每学一节，留下一个能跑的东西

一门把"从零手写"贯彻到底的开源课程刷到了 59.8K 星：AI Engineering from Scratch，20 个阶段、以 Python 为主，主张在导入任何框架之前，先用纯数学把每个算法手写一遍。

课程站：aiengineeringfromscratch.com/index.html ，仓库：github.com/rohitg00/ai-en…

它和常见教程的差别不在目录，在结构。大多数 AI 教程是"API 驱动"的：装个库、调个接口、跑个 demo；这门课每节课固定六段——Motto → Problem → Concept → Build It → Use It → Ship It。

看它怎么讲分词器就知道成色：Problem 部分不绕弯，直接从代价切入——"你的 LLM 不读英语，它读整数；分词器决定这些整数是承载意义还是浪费意义"，然后点破 tokenization 不是预处理、是架构的一部分（影响上下文利用率、计费、推理速度）；Concept 部分用"三种失败方案加一种胜出方案"讲演化——词级（词表爆炸）→ 字符级（序列过长）→ 子词（BPE 折中），还配真实语料上的手工演算。每节约 3000 词、带图、带可运行代码和测试。

两个设计比内容更值得抄。其一，每节课产出一个可复用的 artifact——一个 prompt、一个 skill、一个 agent 或一个 MCP server；学完全程手里是 523 个可展示的作品，而不是 523 个跑完就扔的 notebook。

顺带说清"先手写再导入"为什么值钱：手写过一遍 BPE，你才知道分词器在省什么钱、又在丢什么信息；调库的人只看到接口，手写的人看到取舍——框架会换代，取舍不会。其二，强调证据留存——保留命令、退出码、输出，作为"学习真的发生过"的证明。

这两条合起来，正是今晚反复出现的那套纪律换了个场景：能交付的才叫学会，能复现的才叫证据——评测四铁律的教育版。

课程曲线本身也说明了行业的重心迁移。前六个阶段是常规地基（数学、深度学习、视觉一路到世界模型）；LLM 层是重心之一，而且目录相当硬——DeepSeek-V3 架构走读、DualPipe 并行、Native Sparse Attention、多 token 预测、投机解码这些论文级主题都在里面；再往上，智能体层（工具与协议、54 节课的 agent 工程、自主系统与安全、多智能体集群）的分量明显加重——项目自己的判断写在结构里：AI 工程的重心正在从"训模型"转向"构建可靠协作的智能体"。这与本周所有线索是同一句话：模型会被抹平，结构不会。

生态也做得扎实：EPUB／PDF 由 CI 自动出书、12 种语言（含中文）、认证备考题库；最巧的是Agent 导师模式——一条命令把整门课装进 Claude Code，变成带分级测验和个性化路径的交互导师，进度写在文件里。用你正在学的工具来学，这个闭环本身就是课程内容的活演示。

留一格清楚的边界：59.8K 是热度不是质量保证，六段结构听着好，未必合你的胃口——尤其"先手写再导入"的路线对急着出活的人偏重；课长 20 阶段，全刷是场马拉松；另外它自称与那些认证机构无关联，认证的含金量要自己查。

给想入坑的人一句落地的：别从 Phase 0 开始排计划——先点开你最缺的那一块（LLM 层或智能体层）任挑一节，跑完看六段结构对不对你胃口；对胃口再谈整条曲线，不对胃口省下的是几十小时。以及记住它最值钱的那条规矩：每学一节，留下一个能跑的东西和一段能复现的输出——这比看完多少章都算数。