435 課把 AI 理論變實作

我拆了一個 GitHub 課綱，重點不是看懂 AI，而是每堂課都產出可重用的 prompt、skill、agent 或 MCP server。

我用 AI 學習資源一陣子了，老實說很多都讓我很煩。不是只講理論，講到像在背名詞；不然就是直接丟你一個 shiny demo，假裝中間那些髒活不存在。我可以看懂 tokenizer 的示意圖，也可以照著 notebook 跑出結果，但我常常會卡在同一個問題：如果明天要我自己重做一次，我到底能不能做出來？答案通常都很難看。

這次我盯上的是 rohitg00/ai-engineering-from-scratch。它不是那種只會講 vibe 的課程。它是很兇、很直白的 build-first 課綱：你要推導、要寫 code、要跑 test、還要把成果留下來。這種設計我反而比較買單，因為它不跟你演。你前面底子沒打好，後面想直接玩 agents，翻車了也別怪別人。

這份 repo 最有意思的地方，是它把 AI 學習的斷層講得很清楚：很多人都在用 AI 工具，但真正能把它拿來做專業工作的人少很多。它用 435 lessons、20 phases、約 320 小時，把這個洞補起來。數字不小，我不會假裝它很輕鬆。但它至少告訴你一件事：這不是一堆散裝文章，它是一條有骨架的路。

而且它不是只叫你「理解」而已。每堂課最後都要吐出一個可重用的東西，不是空話，是 prompt、skill、agent，或是 MCP server。這才像真的在做工程。

它先把 AI 學習的碎片化問題打臉

“Most AI material teaches in scattered pieces. A paper here, a fine-tuning post there, a flashy agent demo somewhere else. The pieces rarely line up.”

翻譯一下就是：很多 AI 教材的問題，不是內容不夠多，是內容彼此根本接不起來。你今天看一篇 embedding，明天抄一個 agent loop，後天再補一點 fine-tuning，最後腦袋裡裝的是一包零件，不是一台機器。我自己就踩過這種坑。當時我可以在不同 tab 之間切來切去，嘴上講得頭頭是道，實際上只是把別人的 code 用希望和咖啡黏在一起。

這個 repo 的做法比較狠，它不是把知識當播放清單，而是當依賴圖。前面的內容是後面的地基，少一層就會開始歪。這件事在 AI 工程特別明顯：不懂 tokenization，LLM 的行為就像在抽籤；不懂 backprop，梯度更新看起來像魔法；不懂 tool calls，agents 就像裝了比較貴的 UI 版 slot machine。

我之前最有感的是在看 attention 的時候。我以為我懂了，因為我能講出「query、key、value」這幾個字。但直到我真的手刻一個超小版本，我才知道自己根本只是認得名詞。實作會直接把你哪些地方其實沒懂，全部攤開來。

實操上，我會把這種課綱當成 dependency graph，而不是學習清單。你可以照下面做：

• 把每個主題標成「能解釋」「能實作」「只能用」三種狀態。
• 先補會影響後面內容的底層知識，不要先碰最花俏的東西。
• 每次學新東西，都回頭問一句：這一層底下缺了什麼？

repo 的 phase 順序也很誠實：先 setup 和 tooling，再 math，再 ML fundamentals，接著 deep learning、transformers、LLMs、tools、agents、production、ethics，最後才是 capstone。這順序不是裝飾，是它整份課綱最核心的態度。

它逼你從「看懂」變成「做出來」

“Each lesson runs the same loop: read the problem, derive the math, write the code, run the test, keep the artifact.”

也就是說，這份課綱不是在訓練你辨識概念，而是在逼你養成產出能力。很多 AI 教學最爛的地方，就是你看完會點頭，跑完 notebook 會覺得自己懂了，結果一關掉頁面，腦袋裡只剩下幾個關鍵字。那不叫學會，那叫短暫接觸過。

這個 repo 用一個固定節奏把學習鎖住：motto、problem、concept、build it、use it、ship it。這比「看影片、抄 code、下課」強太多了。因為 build it 那一步會逼你碰到機制本身；use it 會逼你看到 production 版本；ship it 則是逼你留下一個真的能重用的東西。

我自己以前學 attention 時也一樣。理論我能背，圖我也看得懂，但一直到我自己寫出一個超小版本，我才知道計算的形狀、成本、限制到底長什麼樣。那一刻很不舒服，但很有用。因為不舒服代表你真的碰到邊界了。

如果你要把這套方法拿去用，我會建議你每學一個 AI 主題就強迫自己做三件事：

• 先寫一版最小實作，不准先靠框架魔法。
• 再寫一版正式一點的 library 版本。
• 最後輸出一個可以交出去的 artifact，例如 prompt、skill、checklist、agent、server。

只要你做不到這三件事，通常就表示你還沒真的擁有那個概念。你只是看過它。

它把 AI 當成依賴堆疊，不當成影片播放清單

“Math is the floor. Agents and production are the roof.”

翻譯一下就是：這份課綱把 AI 工程當成軟體架構，不是當成社群媒體上的知識碎片。你不會先蓋屋頂再回頭補地基，結果還期待房子不要塌；但很多人學 AI 就是這樣，先衝最潮的 agents，再回頭抱怨模型行為不穩定、工具呼叫亂七八糟。

repo 的 phase map 很直接：setup、math、ML、deep learning、vision、NLP、speech、RL、transformers、GenAI、LLMs from scratch、LLM engineering、multimodal、tools & protocols、agent engineering、autonomous systems、multi-agent swarms、infra & production、ethics & alignment、capstones。這不是亂塞內容，這是一座梯子。梯子最大的好處，就是它會告訴你哪一階可以跳，哪一階別亂跳。

我很喜歡它還提供「找自己在哪裡」的入口，像是 level quiz 跟 personalized path。這比很多課程硬塞統一節奏好多了。你如果本來就懂底層，不需要再浪費時間證明你會加向量；但如果你底子空空，硬跳到 agents 只是在自我感動。

實操上，我會這樣拆自己的學習地圖：

• 把 math、classic ML、deep learning、transformers、agents、infra、ethics 分開列。
• 每一格都標上「可解釋」「可實作」「可上線」其中一個狀態。
• 每週只補一層，不要同時追三個熱點。

如果你是在帶團隊，這種結構更好用。你可以直接講：「先把 Phase 1 和 Phase 3 做完，我們再談 agents。」這比「大家一起學 AI」有效太多，因為後者通常最後只會變成大家一起焦慮。

它不是在做教材，是在做可重用的工程資產

“Every lesson lives in its own folder, with the same structure across the entire curriculum.”

也就是說，這份 repo 在意的不是文章好不好看，而是知識能不能搬走。每堂課不是一坨說明文字而已，而是 code、docs、outputs 放在一起，格式還盡量一致。這種做法很無聊，但無聊得很對。大型學習專案最怕的就是每一章長得都不一樣，過兩週你自己也找不到東西。

我以前看過太多 learning repo，最後成果都埋在 notebook 某個 cell 裡，標題還寫得很浪漫，像是「final thoughts」。結果三個月後沒人知道那格 cell 到底產出了什麼，也沒人敢把它拿去接正式專案。這份 repo 反過來做，它把 explanation、implementation、output 分開，而且讓 output 成為第一級公民。

如果你也想做內部 AI training material，我會直接抄這個 folder 模型。不要把教學、程式、產出混在同一份 markdown 裡。要分開，因為不同東西有不同壽命。說明文件可以改，實作可以迭代，但輸出物應該能被版本控制，最好還能被別的專案直接拿去用。

repo 裡像 /find-your-level、/check-understanding 這種內建 skill 也很實際。這不是花招，這是把學習流程做成 workflow。學習不是看完就算了，是要一直能回頭檢查自己到底懂多少。

它最後逼你交付的不是知識，是可插進流程的東西

“Every lesson ships something.”

翻譯一下就是：這份課綱不接受你只會講。它要你每次學完都留下能插進工作流的東西，可能是 prompt、skill file、agent loop，或 MCP server。重點不是你有沒有把概念背起來，而是你能不能把它包成別的系統也能用的形式。

這點真的很重要。很多 AI 教學只停在理解層，結果學完之後很空。你可以解釋一個工具，但你不能部署它、不能貼給同事、不能放進版本控制，那就只是認得它，不是擁有它。我不想再學那種只會增加心理負擔的內容了。

repo 還有一個我覺得很聰明的地方，是它會把 toy implementation 跟 ship-it artifact 並排。像 agent loop 這種東西，先給你一個最小 Python 版本，再把同樣的概念包成 markdown skill。這種橋接方式很適合工程師，因為我們需要的不是靈感，是能拿去工作的版本。

如果你要把這套方法放進團隊訓練，我會建議你硬性要求每堂課都要輸出一個檔案，而且那個檔案要能被別的專案引用。你可以是：

• 一個 prompt 檔，解決窄範圍任務。
• 一個 skill 檔，讓 AI 助手直接用。
• 一個最小 agent。
• 一個 MCP server。
• 一份可執行 checklist。

這樣學習才會留下東西，不然很容易變成「我今天又看懂了」的精神安慰。

它其實很不客氣，但這種不客氣有道理

“No five-minute videos, no copy-paste deploys, no hand-holding.”

這句話的意思很直白：它不打算把你當觀眾伺候。它要的是會寫 code、願意理解底層、也願意動手的人。老實說，這種態度我不會每次都喜歡，但我知道它通常比較有效。因為真正能轉移到工作上的能力，本來就不是靠舒服學出來的。

我不太吃那種把門檻包裝成親切感的教材。很多內容看起來很友善，實際上只是把難點藏起來，等你進專案才開始還債。這份 repo 至少誠實：它先講清楚你需要什麼，再講清楚你會得到什麼。這樣很好，省得大家演。

它也提供 quiz 和 phase check，這點我很買單。因為記憶很會騙人。我也曾經有過那種「我懂了」的幻覺，結果一要我自己講，才發現我只是記得頁面長相，根本沒真的掌握。自我檢查不是附加題，是防止假進步的保險絲。

如果你要自己照這套做，我會建議你直接定一條規矩：每學完一段，就回答四個問題：

• 我現在能解釋什麼？
• 我現在能從零實作什麼？
• 我現在能交付什麼 artifact？
• 我還在裝懂的是哪一塊？

你只要老實寫這四題，很多 AI 學習幻覺會自己消失。

可抄的模板

# AI build-first curriculum template for a team or solo learner

## Goal
I do not want to just understand AI concepts.
I want to rebuild them, test them, and ship reusable artifacts.

## Phase order
1. Setup & Tooling
2. Math Foundations
3. ML Fundamentals
4. Deep Learning Core
5. Transformers
6. LLMs from Scratch
7. LLM Engineering
8. Tools & Protocols
9. Agent Engineering
10. Infrastructure & Production
11. Ethics & Alignment
12. Capstone Projects

## Lesson format
Each lesson must follow this loop:
- Motto: one-line core idea
- Problem: what breaks in the real world
- Concept: intuition, equations, and diagrams
- Build It: implement the mechanism from scratch
- Use It: repeat with the real library or framework
- Ship It: export a reusable artifact

## Required lesson outputs
Every lesson must end with at least one of these:
- a prompt for a narrow task
- a skill file for an AI assistant
- a minimal agent loop
- an MCP server
- a checklist or debugging guide

## Folder structure
phases/
  phase-name/
    lesson-name/
      code/      # runnable implementation
      docs/      # explanation and notes
      outputs/   # prompt, skill, agent, MCP server, checklist

## Self-check after each lesson
- What can I explain now?
- What can I implement from scratch?
- What can I ship as a reusable artifact?
- What still feels magical?

## Self-check after each phase
- What did I only recognize, not own?
- Which dependency layer was missing?
- What should I rebuild by hand next?

## Team rule
Do not start with agents, copilots, or production polish.
If the lower layers are missing, the top layer will lie to you.

## Personal rule
If I can only use it but cannot rebuild it, I do not own it yet.

## Copy-this lesson checklist
- [ ] One from-scratch implementation
- [ ] One library-backed implementation
- [ ] One reusable output file
- [ ] One self-check quiz
- [ ] One note on what I still do not understand
- [ ] One artifact committed to version control

## Example artifact naming
- prompt-draft.md
- assistant-skill.md
- agent-loop.py
- mcp-server.ts
- debugging-checklist.md

原始來源是 GitHub repo：https://github.com/rohitg00/ai-engineering-from-scratch。上面這篇的拆解和中文模板是我重新整理過的，但課綱結構、lesson flow 和 artifact 思路都來自那個 repo。

我也順手參考了幾個相關工具與規格：Claude Code、Cursor、Model Context Protocol，還有 GitHub Copilot。這些連結是我用來對照「怎麼把學習成果接回工作流」的，不是原 repo 直接寫死的東西。