAR）	Learn	Python
07	递归式自我改进：能力 vs 对齐	Learn	Python
08	有界自我改进的设计	Learn	Python
09	自主编码 agent 全景（SWE-bench、CodeAct）	Learn	Python
10	自主 Agent 的权限模式	Learn	Python
11	浏览器 agent 与间接提示注入	Learn	Python
12	长时运行 agent 的持久化执行	Learn	Python
13	动作预算、迭代上限、成本管控	Learn	Python
14	急停开关、熔断器、金丝雀 token	Learn	Python
15	人在回路：先提议后提交	Learn	Python
16	检查点与回滚	Learn	Python
17	Constitutional AI 与规则覆盖	Learn	Python
18	Llama Guard 与输入/输出分类	Learn	Python
19	Anthropic 负责任扩展政策 v3.0	Learn	Python
20	OpenAI Preparedness 框架与 DeepMind FSF	Learn	Python
21	METR 时间跨度与外部评估	Learn	Python
22	CAIS、CAISI 与社会规模风险	Learn	Python

Phase 16 — 多 agent 与集群 25 lessons 协调、涌现，以及集体智能。

#	Lesson	Type	Lang
01	为什么要多 agent	Learn	TypeScript
02	FIPA-ACL 传承与言语行为	Learn	Python
03	通信协议	Build	TypeScript
04	多 agent 原语模型	Learn	Python
05	Supervisor / 编排者-worker 模式	Build	Python
06	分层架构与分解漂移	Learn	Python
07	心智社会与多 agent 辩论	Build	Python
08	角色专精——规划者 / 批评者 / 执行者 / 验证者	Build	Python
09	并行集群与网络化架构	Build	Python
10	群聊与发言人选择	Build	Python
11	交接与例程（无状态编排）	Build	Python
12	A2A——Agent 到 Agent 协议	Build	Python
13	共享记忆与黑板模式	Build	Python
14	共识与拜占庭容错	Build	Python
15	投票、自洽性与辩论拓扑	Build	Python
16	协商与议价	Build	Python
17	生成式 agent 与涌现式仿真	Build	Python
18	心智理论与涌现式协调	Build	Python
19	群体优化（PSO、ACO）	Build	Python
20	MARL——MADDPG、QMIX、MAPPO	Learn	Python
21	Agent 经济、token 激励、声誉	Learn	Python
22	生产级扩展——队列、检查点、持久性	Build	Python
23	失败模式——MAST、群体思维、单一文化	Learn	Python
24	评估与协调基准	Learn	Python
25	案例研究与 2026 最新进展	Learn	Python

Phase 17 — 基础设施与生产 29 lessons 把 AI 交付到真实世界。

#	Lesson	Type	Lang
01	托管 LLM 平台 — Bedrock、Azure OpenAI、Vertex AI	Learn	Python
02	推理平台经济学 — Fireworks、Together、Baseten、Modal	Learn	Python
03	Kubernetes 上的 GPU 自动扩缩 — Karpenter、KAI Scheduler	Learn	Python
04	推理服务引擎内部机制——PagedAttention、连续批处理与分块预填充	Learn	Python
05	生产环境中的 EAGLE-3 推测解码	Learn	Python
06	前缀缓存推理服务——RadixAttention 与 KV 复用	Learn	Python
07	硬件专用推理编译——Blackwell 上的 FP8 与 NVFP4	Learn	Python
08	推理指标 — TTFT、TPOT、ITL、Goodput、P99	Learn	Python
09	生产级量化 — AWQ、GPTQ、GGUF、FP8、NVFP4	Learn	Python
10	无服务器 LLM 的冷启动缓解	Learn	Python
11	多区域 LLM 服务与 KV 缓存局部性	Learn	Python
12	边缘推理 — ANE、Hexagon、WebGPU、Jetson	Learn	Python
13	LLM 可观测性技术栈选型	Learn	Python
14	提示缓存与语义缓存的经济学	Learn	Python
15	批处理 API — 50% 折扣作为行业标准	Learn	Python
16	把模型路由作为降本原语	Learn	Python
17	预填充/解码分离 — NVIDIA Dynamo 与 llm-d	Learn	Python
18	生产级推理服务栈——KV 卸载与缓存感知路由	Learn	Python
19	AI 网关 — LiteLLM、Portkey、Kong、Bifrost	Learn	Python
20	影子、金丝雀与渐进式部署	Learn	Python
21	LLM 功能的 A/B 测试 — GrowthBook 与 Statsig	Learn	Python
22	LLM API 的负载测试 — k6、LLMPerf、GenAI-Perf	Build	Python
23	面向 AI 的 SRE — 多智能体事件响应	Learn	Python
24	面向 LLM 生产的混沌工程	Learn	Python
25	安全 — 密钥、PII 脱敏、审计日志	Learn	Python
26	合规 — SOC 2、HIPAA、GDPR、EU AI Act、ISO 42001	Learn	Python
27	面向 LLM 的 FinOps — 单位经济与多租户归因	Learn	Python
28	自托管推理服务选型——让引擎匹配硬件与规模	Learn	Python
29	模型演示接口 —— 从函数到可分享应用	Build	Python

Phase 18 — 伦理、安全与对齐 30 lessons 构建对人类有益的 AI。这不是选修。

#	Lesson	Type	Lang
01	把遵循指令当作对齐信号	Learn	Python
02	奖励黑客与古德哈特定律	Learn	Python
03	直接偏好优化家族	Learn	Python
04	阿谀奉承：RLHF 的放大效应	Learn	Python
05	Constitutional AI 与 RLAIF	Learn	Python
06	Mesa 优化与欺骗性对齐	Learn	Python
07	潜伏 agent——持续性欺骗	Learn	Python
08	前沿模型中的上下文内谋划	Learn	Python
09	对齐造假	Learn	Python
10	AI Control——即便被颠覆也保安全	Learn	Python
11	可扩展监督与弱到强	Learn	Python
12	红队：PAIR 与自动化攻击	Build	Python
13	多样本越狱	Learn	Python
14	ASCII 字符画与视觉越狱	Build	Python
15	间接提示注入	Build	Python
16	红队工具：Garak、Llama Guard、PyRIT	Build	Python
17	WMDP 与双用途能力评估	Learn	Python
18	前沿安全框架——RSP、PF、FSF	Learn	Python
19	模型福祉研究	Learn	Python
20	偏见与表征伤害	Build	Python
21	公平性准则：群体、个体、反事实	Learn	Python
22	面向 LLM 的差分隐私	Build	Python
23	水印：SynthID、Stable Signature、C2PA	Build	Python
24	监管框架：欧盟、美国、英国、韩国	Learn	Python
25	EchoLeak 与 AI 的 CVE	Learn	Python
26	模型卡、系统卡与数据集卡	Build	Python
27	数据溯源与训练数据治理	Learn	Python
28	对齐研究生态：MATS、Redwood、Apollo、METR	Learn	Python
29	内容审核系统：OpenAI、Perspective、Llama Guard	Build	Python
30	双用途风险：网络、生物、化学、核	Learn	Python

Phase 19 — 综合项目 85 projects 端到端项目与组件实践，按目标选择；各课正文列出预计时长。

#	Project	Combines	Lang
01	终端原生编码 agent	P0 P5 P7 P10 P11 P13 P14 P15 P17 P18	Python
02	代码库 RAG（跨仓库语义搜索）	P5 P7 P11 P13 P17	Python
03	实时语音助手（ASR → LLM → TTS）	P6 P7 P11 P13 P14 P17	Python
04	多模态文档问答（视觉优先）	P4 P5 P7 P11 P12 P17	Python
05	自主科研 agent（AI-Scientist 级别）	P0 P2 P3 P7 P10 P14 P15 P16 P18	Python
06	面向 Kubernetes 的 DevOps 排障 agent	P11 P13 P14 P15 P17 P18	Python
07	端到端微调流水线	P2 P3 P7 P10 P11 P17 P18	Python
08	生产级 RAG 聊天机器人（受监管垂直行业）	P5 P7 P11 P12 P17 P18	Python
09	代码迁移 agent（仓库级升级）	P5 P7 P11 P13 P14 P15 P17	Python
10	多 agent 软件工程团队	P11 P13 P14 P15 P16 P17	Python
11	LLM 可观测性与 Eval 仪表盘	P11 P13 P17 P18	Python
12	视频理解流水线（场景 → 问答）	P4 P6 P7 P11 P12 P17	Python
13	带注册表与治理的 MCP server	P11 P13 P14 P17 P18	Python
14	投机解码推理服务器	P3 P7 P10 P17	Python
15	Constitutional 安全测试架 + 红队靶场	P10 P11 P13 P14 P18	Python
16	GitHub Issue 到 PR 的自主 agent	P11 P13 P14 P15 P17	Python
17	个人 AI 导师（自适应、多模态）	P5 P6 P11 P12 P14 P17 P18	Python
20	Agent Harness Loop 契约	A. Agent harness	Python
21	带 Schema 校验的 Tool Registry	A. Agent harness	Python
22	基于换行分隔 stdio 的 JSON-RPC 2.0	A. Agent harness	Python
23	函数调用分发器	A. Agent harness	Python
24	Plan-Execute 控制流	A. Agent harness	Python
25	Verification Gate 与 Observation Budget	A. Agent harness	Python
26	带 Denylist 与 Path Jail 的 Sandbox Runner	A. Agent harness	Python
27	带 Fixture Tasks 的 Eval Harness	A. Agent harness	Python
28	用 OTel GenAI Span 与 Prometheus 做 Observability	A. Agent harness	Python
29	端到端 Coding Agent Demo	A. Agent harness	Python
30	从零实现 BPE Tokenizer	B. NLP LLM	Python
31	带 Sliding Window 的 Tokenized Dataset	B. NLP LLM	Python
32	Token Embedding 与 Positional Embedding	B. NLP LLM	Python
33	多头自注意力	B. NLP LLM	Python
34	从零实现 Transformer Block	B. NLP LLM	Python
35	GPT 模型组装	B. NLP LLM	Python
36	训练循环与评估	B. NLP LLM	Python
37	加载预训练权重	B. NLP LLM	Python
38	通过换 Head 做分类微调	B. NLP LLM	Python
39	通过 SFT 做 Instruction Tuning	B. NLP LLM	Python
40	从零实现 DPO	B. NLP LLM	Python
41	完整评估流水线	B. NLP LLM	Python
42	大规模语料下载器	C. 端到端训练	Python
43	HDF5 分词语料库	C. 端到端训练	Python
44	Cosine 学习率 + 线性 Warmup	C. 端到端训练	Python
45	Gradient Clipping 与混合精度训练	C. 端到端训练	Python
46	梯度累积	C. 端到端训练	Python
47	Checkpoint 保存与恢复	C. 端到端训练	Python
48	从零实现分布式数据并行与 FSDP	C. 端到端训练	Python
49	语言模型评测框架	C. 端到端训练	Python
50	假设生成器	D. 自动研究	Python
51	文献检索	D. 自动研究	Python
52	实验执行器	D. 自动研究	Python
53	结果评估器	D. 自动研究	Python
54	论文生成器	D. 自动研究	Python
55	评审循环	D. 自动研究	Python
56	迭代调度器	D. 自动研究	Python
57	端到端研究 Demo	D. 自动研究	Python
58	Vision Encoder 的 Patch 切分	E. 多模态	Python
59	视觉 Transformer 编码器（ViT）	E. 多模态	Python
60	用 Projection Layer 做模态对齐	E. 多模态	Python
61	Cross-Attention 融合	E. 多模态	Python
62	Vision-Language 预训练	E. 多模态	Python
63	多模态评测	E. 多模态	Python
64	Chunking 策略横向对比	F. 高级 RAG	Python
65	用 BM25 与 Dense Embedding 做 Hybrid Retrieval	F. 高级 RAG	Python
66	交叉编码器重排器	F. 高级 RAG	Python
67	Query 改写：HyDE、Multi-Query 与 Decomposition	F. 高级 RAG	Python
68	RAG 评测：Precision、Recall、MRR、nDCG 等	F. 高级 RAG	Python
69	端到端 RAG 系统	F. 高级 RAG	Python
70	任务规格格式	G. 评测体系	Python
71	经典评测指标	G. 评测体系	Python
72	代码执行评测指标	G. 评测体系	Python
73	perplexity 与 calibration	G. 评测体系	Python
74	leaderboard 聚合	G. 评测体系	Python
75	端到端 eval runner	G. 评测体系	Python
76	从零实现集合通信	H. 分布式训练	Python
77	数据并行 DDP	H. 分布式训练	Python
78	ZeRO Optimizer State 分片	H. 分布式训练	Python
79	Pipeline Parallel 与 Bubble 分析	H. 分布式训练	Python
80	分片 Checkpoint 与原子化恢复	H. 分布式训练	Python
81	端到端分布式训练	H. 分布式训练	Python
82	越狱分类法	I. 安全护栏	Python
83	Prompt 注入检测器	I. 安全护栏	Python
84	拒答评估	I. 安全护栏	Python
85	内容分类器集成	I. 安全护栏	Python
86	Constitutional 规则引擎	I. 安全护栏	Python
87	端到端 safety gate	I. 安全护栏	Python

电子书与认证

将核心课程作为电子书阅读

上游将 phases/ 下的 20 阶段核心课程编成六卷电子书。上游 CI 从同一套英文课程源生成 EPUB 和 PDF，并附在每次 GitHub release 中；下方链接始终指向最新 release。卷号表示系列中的顺序，而非版本。每本书都带有日期版次，旧版仍可在对应 release 下载。

以下是上游英文版电子书。中文课程目前请在本仓库或 aieng-zh.cn 阅读。

认证课程不编入这些电子书。AI 导师状态、可运行实验、交互图表、诊断和限时模拟测验仍保留在 GitHub 与网站上。

卷	标题	阶段	英文版下载
1	基础 · 数学、工具链与经典机器学习	00–02	EPUB · PDF
2	深度学习 · 网络、视觉与语音	03、04、06	EPUB · PDF
3	语言 · NLP 基础与 Transformer	05、07	EPUB · PDF
4	大语言模型 · 生成、强化学习、预训练与工程	08–11	EPUB · PDF
5	Agent · 多模态、协议、自主系统与集群	12–16	EPUB · PDF
6	生产 · 基础设施、安全与综合项目	17–19	EPUB · PDF

电子书是快照，仓库持续更新。各章末尾都链接回课程的动态图表、测验和可运行代码。上游支持使用 python3 scripts/build_book.py 在本地构建（需要 pandoc），构建流程见上游 book/README.md。

备考 Claude 认证

Claude 认证学院是免费、开源的备考课程，覆盖四条官方 Claude 认证路线：Associate Foundations、Developer Foundations、Architect Foundations 和 Architect Professional。每条路线结合映射到考试蓝图的课程、可运行实验、诊断、综合项目与完整的原创模拟测验。

你可以在 Claude Code、Codex、ChatGPT、Cursor 或其他 agent 中使用 AI 导师入门指南。在 Codex 中运行 claude-certification，在 Claude Code 中运行 /claude-certification，或让其他宿主使用该技能。它会选择路线，将持久进度写入 CLAUDE-CERTIFICATION.md，逐步教学、运行真实实验，并依据产物给出反馈。同一套课程也可在认证网站学习。

这是依据公开考试目标编写的独立学习材料，与 Anthropic 没有隶属关系，不复制真实考题，也不保证通过考试。

备考 MCP Associate（MCPA）

MCPA 认证课程是免费、开源的备考课程，对应 Agentic AI Foundation 推出、由 Linux Foundation Training 提供的 Model Context Protocol Associate 考试。34 节课围绕五个考试领域讲解 2026-07-28 版无状态协议：以每次请求携带的 _meta 和 server/discover 替代旧握手，以及多次往返请求、订阅、缓存、tasks 与 MCP Apps 扩展、OAuth 授权、注册表和 SDK 分层。每节课都配有可运行的标准库实验，其 transcript 会校验当前协议消息结构。路线还提供诊断、综合项目和三套完整原创模拟测验，题目组合遵循公开蓝图的权重。

你可以在 Claude Code、Codex、ChatGPT、Cursor 或其他 agent 中使用 AI 导师入门指南。在 Codex 中运行 mcpa-certification，在 Claude Code 中运行 /mcpa-certification，或让其他宿主使用该技能。它会在 MCPA-CERTIFICATION.md 中建立持久学习路线，逐步教学、运行真实实验，并依据产物给出反馈。同一套课程也可在 MCPA 路线页面学习。

这是依据公开考试目标编写的独立学习材料，与 Agentic AI Foundation 或 Linux Foundation 没有隶属关系，不复制真实考题，也不保证通过考试。

工具箱

每节课都会产出可复用工具。你可以将它装入自己的 agent，或在仓库根目录使用下方脚本。

课程结构与可复用产物

一节课的结构

每节课都保存在独立目录中，整套课程采用相同结构：

phases/<NN>-<phase-name>/<NN>-<lesson-name>/
├── code/      可运行的实现（Python、TypeScript、Rust、Julia）
├── docs/
│   └── zh.md  课程正文
└── outputs/   本节课产出的提示词、技能、agent 或 MCP 服务器

每节课分为六个环节，其中“动手构建 / 实际使用”是主线：先从零实现算法，再用生产库完成同样的操作。因为亲手写过较小的实现，你能理解框架正在做什么。

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'13px'}}}%%
flowchart LR
  M["主旨<br/><sub>一句话核心理念</sub>"] --> Pr["问题背景<br/><sub>具体的痛点</sub>"]
  Pr --> C["核心概念<br/><sub>图解与直觉</sub>"]
  C --> B["动手构建<br/><sub>原始数学，不用框架</sub>"]
  B --> U["实际使用<br/><sub>用 PyTorch / sklearn 完成相同操作</sub>"]
  U --> S["拿去用<br/><sub>提示词 · 技能 · agent · MCP</sub>"]

每节课都有产出

其他课程以“恭喜，你学会了 X”结束。这里每节课都以一件可复用工具收尾，你可以安装它，或直接放进日常工作流。

_{FIG_001 · A} 提示词	_{FIG_001 · B} 技能	_{FIG_001 · C} AGENT	_{FIG_001 · D} MCP 服务器
粘贴到任意 AI 助手，在细分任务上获得专家级帮助。	放入 Claude、Cursor、Codex、OpenClaw、Hermes，或任何能读取 `SKILL.md` 的 agent。	部署为自主 worker。你已在阶段 14 亲手实现运行循环。	接入任意兼容 MCP 的客户端。你已在阶段 13 完成端到端构建。

安装课程产物

仓库在 phases/**/outputs/ 下提供 414 个技能和 100 个提示词，可使用 scripts/install_skills.py 安装。需要先克隆仓库。支持按标签筛选、预演和不同 agent 的目录布局：

python3 scripts/install_skills.py <target>                                 # 所有技能，默认 --layout skills（嵌套目录）
python3 scripts/install_skills.py <target> --layout skills                 # 同上，显式指定
python3 scripts/install_skills.py <target> --type all                      # 技能 + 提示词 + agent
python3 scripts/install_skills.py <target> --phase 14                       # 只装一个阶段
python3 scripts/install_skills.py <target> --tag rag                        # 按标签筛选
python3 scripts/install_skills.py <target> --layout flat                    # 扁平文件
python3 scripts/install_skills.py <target> --dry-run                        # 预览，不写入
python3 scripts/install_skills.py <target> --force                          # 覆盖已有内容

<target> 是你的 agent 技能目录，例如 ~/.claude/skills/、~/.cursor/skills/、~/.config/openclaw/skills/、.skills/，或 agent 会读取的其他目录。

默认情况下，脚本拒绝覆盖已有目标，会列出所有冲突路径并以退出码 1 结束。使用 --dry-run 预览冲突，或使用 --force 覆盖。每次非 dry-run 运行都会写入 manifest.json，按类型和阶段记录完整清单。根据 agent 的读取方式选择布局：

`--layout`	写入路径
`skills`	`<target>/<name>/SKILL.md`（嵌套约定，Claude / Cursor / Codex / OpenClaw / Hermes 均支持）
`by-phase`	`<target>/phase-NN/<name>.md`
`flat`	`<target>/<name>.md`

将 agent 工作台加入自己的仓库

阶段 14 的综合项目提供可复用的 Agent Workbench 包，包含 AGENTS.md、schema，以及初始化、验证和交接脚本。可以用以下命令加入任意仓库：

python3 scripts/scaffold_workbench.py path/to/your-repo            # 完整包与种子文件
python3 scripts/scaffold_workbench.py path/to/your-repo --minimal  # 跳过 docs/
python3 scripts/scaffold_workbench.py path/to/your-repo --dry-run  # 只预览
python3 scripts/scaffold_workbench.py path/to/your-repo --force    # 覆盖

你会得到已接入的七个工作台界面、一份起步用的 task_board.json，以及 schema_version: 1 的全新 agent_state.json。随后编辑任务和 AGENTS.md，运行 scripts/init_agent.py，并将契约交给 agent。包的源码位于 phases/14-agent-engineering/42-agent-workbench-capstone/outputs/agent-workbench-pack/。

通过 JSON 浏览整个课程

scripts/build_catalog.py 遍历磁盘上的所有阶段、课程和产物，在仓库根目录写入 catalog.json。

python3 scripts/build_catalog.py               # 写入 <repo>/catalog.json
python3 scripts/build_catalog.py --stdout      # 输出到 stdout，不修改仓库
python3 scripts/build_catalog.py --out path/to/file.json

清单从文件系统生成，而非从 README 推导，所以计数对应实际文件。你可以用它构建下游工具或核对 README；schema 见脚本开头。catalog.json 是可再生的辅助产物，不提交到 Git。中文站构建与课数校验仍以 site/build.js 和 README / ROADMAP 为准：

node site/build.js
node site/build.js --check
python3 scripts/audit_lessons.py --strict

为每节课的 Python 代码做冒烟检查

scripts/lesson_run.py 对各课 code/ 目录中的每个 .py 文件进行字节编译。默认只检查语法，不执行代码，不需要 API key 或大型 ML 依赖，用于发现缩进错误、损坏的 f-string、误改等回归。

python3 scripts/lesson_run.py                  # 检查整套课程的语法
python3 scripts/lesson_run.py --phase 14       # 只检查一个阶段
python3 scripts/lesson_run.py --json           # 在 stdout 输出 JSON 报告
python3 scripts/lesson_run.py --strict         # 任一课程失败就以非零退出码结束
python3 scripts/lesson_run.py --execute        # 实际运行，每节课限时 10 秒

--execute 运行每节课的 code/main.py，或第一个 .py 文件，限时 10 秒。入口文件开头若有 # requires: pkg1, pkg2 注释，列出了非标准库依赖，该课程会被跳过，原因为 needs <deps>。该脚本按需运行，尚未接入 CI。

仅使用标准库，需要 Python 3.10+。设置 LINK_CHECK_SKIP=domain1,domain2 可以覆盖默认跳过名单：twitter.com、x.com、linkedin.com、instagram.com、medium.com。这些域名会主动屏蔽自动化 HEAD/GET 请求。

基础论文与协议

Attention Is All You Need — Vaswani et al., 2017 → 阶段 7
Language Models are Few-Shot Learners（GPT-3）→ 阶段 10
Denoising Diffusion Probabilistic Models → 阶段 8
InstructGPT / RLHF → 阶段 10
Direct Preference Optimization → 阶段 10
Chain-of-Thought Prompting → 阶段 11
ReAct: Reasoning + Acting in LLMs → 阶段 14
Model Context Protocol — Anthropic → 阶段 13

参与贡献

目标	阅读
贡献课程或修复	CONTRIBUTING.md
为团队或学校 fork	FORKING.md
课程模板	LESSON_TEMPLATE.md
跟踪进度	ROADMAP.md
术语表	glossary/terms.md
行为准则	CODE_OF_CONDUCT.md

提交课程前，运行不变量检查：

python3 scripts/audit_lessons.py           # 检查整套课程
python3 scripts/audit_lessons.py --phase 14  # 检查单个阶段
python3 scripts/audit_lessons.py --json    # 输出适合 CI 的报告

任一规则失败时，退出码为非零。规则 L001–L010 校验目录结构、docs/zh.md 是否存在及是否有 H1、code/ 是否非空、quiz.json 的 schema，以及课程正文中的相对链接。

支持项目

免费、开源，采用 MIT 许可，共 542 节课。感谢支持课程持续开放的赞助者。

如果这份课程对你有帮助，欢迎给仓库点个 star。

许可

原课程由 Rohit Ghumare 及社区创建，简体中文版与配套动画视频由 fancy 维护。

Top AI Repos — open-source AI, indexed and scored

Trend

From the README

特别鸣谢

学习路径

梯度下降

项目

选择学习方式

在网站上学习

使用 AI 导师

学习技能

在本地运行代码

每节课的学习方法

选择学习路径

前置要求

从哪里开始

课程的结构

课程目录

Phase 0: 配置与工具链 13 lessons

电子书与认证

工具箱

一节课的结构

每节课都有产出

参与贡献

支持项目

许可

Top contributors11 shown

Quality score

What to know before adopting

Categories

Details

Trend

From the README

特别鸣谢

学习路径

梯度下降

项目

选择学习方式

在网站上学习

使用 AI 导师

学习技能

在本地运行代码

每节课的学习方法

选择学习路径

前置要求

从哪里开始

课程的结构

课程目录

Phase 0: 配置与工具链 13 lessons

电子书与认证

工具箱

一节课的结构

每节课都有产出

参与贡献

支持项目

许可

Top contributors11 shown

Quality score

What to know before adopting

Categories

Details

Phase 0: 配置与工具链 `13 lessons`

Phase 0: 配置与工具链 `13 lessons`