AI Engineering from Scratch 學習順序，建議按你的目標專案安排：先選定可交付的成果，再用課程階段補足基礎、完成工程實作與驗收，不要逐課硬啃 523 節內容；這個數字以官方課程倉庫為核對入口。
如果你要建立 AI 工程基礎、已經有開發經驗，或想把練習整理成作品集，以下路線能幫你決定先做什麼、哪些內容可延後。
最快的判斷方式：把你想做的功能寫成「輸入什麼、輸出什麼、如何判斷結果可用」。能回答這三點，就先從支援該成果的階段開始；回答不了，先縮小專案，而不是漫無目的地往下看課。
最後更新於 2026 年 9 月 26 日；課程階段、練習與學習入口依官方倉庫及官方版本紀錄核對。倉庫日後若有變動，請以最新目錄為準。
先選定成果，再安排 AI Engineering from Scratch 學習順序
課程範圍廣，直接從第一項一路學到最後一項，容易把「看過內容」誤當成「能做出系統」。你可以先寫一張專案卡，限制範圍在一個可展示的功能，例如：讓使用者輸入一段文件，系統整理出有來源依據的摘要，並在資訊不足時明確回報。
專案卡要記錄三件事：
- 預期輸入：使用者會提供文字、檔案，還是結構化資料？輸入是否可能為空、格式錯誤或超出預期？
- 預期輸出：需要自由文字、固定欄位，還是可供其他程式使用的結果？
- 驗收方式：怎樣算成功？要檢查格式、內容正確性、例外處理，還是能否重現？
接著盤點你的經驗：熟悉哪些程式語言與開發工具？能否管理套件、讀懂錯誤訊息、呼叫 API？是否做過資料處理或測試？把答案對應到要交付的功能，你就能分出「開工前必須補」與「遇到問題再學」。
例如，你已有 Web 開發經驗，想做文件問答原型，先確認程式環境及資料輸入方式，再進入 LLM 應用相關內容；若結果不穩定，才回頭補評估方法與相關基礎。這比一開始把所有數學內容都當成動手門檻更容易形成可檢查的成果。
開始前先盤點環境與真正的知識缺口
先核對官方目錄，而不要把第三方文章整理的順序當成官方規定。倉庫將環境與工具、數學基礎、機器學習基礎、LLM 工程、工具與協定、Agent 工程分列在不同階段；你可以直接查看環境與工具階段及各階段說明，確認當前入口和練習形式。
建議用一份簡單的缺口清單，逐項標示「已能獨立完成」「需要複習」「尚未接觸」。檢查項目可包括：
- 能否依說明建立環境、安裝相依套件並啟動程式？
- 是否了解專案使用的語言、資料格式及基本版本管理？
- 是否能解讀資料、模型輸出與測試結果？
- 專案是否需要呼叫外部模型服務，並安全管理憑證？
- 你目前的作業系統與開發工具，是否能執行課程指定的練習？
不要假設所有人都必須先完成同一套數學或機器學習課程。官方目錄列出階段與內容，不等於它已宣告每位學習者都有相同的硬性先修。遇到不熟悉的概念時，再查看該階段的練習和說明；若能理解並完成，就記錄證據後往下走。
由基礎練習走向可運行的專案
基礎的價值在於幫你解釋專案中的問題，而不是成為永無止境的準備期。數學與資料概念能協助你理解模型如何表示和處理資料；機器學習基礎能支援你判讀訓練與評估；深度學習及語言模型概念則能幫你理解應用行為。先按官方材料學到足以解釋當前問題的程度，再把概念放進實作驗證。
例如，整理文件摘要時，如果輸出經常漏掉關鍵欄位，先確認輸入是否乾淨、提示與輸出格式是否明確；如果無法判斷結果品質，才需要補上適合該任務的評估方法。問題不同，補課方向也不同。
官方目錄提供了可核對的學習入口：你可以依序查看數學基礎與機器學習基礎，再檢查LLM 工程階段是否對應你的應用需求。每完成一段，不只寫筆記，也留下可以執行的程式、輸入樣例或結果紀錄。
小心把示範程式當成完整產品。課堂練習可能只用來說明單一概念；若要展示給他人，仍須自行補上輸入檢查、錯誤處理、執行說明，以及你如何判斷結果是否合格。
按專案需要補上工程、工具與 Agent 能力
有了可運行的基礎功能，再處理模型接入與應用整合。先讓程式能送出預期輸入並接收輸出；然後記錄呼叫失敗、格式錯誤或回傳內容不符合預期時會發生什麼。涉及工具呼叫時，確認工具的用途、允許的輸入和失敗後的處理方式，不要只展示一次成功結果。
若專案需要 Agent，再根據任務拆解、工具使用與控制流程尋找相應練習。官方倉庫分別列有工具與協定及Agent 工程階段；是否需要深入，取決於你的專案是否真的要讓模型選擇工具、跨步驟完成任務，而不是因為 Agent 流行就加入。
每段實作都要留下可檢查的產物：能執行的程式碼、明確的輸入與輸出樣例、測試結果，以及目前已知的限制。若環境無法穩定啟動，先解決依賴、設定與存取權限；若功能能跑但結果無法判讀，優先補評估與記錄。這樣能避免把「成功呼叫模型」誤認為「完成 AI 專案」。
常見學習決策
初學者應該從哪裡切入？
先確認環境能否執行官方練習，再選一個範圍明確的專案。基礎概念可以跟著實作逐步補，不必預先把整份課程讀完；但遇到無法理解的資料處理、模型行為或評估問題時，要回到相應階段補課並留下實作證據。
完成課程後，如何判斷自己能否獨立做專案？
以能否從需求走到可重現成果判斷，而不是以看完多少內容判斷。專案至少應有清楚的用途、輸入輸出、基本錯誤處理和可供他人執行的說明。課程能提供學習材料，但專案的範圍、品質和完成度仍需你自行驗收。
有程式經驗時，怎樣判斷哪些基礎可以略過？
逐項核對練習，而不是依工作年資直接跳過。如果你已能建立環境、完成程式除錯或解讀相關模型概念，可以用自己的程式碼或練習結果證明熟悉，再把時間投入專案缺口。沒有證據的「應該會」容易在整合時變成阻礙。
課程練習怎樣整理成作品集？
把練習整理成一個有脈絡的專案：說明問題、設計取捨、使用方式、測試方式與已知限制。讓讀者知道哪些是課程原有練習，哪些是你新增的工程工作；移除憑證和私人資料，並檢查執行說明是否足以讓他人在乾淨環境重現。
用可重現標準驗收，再決定下一步
「課程學完」和「專案可展示」是兩種不同的判斷。前者看你是否掌握階段內容；後者看別人能否理解、執行與檢查成果。提交前，依序完成以下操作：
- 整理執行環境：在乾淨環境按文件安裝依賴與設定，不依賴你電腦上未記錄的檔案或套件。
- 固定輸入輸出範例：準備正常輸入及常見異常輸入，說明預期結果。
- 測試失敗情況：檢查空輸入、錯誤格式、模型服務不可用等情境，並提供明確回應。
- 記錄驗收證據：保存測試結果或執行紀錄，解釋你如何檢查輸出，而非只放一張成功截圖。
- 標明尚未解決的限制：例如目前不支援的輸入、尚未驗證的邊界情況，或需要人工覆核的結果。
- 整理作品集說明：交代專案目的、架構選擇、你完成的工程部分及如何重現。
最後，用問題清單回看缺口：是環境設定、模型理解、工具整合，還是評估不足？把問題對應回官方倉庫的相關階段，只補需要的內容，再重跑測試。官方階段名稱與入口可能隨倉庫更新而調整；重新開始一段學習前，先查看最新目錄與版本紀錄，不要沿用過時的入口或名稱。
| 你的狀況 | 建議做法 | 暫緩或回退的條件 |
|---|---|---|
| 開發環境尚未能執行練習 | 先處理環境與工具，再開始專案程式 | 若仍無法重現錯誤，先記錄系統與安裝步驟，再尋求環境協助 |
| 有開發經驗，目標是 LLM 應用 | 以小型應用為錨點，核對 LLM 工程及整合所需內容 | 若無法解釋輸入輸出或結果品質，回補相應基礎與評估 |
| 專案需要模型使用工具或跨步驟處理任務 | 先完成基本模型呼叫，再學工具與 Agent 相關階段 | 若單次呼叫已能滿足需求，不必為了使用 Agent 而增加複雜度 |
| 準備公開作品集 | 先做乾淨環境重現、錯誤處理與測試，再整理說明 | 若需要本機未記錄的設定或憑證，先補文件並移除敏感資料 |
若你目前以本機環境學習，主要成本可能是環境差異、套件互相影響，以及換裝置後難以重現；但若工作長期固定、需要本機硬體或穩定連接周邊，自購設備通常更直接。當你只需要短期、可丟棄的遠端測試環境，或想與日常開發隔離，租用 Mac 可以少處理一部分本機環境維護；是否合適仍要看課程工具支援與專案需求。你可先了解服務條款中通常需要確認的租用期限、存取方式與資料處理責任，再查看Kvmzen 的雲端 Mac 使用方案。如果課程可在你現有環境穩定執行，無須為了學習而租用；若要測試 macOS 開發流程或短期隔離環境，再評估租用是否比維護本機更合適。