為什麼 84% 的 AI 工具使用者中只有 18% 感到「準備好」？
2026 年 5 月 22 日，GitHub Trending #5 的 AI Engineering from Scratch 在開篇就拋出了一個震撼數據：
84% of students already use AI tools. Only 18% feel prepared to use them professionally.
這個由 Rohit Ghumare (@rohitg00) 創建的開源課程，以 MIT 授權發布，目標只有一個：讓那 84% 的人真正理解 AI，而不只是會調 API。
一、課程設計哲學：「Build, Don't Import」
1.1 核心理念
❌ 傳統 AI 教學：「用 pip install transformers，調用 GPT 模型」
✅ AIEFS：「先從數學推導 Attention 機制，然後用 NumPy 實現，
最後才用 PyTorch 對比——這樣你才知道框架內部在做什麼」
1.2 「六拍節奏」教學法
每一堂課都遵循相同的結構循環：
┌────────────────────────────────────────────────────┐
│ │
│ MOTTO 一句話核心概念 │
│ ↓ │
│ PROBLEM 具體痛點：為什麼需要這個？ │
│ ↓ │
│ CONCEPT 直覺理解：圖表 + 類比 │
│ ↓ │
│ BUILD IT 從頭實現：純數學，零框架 │
│ ↓ │
│ USE IT 生產工具：PyTorch / sklearn 實現 │
│ ↓ │
│ SHIP IT 可交付產出：Prompt · Skill · Agent │
│ · MCP Server │
│ │
└────────────────────────────────────────────────────┘
關鍵創新： 每堂課不只是「學會一個概念」，而是產出一個可重用的數位資產——一個 prompt 模板、一個 Agent Skill、或一個 MCP Server。
二、20 階段完整路線圖
2.1 全景架構
Phase 0 — Setup & Tooling (12 課)
↓
Phase 1 — Math Foundations (22 課) ← 線性代數、微積分、概率
↓
Phase 2 — ML Fundamentals (18 課) ← 回歸、決策樹、SVM
↓
Phase 3 — Deep Learning Core (25 課) ← Perceptron→Backprop→PyTorch
↓
┌──────┼────────┬──────────┐
↓ ↓ ↓ ↓
Phase 4 Phase 5 Phase 6 Phase 9
Vision NLP Speech RL
(18課) (22課) (15課) (20課)
│ │ │ │
│ ↓ │ │
│ Phase 7 ─────┘ │
│ Transformers (28課) │
│ │ │
│ ↓ │
│ Phase 8 │
│ GenAI (20課) │
│ │ │
│ ↓ │
│ Phase 10 │
│ LLMs from Scratch (35課)│
│ │ │
│ ├───────────────────┤
│ ↓ ↓
│ Phase 11 Phase 12
│ LLM Engineering (30課) Multimodal (18課)
│ │
│ ↓
│ Phase 13 — Tools & Protocols (20課)
│ │
│ ↓
│ Phase 14 — Agent Engineering (40課) ← 🔥 核心
│ │
│ ├───────────────────┐
│ ↓ ↓
│ Phase 15 Phase 17
│ Autonomous Systems Infrastructure (22課)
│ (20課) │
│ │ │
│ ↓ │
│ Phase 16 ──────────────────┤
│ Multi-Agent & Swarms │
│ (25課) │
│ │ │
│ ├──────────────────────┤
│ ↓ ↓
│ Phase 18 ─────── Phase 19 ─┘
│ Ethics (12課) Capstone (8課)
2.2 各階段重點內容
| 階段 | 課數 | 核心內容 | 語言 |
|---|---|---|---|
| 0. Setup | 12 | 開發環境、Git、Docker、uv 包管理 | Shell |
| 1. Math | 22 | 線性代數、微積分、概率論、信息論 | Python |
| 2. ML Fundamental | 18 | 線性回歸、邏輯回歸、決策樹、SVM、集成學習 | Python |
| 3. Deep Learning | 25 | Perceptron、Backpropagation、Optimizers、PyTorch 入門 | Python |
| 4. Vision | 18 | CNN、ResNet、物件檢測、圖像分割 | Python |
| 5. NLP | 22 | Tokenization、Word2Vec、RNN/LSTM、Seq2Seq | Python |
| 6. Speech | 15 | 音頻處理、ASR、TTS | Python |
| 7. Transformers | 28 | Self-Attention、Multi-Head、Positional Encoding、BERT/GPT | Python |
| 8. GenAI | 20 | VAE、GAN、Diffusion Models | Python |
| 9. RL | 20 | Q-Learning、Policy Gradient、REINFORCE、PPO、Multi-Agent RL | Python |
| 10. LLMs from Scratch | 35 | Tokenizer 實現、GPT 架構、預訓練、SFT、RLHF、DPO | Python |
| 11. LLM Engineering | 30 | RAG、Fine-tuning、Prompt Engineering、Agents | Python |
| 12. Multimodal | 18 | CLIP、DALL-E、Vision-Language Models | Python |
| 13. Tools & Protocols | 20 | MCP、A2A、API 設計 | TS/Rust |
| 14. Agent Engineering | 40 | Reflection、Tool Use、Planning、Memory、Computer Use | Python/TS |
| 15. Autonomous Systems | 20 | Self-Improving Agents、AutoGPT 模式 | Python |
| 16. Multi-Agent Swarms | 25 | Agent 協作、協商、A2A Protocol、Swarm Intelligence | Python/TS |
| 17. Infrastructure | 22 | 模型部署、推理優化、監控、擴展 | Rust/Python |
| 18. Ethics | 12 | 偏見、安全、對齊、可解釋性 | Python |
| 19. Capstone | 8 | 端到端 AI 系統構建 | All |
三、Phase 14 — Agent Engineering：整個課程的核心
Phase 14 是 AIEFS 最具實踐價值的階段，40 堂課涵蓋了當前 AI Agent 開發的所有關鍵模式：
3.1 精選課程內容
| # | 課程 | 類型 | 描述 |
|---|---|---|---|
| 01 | Agent Loop Fundamentals | Build | 從零實現 Agent 主循環（Observe→Think→Act） |
| 03 | Reflexion & Verbal RL | Build | 語言反饋強化學習 |
| 05 | Tool Use & Function Calling | Build | 工具使用和函數調用機制 |
| 08 | Planning Agents | Build | 任務分解與計劃生成 |
| 10 | Skill Libraries (Voyager) | Build | 技能庫與終身學習 |
| 12 | Memory Systems | Build | 短期/長期/工作記憶架構 |
| 14 | RAG Agents | Build | 檢索增強生成的 Agent 實現 |
| 17 | Claude Agent SDK | Build | Claude 的 Subagents 和 Session Store |
| 19 | OpenAI Agents SDK | Build | OpenAI Agent 框架 |
| 21 | Computer Use Agents | Build | Claude CUA、OpenAI Operator、Gemini |
| 25 | Code Generation Agents | Build | SWE-Agent、Devin 模式 |
| 30 | Multi-Agent Coordination | Build | Agent 間通信與協調 |
| 35 | Agent Evaluation | Build | 基準測試與性能評估 |
| 37 | Runtime Feedback Loops | Build | 運行時自我改進 |
| 40 | Multi-Session Handoff | Build | 跨 Session 的 Agent 交接 |
3.2 Claude Agent SDK 課程 (Lesson 17)
這堂課對我們特別重要：
內容涵蓋：
├── Claude Code 的 Subagent 架構
├── Session Store 的讀寫操作
├── 子 Agent 的生命週期管理
├── 跨 Agent 的上下文傳遞
└── 多層 Agent 樹的錯誤處理
3.3 Computer Use Agents (Lesson 21)
支援的框架：
├── Claude Computer Use (Anthropic)
├── OpenAI CUA (Computer Using Agent)
├── Gemini Computer Use
└── 自定義 Browser Automation Agent
四、課程的技術棧選擇
4.1 四語言策略
AIEFS 不是一個 Python-only 課程。它根據不同階段的技術需求選擇最合適的語言：
| 語言 | 使用階段 | 理由 |
|---|---|---|
| Python | Phase 1-12, 14-16 | ML/DL 生態最成熟 |
| TypeScript | Phase 13, 14 | MCP/A2A 協議的 Web 生態整合 |
| Rust | Phase 17 | 推理引擎、高性能基礎設施 |
| Julia | Phase 1 | 數學推導和科學計算 |
4.2 每堂課的文件結構
phases/14-agent-engineering/17-claude-agent-sdk/
├── code/
│ ├── build/ ← 從零實現
│ │ └── agent_loop.py
│ └── use/ ← 使用框架
│ └── claude_agent.py
├── docs/
│ └── en.md ← 課程敘述（Motivation→Concept→實現→反思）
├── outputs/ ← 可交付產出
│ ├── agent_skill.md
│ └── mcp_server.py
└── tests/
└── test_agent.py
五、內建的 Claude Code Skills
AIEFS 不僅是一份課程，還附帶兩個 Claude Code Skill 來輔助學習：
5.1 find-your-level（定位測驗）
→ 分析你的現有知識
→ 推薦最佳起始階段
→ 生成個人化學習路徑
5.2 check-understanding（階段測驗）
→ 完成每個 Phase 後的診斷測驗
→ 識別知識盲點
→ 建議複習的特定課程
六、課程統計與規模
| 指標 | 數值 |
|---|---|
| 總課程數 | 435 堂（含 Phase 19 最新合併） |
| 總階段數 | 20 |
| 預計學習時間 | ~320 小時 |
| 程式語言 | Python, TypeScript, Rust, Julia |
| 產出資產 | Prompt 模板、Agent Skills、MCP Server |
| 授權 | MIT（完全自由使用，含商業） |
| 詞彙表 | 277 個術語 |
| 貢獻者 | 30+ |
| GitHub Stars | 14,000+ 並快速增長 |
七、學習路徑建議
7.1 初學者路徑（從零開始）
Phase 0 → Phase 1 → Phase 2 → Phase 3 → Phase 5 → Phase 7
→ Phase 10 → Phase 11 → Phase 14
預估時間：~200 小時
7.2 有經驗者路徑（跳過基礎）
跳過 Phase 0-3 → Phase 7 (Transformers) → Phase 10 (LLMs)
→ Phase 11 (LLM Engineering) → Phase 14 (Agent Engineering)
→ Phase 16 (Multi-Agent)
預估時間：~120 小時
7.3 實戰者路徑（只學 Agent 層）
Phase 13 (Tools & Protocols) → Phase 14 (Agent Engineering)
→ Phase 16 (Multi-Agent) → Phase 19 (Capstone)
預估時間：~80 小時
八、與其他 AI 課程的對比
| 課程 | 課數 | 從零實現 | Agent 工程 | Multi-Agent | 授權 | 語言 |
|---|---|---|---|---|---|---|
| AIEFS | 435 | ✅ 全部 | ✅ 40 課 | ✅ 25 課 | MIT | 4 種 |
| fast.ai | ~30 | 部分 | ❌ | ❌ | Apache 2.0 | Python |
| DeepLearning.AI | ~50 | 部分 | ✅ 少量 | ❌ | Proprietary | Python |
| CS229 (Stanford) | ~20 | ✅ 數學 | ❌ | ❌ | N/A | Python |
| CS224N (Stanford) | ~20 | 部分 | ❌ | ❌ | N/A | Python |
| Full Stack DL | ~20 | 部分 | ❌ | ❌ | MIT | Python |
AIEFS 是唯一一個從數學基礎到 Multi-Agent Swarm 的全棧 AI 工程課程，而且完全免費、MIT 授權。
九、對君澤智庫的啟發
9.1 直接價值
| 應用 | AIEFS 對應課程 |
|---|---|
| 提升 Claude Code 使用深度 | Phase 14 Lesson 17（Claude Agent SDK） |
| 理解 Agent 協作機制 | Phase 14 Lesson 30（Multi-Agent Coordination） |
| 設計調研 Agent 系統 | Phase 14 Lesson 12（Memory Systems） |
| Computer Use 自動化 | Phase 14 Lesson 21（Computer Use Agents） |
| DS Bridge 優化 | Phase 14 Lesson 40（Multi-Session Handoff） |
9.2 策略建議
- 優先學習 Phase 14 — Agent Engineering 的 40 堂課直接對應我們現有的 Claude Code + DeepSeek Bridge 架構
- 產出 Agent Skills — 參考 SHIP IT 環節，將學習成果轉化為可重用的 Agent Skill
- 建立團隊學習路徑 — 如果未來擴展開發團隊，AIEFS 可作為標準化培訓材料
- MIT 授權的商業友好性 — 可以自由地在商業項目中使用課程代碼和產出
9.3 預估學習投資
以實戰者路徑（Phase 13→14→16→19），假設每天 2 小時：
所需時間：約 6-8 週（80 小時 ÷ 2h/天 ÷ 5 天/週）
十、結論
AI Engineering from Scratch 是 2026 年最值得關注的 AI 教育開源項目。它的獨特價值在於：
- 全覆蓋： 數學 → ML → DL → Transformers → LLMs → Agents → Swarms，沒有跳躍
- 從零實現： 每個算法先手寫，再用框架——真正理解而非記憶
- 產出導向： 每堂課產出可重用的 Prompt/Skill/Agent/MCP Server
- 面向未來： Agent Engineering 和 Multi-Agent Swarms 是 2026 年最前沿的方向
| 優勢 | 劣勢 |
|---|---|
| 435 課全覆蓋零死角 | 學習時間長（~320h 全路徑） |
| Build→Use→Ship 產出導向 | 部分 Phase 仍在建設中 |
| MIT 授權，完全自由 | 大量內容可能讓人不知從何開始 |
| 四語言實戰，非紙上談兵 | 需要一定的程式基礎 |
| Claude Code Skills 內建 | 文檔目前以英文為主 |
一句話總結： 這不是一份「教你用 AI」的課程，而是一份「教你成為 AI 工程師」的路線圖——從矩陣乘法到自主 Agent Swarm，435 堂課全部開源。
版本：v1.0 · 2026-05-24 · 基於 rohitg00/ai-engineering-from-scratch (14,000+ ⭐, MIT)