1rohitg00/ai-engineering-from-scratch
让学习过程留下可运行证据，比继续扩张课程目录更有研究价值。
Problem Signal：零散教程容易让开发者会复制演示，却无法解释失败。README 把学习组织成阅读、推导、运行、保存命令与退出码、再做小修改的循环，并提供从基础到 Agent、MCP、Skills 的定向路径。真正要解决的是知识与可交付能力之间的断层。
Timing Signal：本周新增 1,965 Star，七天精选出现 4 次。可执行课程与宿主内辅导的组合具备传播条件，但目前没有足够的发布日期或传播链证据来确认增长原因；不能把收藏人数当作完成课程的人数。
Novelty Signal：主要是教学产品与分发方式的工程组合，不是新的模型算法。不同宿主使用同一技能内容、学习状态写回文件，可能降低“学完不知道下一步做什么”的摩擦；价值要由独立完成任务的能力验证。
A 类：选 MCP 或 Agent Skills 一条短路径，产出预检日志、可运行示例和一次迁移练习；能解释错误后才扩大学习范围。
技术基础面与证据
语言 Python；本周新增 1965；总 Star 54448；Fork 9525；开放 issues（API 口径可能含 PR）113；许可 MIT；创建 2026-03-18T18:38:02Z；最后 push 2026-09-07T11:42:35Z；可信度 high。
Topics：agents, ai, ai-agents, ai-engineering, computer-vision, course, deep-learning, from-scratch, generative-ai, llm, machine-learning, mcp, nlp, python, reinforcement-learning, rust, swarm-intelligence, transformers, tutorial, typescript
历史精选榜出现 4 / 7 天；日期：2026-09-09, 2026-09-10, 2026-09-11, 2026-09-12
实现证据：README 提供环境预检脚本、learning-paths 清单、宿主技能入口以及 LEARNING.md 学习计划。requirements.txt 声明 NumPy、PyTorch、Transformers 和模型 SDK 等；依赖存在只能确认实验范围，不能说明每个章节都已被自动验证。
验证边界：本次读取 README、metadata 与依赖清单，没有安装或运行项目，也没有复现性能测试。文档给出的功能与数字属于项目自述，应用场景属于建议验证的方向。
核心功能：按目标选择基础、LLM、Agent、MCP 与技能路线；辅导技能提供定位测验、单课讲解和理解检查；要求记录运行目录、命令、退出码与产物
五个可验证应用：新人入职完成一次独立环境预检；把一个 Agent loop 课题迁移到真实仓库；用 MCP 路线做协议错误案例练习；对照两种宿主验证同一 Skill 的调用方式；以小修改和解释结果作为结课标准
Agent orchestration：辅导技能由宿主执行，未见独立调度服务证据
Memory：LEARNING.md 等文件记录学习计划，不是通用语义记忆
Tool Use：课程代码和技能调用，能力依赖所选宿主
Workflow：概念、代码、测验、产物形成学习循环
Storage：本地仓库与学习状态文件；服务端进度细节未知
UI：GitHub 文档、网站与编码 Agent 的聊天入口
原始证据：rohitg00/ai-engineering-from-scratch · metadata · README · 采集存档
六视角解读与四类风险
AI Builder：选一节与当前缺口相关的课，再用自己的项目检验理解。
Investor：持续精选说明教育需求可见，付费与完成率尚无可靠数据。
Product：产品指标应是能否独立排错，而非课程页停留时长。
Architecture：内容、路径清单与宿主调用方式分离，值得学习。
Founder：以具体岗位任务形成短路径，比大而全课程更易验证价值。
OPC ecosystem：可移植技能内容不等于跨宿主行为一致，需保留兼容性测试。
技术风险：宽松依赖版本与多语言实验会带来环境漂移。
市场风险：资料丰富也可能增加选择成本，完成率未核查。
安全与许可：API 标注 MIT；运行课程代码仍应限定权限，避免把学习环境中的凭据复制进产物。
社区维护：未核查各章节最近维护时间与问题响应；仓库近期 push 不能代表所有课程有效。