重點先講：AI Engineering from Scratch 適合想親手建立 AI 系統的人。它有 542 堂教材、20 個學習階段，並涵蓋 Python、RAG 與 Agent 實作；新手先學環境與程式基礎，有經驗的開發者可從 LLM Engineering 開始。
最後更新：2026 年 10 月 20 日
資料截點：2026-10-20 12:00（台北時間）
以前學 AI，很多人從數學、演算法、神經網路一路往下讀，等到真正想把應用部署給別人使用，才發現自己還不熟悉 API、測試、資料檢索與部署。現在有了 ChatGPT、Claude 等工具，生成程式碼的速度變快，但理解程式是否正確、模型為何答錯、系統如何維護，依然需要工程能力。
這正是 AI Engineering from Scratch 想處理的問題。
它把從基礎到實際交付的 AI 工程技能整理成一套開源學習路線。你可以閱讀教材、研究程式碼，也能挑選跟工作直接有關的主題，不必從第一頁讀到最後一頁。
不過，這套資源並非完全不需要程式基礎的視覺化工具。官方 README 明確將具備程式設計能力列為先修條件之一。零基礎讀者可以從 Phase 0 開始，但仍需要逐步學習寫程式。
AI Engineering from Scratch 是什麼？
它是一個免費、開源的 AI 工程教育專案，由 GitHub 使用者 rohitg00 維護。專案主張透過理解原理、親手實作與交付成果，建立更完整的 AI 開發能力。
依據本次查閱的官方 README，專案標示：
- 542 堂教材，分布於 20 個學習階段。
- 主要涵蓋 Python、TypeScript、Rust 與 Julia。
- 程式庫採用 MIT 授權。
- 提供線上閱讀、GitHub 教材與本機程式範例。
- 涵蓋機器學習、深度學習、Transformer、RAG、Agent、部署、安全與整合專案。
這些數字是官方專案在資料截點附近公開的描述，不代表本站逐一完成 542 堂課的執行測試。課程內容、實作要求與上游依賴仍可能更新。
這套課程與一般 AI 提示詞教學有什麼差別？
差別主要在學習目標。提示詞教學通常把焦點放在如何取得較好的模型輸出；AI 工程則還要處理資料從哪裡來、程式如何調用模型、發生錯誤時怎樣重現，以及系統是否具備可維護性。
| 學習方向 | 主要目標 | 可以交付的成果 |
|---|---|---|
| 一般 AI 工具教學 | 熟悉操作介面與提示詞 | 文章、摘要、簡報或個人工作流程 |
| AI Engineering from Scratch | 理解模型與系統如何運作 | 程式範例、檢索流程、Agent 原型及測試紀錄 |
| 特定框架教學 | 掌握單一開發工具 | 使用該框架完成的應用 |
如果工作只是整理會議紀錄或產生電子郵件，沒有必要一開始就研究 Transformer 的矩陣運算。若目標是開發供客戶使用的 AI 產品，理解 API、資料處理、評估與錯誤處置就非常重要。
第一步：完全新手應該從哪裡開始？
先從 Phase 0 的 Setup & Tooling 開始，尤其是開發環境、Git、Python、虛擬環境與終端機操作。
零基礎讀者可以先閱讀教材，不必立即安裝大型模型或租用 GPU。等到理解程式與檔案結構，再開始執行簡單的 Python 範例。
- 打開官方 GitHub 專案首頁，找到 Phase 0。
- 閱讀 Dev Environment 與 Python Environments 等基礎單元。
- 在自己的電腦安裝適合的 Python 與 Git。
- 建立獨立的練習資料夾，避免把套件安裝到重要工作環境。
- 完成一個簡單 Python 程式，確認終端機能執行並正確輸出。
這一步的驗收標準不應只是看到「安裝成功」。你還要能解釋目前使用哪個 Python 環境、套件裝在哪裡，以及程式出錯時怎樣讀取錯誤訊息。
若這些基本操作仍不熟悉，直接從 Agent 框架開始，很容易將所有問題都誤判為模型能力不足。
第二步：怎樣補上 AI 模型的必要原理？
具備程式基礎後，可以依序閱讀 Phase 1 的數學基礎、Phase 2 的機器學習，再延伸到深度學習和 Transformer。已經熟悉機器學習的人，不必重複所有入門課程。
我會把這一階段的學習目標縮成三項：理解資料如何轉成數值、理解模型如何從誤差調整參數，以及理解訓練與推論的差別。
可以先用小型資料集建立一個分類器，保存訓練與測試結果，然後刻意改變資料分割方式，比較評估分數的差異。
這個練習有一個重要價值：學會對模型表現提出可檢查的問題。未來使用大型語言模型時，才不會將一次回答正確誤認為系統整體可靠。
第三步：怎樣從 Python 走到 RAG 應用？
想開發文件問答或企業知識庫，可以將重點轉到 Phase 11：LLM Engineering。
官方目前列出的單元包括提示詞工程、結構化輸出、Embeddings、RAG、進階 RAG、Function Calling、評估測試、成本控制、Guardrails 與 Production LLM App。
其中 RAG（Retrieval-Augmented Generation，檢索增強生成）尤其適合作為第一個完整應用專案。
練習時可以選用自己有權使用的公開文件，設計以下流程：
- 將原始文件轉成可供程式處理的文字。
- 依章節或語意切分文件，保留每段來源。
- 建立搜尋機制，找出與問題相關的段落。
- 把找到的段落與問題一起傳入語言模型。
- 要求模型回答時列出來源，並對無法確認的問題明確表示資料不足。
完成後，準備一份固定的測試問題清單，至少包含能從文件直接回答、必須跨段整合，以及文件中找不到答案的問題。
測試時應記錄檢索到的原文、模型回答及人工判定結果。這樣才能分辨失敗是出在搜尋、文件處理，還是模型生成。
這裡描述的是依官方課程主題規劃的練習路線，不代表本站已驗證專案中每個 RAG 範例均可在目前環境直接執行。
第四步：學 AI Agent 時應該先做什麼？
準備開發 Agent，可以閱讀 Phase 13 的工具與協定，以及 Phase 14 的 Agent Engineering。官方也為想直接學 Agent 的讀者提供 The Agent Loop 作為起點。
Agent 與一般聊天應用最大的操作差異，在於模型可能需要決定何時使用工具、讀取外部結果，以及接著執行什麼動作。
第一個練習不需要連接真實帳戶，也不用開放刪除檔案或操作付款功能。可以讓 Agent 在一組測試文件中選擇搜尋工具，再把找到的資料整理成表格。
設計測試時，至少記錄：
- 模型選用了哪個工具，以及輸入參數。
- 工具回傳成功或失敗時，Agent 做了什麼。
- 模型是否誤把工具文字視為高優先級指令。
- 找不到資料時，有沒有擅自編造結果。
- 任務完成後能否留下可供人工複查的紀錄。
若要加入瀏覽器、系統終端機或其他高權限工具，應額外配置權限限制、隔離環境與人工確認。官方課程提供的是學習素材，不能單憑「Agent 已成功完成教學」就推定可以安全部署到企業環境。
相關的實務背景，可以延伸閱讀本站的 Agent Skills 管理教學、OpenRig 多 Agent 分工指南。
第五步：如何把學習專案變成能交付的 AI 應用？
真正困難的地方通常從 Demo 能運作之後才開始。當應用準備交給別人使用，就需要回答部署環境、資料安全、錯誤紀錄、成本與維護責任等問題。
專案中的 Phase 17 涵蓋 Infrastructure & Production，Phase 18 探討 Ethics & Alignment，Phase 19 則安排整合性專案。
我會把學習成果分成四項驗收，而不是用「模型回答得很像真人」來評分。
| 驗收項目 | 可操作的檢查方法 |
|---|---|
| 可重現性 | 換一個乾淨環境，按照文件能否重新啟動 |
| 準確性 | 固定測試集的結果是否可記錄及比較 |
| 安全性 | 敏感資訊是否遮蔽，工具權限是否受到限制 |
| 成本與維護 | 能否統計請求量、錯誤、延遲與估計費用 |
如果這四項都有紀錄，作品才更接近可供團隊評估的工程成果。這也能成為轉職或接案時的作品集材料：與其只展示一段 AI 生成的漂亮畫面，更有說服力的是附上設計理由、測試結果、失敗案例及修正紀錄。
實際下載與執行教材應該怎麼做？
官方提供網站閱讀以及 GitHub 原始碼兩種主要使用方式。只想了解概念的人可以先在網站閱讀；想逐行查看程式的人，則適合下載 repository。
已安裝 Git 的讀者，可以在終端機輸入：
git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
cd ai-engineering-from-scratch接著打開 README，選擇符合自己程度的 phase，閱讀相應 lesson 的文件與 code 目錄。
官方教材的部分範例可能需要 Python 套件、模型權重、額外服務或 API 金鑰。不要在未讀取該堂課說明與相依條件前，就假設所有程式可以只靠標準函式庫直接執行。
如果需要安裝依賴，先建立虛擬環境，確認套件清單，再執行所選 lesson 的入口程式。遇到環境錯誤時，記錄 Python 版本、作業系統、套件版本與完整錯誤訊息。
本站這次完成的是官方文件查閱與學習路線整理，沒有宣稱已在 Windows、macOS 或 Linux 逐項執行所有範例。
哪些內容免費？學習過程會產生額外費用嗎？
官方 GitHub 專案標示免費、開源，並採用 MIT 授權。但免費教材不代表所有實作資源都不用付費。
如果練習需要雲端 GPU、付費模型 API、資料庫託管或其他第三方服務，仍可能產生費用。實際費率應以使用當時的服務商官網為準。
對預算有限的讀者，可以先做不需要付費 API 的基礎練習，再選擇小型公開資料集或本機可執行的程式。當課程要求外部服務時，先檢查是否有替代實作，以及費用上限是否可以控制。
另外，專案本身的 MIT 授權不會自動延伸到每一個外部模型、資料集、套件或商業 API。準備拿作品做商業用途時，仍須分別核對相關授權。
不同程度的讀者應該選哪條路線？
| 目前程度 | 適合的起點 | 第一個驗收成果 |
|---|---|---|
| 沒有程式基礎 | Phase 0 | 能建立環境並執行簡單 Python 程式 |
| 會 Python，尚未學機器學習 | Phase 1 | 完成基本模型與評估紀錄 |
| 已懂模型，想做知識庫 | Phase 11 | 含來源引用與測試集的 RAG 原型 |
| 想做工作流程 Agent | Phase 13 至 14 | 具備工具紀錄與錯誤處置的 Agent |
| 已有應用，準備部署 | Phase 17 至 19 | 有測試、安全與部署文件的完整專案 |
官方提供的完整學習路線需要投入相當長的時間。不要只看到「542 堂課」就替自己設定短時間內全部讀完的要求。根據實際目標挑選必要路線，並用作品驗收理解程度，通常比單純累積觀看進度更有幫助。
如果不適合這套課程，還有哪些替代學習方式？
若目前只需要使用現成 AI 工具，可以先從 ChatGPT、Claude 等產品的官方教學開始，不必投入完整 AI 工程課程。
若喜歡跟著範例開發 LLM 應用，可以研究具備公開範例的工具框架，例如 LangGraph；若想了解 RAG 的另一種索引方式，可閱讀 PageIndex 相關資料。
本站已有 LangGraph 教學 與 PageIndex 介紹，可以用來對照不同開發概念。
這些資源的定位不同。AI Engineering from Scratch 偏重跨主題學習；框架教學則更接近單一技術的操作說明。選擇時應先確認目前要補的是知識、程式能力，還是特定工具操作。
常見問題 FAQ
AI Engineering from Scratch 適合完全零基礎的人嗎？
可以從 Phase 0 開始，但官方將具備程式設計能力列為先修條件。完全沒有寫程式經驗的人，應先補上基本 Python 與終端機操作。
一定要從 542 堂課的第一堂開始嗎？
不需要。官方已按不同背景提供學習路線，懂 Python 的讀者可從數學或機器學習基礎開始，已有深度學習經驗的人可以直接研究 LLM 或 Agent 相關內容。
這套教材可以免費商用嗎？
主 repository 標示 MIT 授權，但每個外部模型、資料集及依賴服務仍須依其各自授權確認。不能將整套 AI 開發環境一概視為沒有商用限制。
只學完 RAG 和 Agent 就能接商業專案嗎？
學完相關概念只能證明具備部分知識。要交付客戶，仍需準備測試、權限控制、部署流程、資料處理規範與維護安排。實際能力應由可重現的作品與驗收紀錄證明。
需要高階 GPU 才能學嗎？
不是所有課程都需要 GPU。閱讀教材、學習 Python、部分小型模型與系統設計練習可以在較一般的環境進行；大型模型訓練和特定深度學習實作則可能需要更多運算資源。
結論：這套開源 AI 工程課程該怎麼用？
我認為 AI Engineering from Scratch 最有價值的地方，是它提供了一條可以依照能力選擇的學習地圖。你不必等到理解所有模型理論才開始建立應用，也不應在完全不了解底層原理時就把生成的程式直接交給客戶。
如果目標是轉職 AI 工程師，可以沿著基礎、LLM、Agent、部署逐步累積作品。若已經是軟體工程師，只想補上 RAG 與 Agent 能力，先完成 Phase 11 與 Phase 14 的相關範例，再依需求補足評估及部署知識即可。
最後請保留五份成果：可執行程式、環境說明、測試問題、失敗案例、部署或交付文件。這比單純在履歷上寫「熟悉 AI」更容易讓別人判斷你的真實能力。
資料來源
利益揭露：本文沒有使用返佣或付費邀請連結，亦非專案官方贊助內容。
免責聲明：本文為技術教育及開源教材介紹，不構成就業保證、商業成果承諾或投資建議。第三方 API、雲端服務、模型與資料集的價格、授權和功能可能變動，請以官方最新文件為準。本文未完成全部教材的實機測試。
發佈留言