Симптом: вы открыли AI Engineering from Scratch и не понимаете, какие материалы проходить сначала, а какие можно отложить.
Быстрое решение: не изучайте все 523 урока подряд. Сначала определите, какой AI-проект хотите показать в работающем виде, затем выстройте маршрут через основы, инженерную реализацию и проверку результата. Математику и теорию углубляйте по мере того, как конкретная задача обнаруживает пробел.
Эта статья пригодится начинающим, которым нужен понятный план перехода к AI-инженерии.
Если вы уже разработчик, здесь можно сопоставить знакомые навыки с проектом и решить, что проверять, а что изучать заново.
Если вы собираете портфолио, используйте этапы ниже как точки, в которых у вас должен появиться проверяемый результат.
Последнее обновление — 26 сентября 2026 года. Сведения о структуре сверены с официальным репозиторием курса и его историей выпусков. Состав и названия разделов могут измениться: перед началом проверьте текущую версию материалов.
Порядок обучения AI Engineering from Scratch
Количество материалов само по себе не является планом. Даже если курс содержит 523 урока, эта цифра говорит об объёме каталога, а не о том, что каждый урок одинаково нужен для вашей задачи. Сверяйте число и содержание с текущим официальным каталогом курса: именно его актуальная структура, а не сторонний пересказ определяет, какие материалы доступны сейчас.
Сначала выберите небольшой, но законченный сценарий. У него должны быть понятны входные данные, ожидаемый результат и критерий проверки. Например, приложение принимает несколько документов и отвечает на вопросы по их содержимому. Это удобнее для обучения, чем идея «сделать умного помощника»: у такого помощника не определены ни границы, ни способ понять, работает ли он.
До начала занятий запишите:
- Функцию. Какую операцию выполняет проект: извлекает данные, классифицирует текст, ищет информацию или вызывает инструмент?
- Вход и выход. Что именно вы передаёте системе и в каком виде должны получить результат?
- Ограничения. Какие случаи проект пока не обрабатывает? Например, неизвестный вопрос или неполный документ.
- Начальные навыки. Умеете ли вы запускать приложение, работать с файлами проекта и разбирать ошибки? Есть ли опыт с данными, моделями и оценкой результатов?
Этот список превращает курс в маршрут с проверяемой целью. Если вы знаете программирование, но не работали с моделями, вероятно, вам важнее разобраться в обработке данных, вызове модели и оценке ответа, чем повторять уже знакомую настройку редактора. Если вы новичок, сначала проверьте, можете ли создать и запустить простую программу; при необходимости вернитесь к основам языка и командной строки.
Подготовка среды и проверка исходных навыков
Начните с раздела настройки среды и инструментов. Сверьте его актуальные задания с тем, что вы уже умеете. Не считайте тему обязательным барьером только из-за её положения в каталоге: авторы курса могут описывать рекомендуемый путь, но не всякий раздел объявлен формальным предварительным условием для следующего.
До перехода к проектной работе вам важно уметь открыть и запустить упражнение, понять, где хранятся входные данные и результаты, изменить пример и повторить запуск. Сохраните изменения так, чтобы к ним можно было вернуться, и научитесь читать сообщение об ошибке, чтобы определить, на каком шаге она возникла.
Это не требование пройти отдельный курс по инструментам. Это быстрая проверка риска: если пока непонятно, как воспроизвести упражнение, ошибка в приложении может оказаться следствием среды, а не логики AI. Проверьте среду простым запуском и запишите, что именно не получилось. Если проблема связана с зависимостями или настройкой проекта, восполните этот пробел до того, как добавлять в приложение новые функции.
Разделите обнаруженные пробелы на два вида. Сначала восполните то, без чего вы не можете запустить материалы или проверить результат: например, незнакомую команду или структуру проекта. Изучайте по ходу, если можете продолжать работу и понимаете, как поставить эксперимент: например, более глубокую математическую интуицию для модели, которую вы пока используете через готовый интерфейс.
Так вы не превращаете подготовку в бесконечное ожидание «идеального фундамента». Проверяйте среду небольшим запуском, записывайте ошибку и только после этого решайте, нужно ли углубляться в тему.
Базовые понятия через работающие упражнения
В начале обучения важно связать математические идеи, машинное обучение, глубокое обучение и языковые модели с действиями в проекте. Не нужно пытаться освоить каждую тему как отдельную академическую дисциплину, прежде чем написать первую строку приложения. Нужно понимать, где именно она помогает принять техническое решение.
Если проект работает с текстами, математика может помочь понять, почему способы сравнения данных дают разные результаты. В разделе математических основ сверяйте тему не только с названием, но и с упражнениями: по ним видно, какое представление или операцию вы должны суметь применить. Не переходите к выводу «математика не нужна» из-за того, что первая версия приложения запускается: пока вы не измеряете качество, часть проблем просто не видна.
Следующий практический вопрос — как данные и выбранный подход влияют на результат. Материалы по основам машинного обучения полезно проходить с конкретной задачей в голове: что считается примером, как устроена проверка и по каким наблюдениям вы поймёте, что решение улучшилось. Для приложения с ответами по документам это, например, проверка на заранее выбранных вопросах и сравнение ответов с источниками, а не субъективное впечатление от одного удачного запуска.
Когда переходите к языковым моделям, фиксируйте не только способ обращения к модели, но и ожидаемое поведение приложения. В разделе по инженерии LLM проверяйте точные задания и примеры в текущем репозитории. Результат этого этапа должен быть связан с вашим проектом: вызов модели обрабатывает заданный ввод, а вы можете повторить запуск и увидеть, где возникла ошибка.
Для каждого упражнения сохраняйте короткую запись: какую гипотезу проверяли, что ввели, что получили и что осталось непонятным. Так вы отличите реальное освоение от знакомства с материалом. Если пример запускается только в исходном ноутбуке и вы не можете перенести его логику в свой код, значит, тему стоит закрепить практикой до перехода к следующей проектной задаче.
Реализация проекта и ветвления маршрута
Когда основы позволяют запускать и оценивать эксперимент, переходите к инженерной части по потребностям приложения. Не нужно автоматически добавлять Agent только потому, что он есть в курсе. Если проекту достаточно одного вызова модели, сначала соберите его без лишней автономности: каждый дополнительный компонент усложняет диагностику.
В качестве опорных точек сверяйте текущие задания в материалах об инструментах и протоколах и разделе об инженерии Agent. Названия каталогов служат ориентиром по официальной структуре, но не обещают, что каждый проект должен включать все темы. На каждом шаге оставляйте не абстрактную отметку «изучено», а результат, который можно проверить.
Подходящие промежуточные результаты:
- модуль, который принимает предусмотренный проектом ввод и возвращает ответ в согласованном формате;
- обработка ожидаемой ошибки, например пустого ввода или недоступного инструмента;
- тест, который сравнивает фактическое поведение с ожидаемым;
- описание того, как повторить запуск и где искать результат;
- при необходимости — ограниченный сценарий Agent с понятными действиями и условием остановки.
Представьте разработчика, который хочет сделать поиск ответов по подборке документов. Сначала он запускает доступный учебный пример и проверяет формат данных. Затем подключает подготовленный набор документов и сохраняет контрольные вопросы. Только после этого выясняет, нужен ли проекту вызов инструментов или достаточно обычного ответа модели. Если сразу строить многосоставного Agent, становится сложнее понять, вызван ли неверный ответ данными, настройкой модели или выбранным действием.
Выбор ветки по исходному уровню
Используйте условия ниже как инструмент принятия решения. Это рекомендация для выбора следующего проверяемого шага, а не официальный обязательный порядок курса:
- Если вы не можете запустить упражнение, сначала изучите настройку среды и повторите запуск. Переходите дальше, когда можете объяснить, откуда берутся входные данные и где увидеть результат.
- Если вы уверенно запускаете и меняете код, но не работали с моделями, переходите к основам машинного обучения и LLM. Не пропускайте эти темы только на основании общего опыта разработки.
- Если вы знакомы с ML, но не создавали приложения с языковыми моделями, проверьте упражнение с вызовом модели, разбором её ответа и оценкой результата. Если можете повторить этот путь, переходите к интеграции, нужной проекту.
- Если проект требует внешнего действия, например чтения файла или вызова инструмента, изучите соответствующую часть курса по инструментам и протоколам. Если модель только формирует ответ, начните без Agent и добавляйте его лишь при наличии конкретной необходимости.
- Если ваша цель — портфолио, выбирайте путь, в котором каждый учебный блок даёт видимый артефакт. Если упражнение никак не связано с проектом, зафиксируйте его как отдельную практику, а не выдавайте за часть готового приложения.
Такой выбор помогает не путать знакомое название раздела с освоенным навыком. Умение писать обычные программы не доказывает, что вы умеете оценивать ответы модели; изучение ML, в свою очередь, не гарантирует, что вы умеете организовать воспроизводимый запуск приложения.
Частые вопросы о маршруте
Какой этап выбрать первым?
Выбирайте по проверке навыков, а не по желанию охватить весь каталог. Если вы не можете запустить упражнения, начните с настройки среды. Если запуск вам понятен, определите нужные основы по проектной задаче. Порядок обучения AI Engineering from Scratch адаптируется под ваши пробелы и не выдаётся за единственно возможную авторскую последовательность.
Что можно сделать самостоятельно после изучения материалов?
Соберите приложение с конкретным сценарием: например, классификацию сообщений, поиск ответов по документам или ограниченного Agent с инструментом. Укажите, какие данные оно принимает, что должно вернуть и как проверить результат. Самостоятельность подтверждает не число просмотренных материалов, а способность запустить проект без подсказки и объяснить его ограничения.
Что делать разработчику с опытом?
Сначала проверьте навыки на задании, а затем сокращайте повторение только тех основ, которые действительно освоены. Программирование и опыт работы с проектами не гарантируют знания ML, оценки моделей или поведения Agent. Если вы пропускаете знакомый раздел, сохраните подтверждение навыка — выполненное упражнение или аналогичную проверку в своём приложении.
Как подготовить проект для портфолио?
Соберите описание задачи, инструкцию запуска, ожидаемый ввод и вывод, проверочный пример и перечень известных ограничений. Покажите собственные решения, а не только результат выполнения учебного шаблона. Упражнение из курса может стать частью портфолио, если вы доработали его под ясную задачу и можете аргументировать, как проверяли корректность.
Проверка готовности к показу
Завершение курса и готовность проекта к демонстрации — разные критерии. Вы можете пройти все доступные материалы, но получить приложение, которое работает только в исходной среде, не сообщает об ошибках и не имеет понятного сценария проверки. И наоборот, небольшой проект может быть убедительным результатом, если он воспроизводим и его ограничения описаны честно.
Перед демонстрацией проверьте, может ли другой человек повторить запуск по вашей инструкции в новой рабочей копии проекта. Укажите, какие данные поддерживаются и какой результат считается корректным. Продумайте, что произойдёт с пустым, повреждённым или неподходящим вводом. Добавьте примеры или тесты, по которым можно заметить изменение поведения, и зафиксируйте необходимые зависимости и настройки.
Отдельно опишите ограничения. Где приложение может ошибиться? Какие случаи вы пока не проверяли? Не скрывайте эти границы за общей фразой о том, что модель «работает». Если проект не запускается по инструкции, не добавляйте новые возможности: сначала устраните проблему воспроизведения. Если он запускается, но результат нельзя проверить, добавьте контрольный пример. Если тесты проходят, но неизвестно, как приложение поведёт себя на неожиданных данных, ограничьте поддерживаемый ввод и обработайте предсказуемые ошибки.
Для портфолио полезно сохранять не только финальную версию. Добавьте короткий журнал решений: какую проблему вы заметили, какую часть материалов повторили и как проверили исправление. Это позволяет показать, что обучение привело к инженерному навыку, а не только к повторению готового примера. Если в упражнении использован шаблон курса, обозначьте его роль и отдельно укажите, какие изменения внесли вы.
Обратная связь вместо повторного прохождения каталога
После первой версии проекта не начинайте курс заново. Возьмите конкретный дефект и сопоставьте его с материалом, который поможет его исследовать. Если вы не понимаете, почему результат меняется при похожем вводе, вернитесь к основам данных и оценки. Если модель вызывается, но приложение ломается при определённом ответе, проверьте обработку результата и интеграцию. Если Agent выбирает ненужный инструмент, разбирайте логику выбора и условия его вызова.
Записывайте проблему так, чтобы её можно было проверить: что вы ожидали получить, какой ввод использовали, что произошло вместо ожидаемого, какая часть приложения, предположительно, отвечает за проблему и какое упражнение или понятие вы повторно проверили. После изменения кода повторите тот же тест. Если он проходит, добавьте его в набор проверок проекта. Если не проходит, уточните гипотезу и вернитесь к более узкому фрагменту курса.
Так вы формируете личную траекторию обучения из реальных потребностей, а не из попытки запомнить весь каталог. Следите и за изменениями самого курса: сверяйте текущую страницу и записи о выпусках, прежде чем ссылаться на конкретные этапы. Названия разделов и содержимое материалов могут обновляться. Сохраняйте ссылки на упражнения и проверяйте, что они всё ещё соответствуют задаче.
Среду тоже выбирайте под проект, а не по принципу «обязательно облако» или «обязательно локально». Если текущий компьютер подходит для упражнений и проект не зависит от конкретной операционной системы, менять среду ради самого обучения не нужно. Если работа требует окружения macOS или вам нужен удалённый Mac для совместимости и разработки, сначала разберитесь, как устроена аренда Mac mini. Дополнительные материалы о работе с удалённым Mac можно найти в разделе Kvmzen. Эти страницы не заменяют проверку требований курса: сначала выясните, поддерживает ли нужное упражнение выбранную среду.
Локальная машина удобна, когда вам важны постоянная доступность и собственный контроль над окружением, но обновления и обслуживание остаются на вас. Удалённая среда позволяет работать с другой системой без покупки отдельного устройства, однако добавляет зависимость от сети и необходимость настроить удалённый доступ. Если вы рассматриваете Mac от Kvmzen для временной проверки macOS-зависимой части проекта, сопоставьте срок эксперимента с требованиями к постоянной доступности. Для длительной интенсивной нагрузки или задачи, требующей физически подключённого оборудования, аренда может быть невыгодна.
Главный ориентир прост: не переходите к следующему разделу только ради отметки, если проект всё ещё нельзя запустить или проверить. Выберите задачу, соберите минимальный результат, подтвердите его воспроизводимость и возвращайтесь к курсу за тем знанием, которого не хватает. Так AI Engineering from Scratch становится не длинным списком уроков, а маршрутом к самостоятельно выполненному AI-проекту.