AI Engineering from Scratch

## 项目概述 AI Engineering from Scratch 是由火山引擎开源的一套系统化 AI 工程教程和实战项目集合。"From Scratch"这个命名恰如其分——它不是那种"先装好环境再跑 demo"的教程，而是从数学和工程原理出发，要求学习者理解每个组件为什么这样设计。在 AI 教育领域，大部分资源要么过于学术（论文级别的理论推导，缺少代码实现），要么过于应用（调 API 调包，缺少对底层机制的理解）。这个项目的定位填补了中间地带：有理论深度，但同时也给出可运行的代码实现。 ## 内容体系 整个教程分为五个递进阶段。机器学习基础阶段覆盖数据清洗、特征工程、模型选择与评估，使用 Scikit-learn 和 XGBoost 作为实践工具。深度学习阶段从感知机开始，一路推进到 CNN、RNN 和 Transformer 架构，每个模型都配有 PyTorch 从零实现的代码。 MLOps 阶段是很多同类教程忽略的部分——它详细讲解了模型部署（Flask/Docker/Kubernetes）、监控（Prometheus/Grafana）、CI/CD 流水线（GitHub Actions/MLflow）以及 A/B 测试的实验设计。大模型应用阶段覆盖了 LLM 微调（LoRA/QLoRA）、RAG 检索增强生成、AI Agent 开发（LangChain/AutoGPT），紧跟当前行业热点。最后是一个完整的实战项目——从零构建一个端到端的 AI 应用，覆盖需求分析、数据准备、模型训练、部署上线、监控运维的全流程。 ## 技术特点 项目的最大特点是"可复现性"。每个章节的代码都在 README 中注明了依赖版本和运行环境要求，提供 Dockerfile 一键拉起。教程使用中文编写，对中文开发者群体友好。 ## 适用人群 适合有一定编程基础但希望系统学习 AI 工程化的开发者；正在搭建 AI 基础设施的技术团队；对 MLOps 和 AI 运维感兴趣的工程师。 ## 评测总结 优点：体系完整（从原理到部署）、可复现性强、中文内容质量高、火山引擎背书。不足：部分章节的代码注释较少；对硬件有一定要求（GPU 训练章节）。推荐指数：★★★★★（5/5）。中文 AI 工程化学习的第一选择。