课程目录很长、打开后不知道从哪一课开始？
最快的解法：别按 523 节逐课硬啃。先选一个可交付的 AI 项目，再围绕它补基础、做工程实现和验证。数学与底层原理值得学，但不必全部变成动手之前的门槛。
适合想系统学习 AI 工程的自学者、开发者和转型中的软件工程师。
已有编程经验的人，可以据项目跳过重复基础；需要作品集的人，可以把每个阶段的可运行产物留作证据。
先定项目，再决定 AI Engineering from Scratch 学习顺序
截至 2026 年 9 月 26 日，官方仓库将课程标为 523 节、20 个阶段，内容从环境与数学基础延伸到 LLM 工程、Agent 和项目实践。课程在 2026 年 9 月 7 日发布的版本说明中也列出这组数量。目录规模是选课时的参考，不是要求你一次学完的清单；后续阶段和学习入口变化时，应回到官方课程仓库及官方版本记录复核。
在打开课程之前，把目标压缩成一张项目卡片：
- 目标功能：你希望程序替你完成哪一件具体工作？
- 输入与输出：输入是什么格式，结果要以什么结构交付？
- 失败边界：遇到缺失信息、无效输入或工具报错时，系统应如何回应？
- 已有能力：你熟悉哪种语言、能否独立运行脚本、是否做过 API 集成？
例如，你想做一个“把会议记录整理成带待办事项的结构化摘要”工具。第一版只需接收文本、输出摘要和待办列表，并在无法确认负责人时标记未知；暂时不必一开始就加入 Agent、多模态或模型训练。这样的范围能让你判断接下来要补的是结构化输出、模型接入还是输入清洗，而不是盲目追完整目录。
开始学习前，先分清必补项和边做边补项
官方目录呈现了阶段之间的关联，但它不是对每位学习者都适用的硬性先修清单。课程首页建议你按目标选择入口；官方阶段图则把数学、机器学习、深度学习、语言模型、工具与 Agent 等主题串成依赖脉络。因此，正确做法是先对照目录与实际练习验证缺口，而不是自行假设“必须从第一阶段学完才能写项目”。课程入口与阶段内容可从官方仓库目录核实。
课程的环境与工具阶段适合先确认开发环境能否运行；数学基础阶段和机器学习基础阶段则可帮助你定位概念缺口。官方仓库还给出可执行的入门示例：运行环境检查脚本，再运行向量练习，并保存终端输出作为学习证据。
你可以把知识缺口分成两类：
- 现在就要补：项目的输入输出、脚本运行方式、基本错误排查。如果连示例程序都不能稳定运行，先修环境，不要把环境问题误判成 AI 知识不足。
- 边做边补：矩阵运算、损失函数、模型结构等原理。如果当前功能只是调用模型接口，不必先从头推导全部数学；当你遇到结果评估、模型选择或训练问题，再回到相关课程练习。
按时间推进：从第一个练习走到项目闭环
起步：把课程练习变成可检查的证据
课程仓库说明，每个学习单元可能包含说明文档、可运行代码和产物。官方首页建议你从仓库根目录运行命令，并保存命令、工作目录、退出状态、关键输出和改动产物；不是只读完解释就算完成。
每次练习后留一条记录：我改了什么、运行了什么、得到什么、还有什么不懂。如果练习失败，保留报错和修复过程；这能让你区分代码问题、环境问题与概念问题，也便于后续写进作品集。
建立基础：只深入到能解释项目行为
数学、机器学习、深度学习和语言模型基础不是摆设：向量与矩阵帮助你理解数据表示；机器学习基础让你分辨训练、预测和评估；深度学习与 Transformer 内容能解释模型为何产生某类输出。官方目录中，深度学习阶段列出神经网络和反向传播等练习，之后连接 NLP、Transformer 与 LLM 相关内容。
对刚才的会议摘要工具，先能解释输入如何变成模型请求、输出怎样满足结构约束、错误结果如何识别，就可以继续做原型。若后续要比较模型效果或训练模型，再回头补损失函数、数据划分和评估概念；不要为了“基础完整”把项目拖到迟迟不开工。
实现项目：按依赖串联工程与 Agent 内容
简单的 LLM 应用可以从模型接入、提示设计和结构化结果开始；需要依据文档回答时，再加入检索；需要调用外部能力时，再学工具接口；只有项目确实需要多步规划或状态管理时，才扩展成 Agent。
课程目录把相关主题放在不同阶段：LLM 工程包含结构化输出、检索、工具调用、评估与测试；工具与协议、Agent 工程及生产阶段，则覆盖更复杂的集成和运行问题。你可以从官方 LLM 工程阶段、工具与协议阶段和Agent 工程阶段核对具体练习与产出，不要把本篇建议路线当成官方规定的唯一起点。
每接入一项能力，就留下一份能运行或能检查的产物：模型调用脚本、结构化输出样例、检索结果、工具调用记录、测试用例，或项目说明。到这里，AI 工程学习路线就不再是“看完了哪些主题”，而是“我能用哪些证据证明系统在做什么”。
作品集验收：从“我学过”到“别人能复现”
一个能展示的项目，不只要在你的电脑上成功运行。提交前，换到干净环境按说明重跑；明确输入、输出与失败行为；提供基础测试和样例；记录依赖、配置方式与仍然存在的限制。课程完成情况说明你学过什么，项目证据才说明别人能否理解、检查和复现你的实现。
课程仓库中的项目阶段与学习路径可用于核对阶段产物。你也可以参考官方学习路径中关于应用、评估、工程交付和作品证据的组织方式；学习路径是路线参考，不代表完成课程就保证具备某种职业结果。
对刚才的摘要工具，作品集至少应让评审看见：一段样例会议记录、程序输出的摘要与待办、无法识别负责人时的处理结果、如何启动和运行测试，以及你已知的限制。若不能说明为什么输出合格、出错时发生什么，界面截图再漂亮也不足以证明项目可靠。
常见问题：把搜索意图变成学习决定
前面的项目卡片、基础盘点和验收方法，分别适用于判断从哪一阶段开始、编程基础能否少学、最后能做出什么，以及怎样整理成作品集。FAQ 中的建议是项目驱动的个人路线；官方目录和阶段入口是否变化，仍以课程仓库当日内容为准。
项目卡住时，按条件回退到对应阶段
别因为某个概念不熟，就把整个课程从头重刷。先判断阻塞发生在哪里：
- 若脚本无法启动、依赖或命令报错，就回到环境与工具内容，先让最小示例运行。
- 若数据表示、训练或评估概念让你无法解释结果，就回到对应的数学、机器学习或深度学习练习。
- 若模型能回答，但输出格式不稳，就优先检查结构化输出、校验和错误处理，而不是先加 Agent。
- 若系统需要调用工具、保存状态或执行多步任务，再查工具接口和 Agent 相关阶段。
- 若项目需要部署、监控或持续运行，再补基础设施与生产内容；课程的基础设施与生产阶段可用于核对这一类主题。
把问题记成“现象—证据—对应课程主题—修复后复测结果”。这比重复浏览完整目录更容易发现自己真正缺什么，也能把补课过程变成项目维护记录。
用三张表确定路线和验收边界
第一张表用于选路线。表中的入口来自官方课程阶段与首页建议；实际是否跳过某段，要看你能否独立完成对应练习，而不是只看简历上是否写过某项技能。
| 你的起点 | 建议先做什么 | 何时进入项目开发 |
|---|---|---|
| 还不熟悉编程环境与代码运行 | 先检查工具链，完成可运行的环境练习 | 能自行运行脚本、定位基础报错后 |
| 会写程序，但机器学习概念生疏 | 补与项目有关的数学、机器学习和模型基础 | 能解释项目所用的输入、输出和评估方式后 |
| 已做过模型或 LLM 应用 | 从目标功能相关的 LLM 工程或工具主题切入 | 最小版本能跑通端到端流程后 |
| 目标是多步 Agent 或持续运行的服务 | 先完成有边界的模型与工具调用，再补状态、评估和生产内容 | 能记录执行过程并处理失败后 |
第二张表用于限制首版范围。不要把“能做”直接等同于“现在就要做”；范围越大，越难判断失败究竟来自模型、数据、工具还是集成。官方目录提供了从模型应用延伸到 Agent 与生产主题的路径，具体先后应依据目标功能核验。
| 项目版本 | 功能边界 | 优点 | 需要承担的成本 |
|---|---|---|---|
| 最小应用 | 输入文本，调用模型，返回明确格式 | 更容易定位输入、提示和输出问题 | 能力有限，复杂任务要人工处理 |
| 带检索的应用 | 接入限定资料并返回相关依据 | 能处理需要查阅资料的场景 | 还需验证资料来源、检索结果与更新方式 |
| 工具型 Agent | 让模型选择工具并执行多步任务 | 可覆盖多个动作组成的流程 | 必须处理权限、状态、异常与停止条件 |
| 持续运行的服务 | 加入部署、监控和运行维护 | 更接近可交付的软件系统 | 需要额外的部署、日志、安全与运维工作 |
第三张表用来做提交前验收。每一项都留下可核对的文件、测试结果或运行记录；若其中一项说不清楚，就把它列为待补任务，而不是用“课程已经学完”替代验证。
| 验收项目 | 通过标准 | 可留下的证据 |
|---|---|---|
| 干净环境运行 | 按说明能重新安装并启动 | 操作步骤与终端记录 |
| 输入输出明确 | 样例输入能对应预期输出 | 输入样例、输出样例及说明 |
| 失败有处理 | 缺失信息、无效输入或工具错误不会静默通过 | 异常测试与错误提示 |
| 基本行为可检查 | 关键功能有测试或评估用例 | 测试命令、用例和结果 |
| 限制说得清楚 | 说明未覆盖场景与已知问题 | 项目说明中的限制与后续计划 |
需要项目环境时，再比较本地与 Mac 方案
学这门课并不自动意味着要租 Mac。若当前电脑能运行课程练习、接入所需工具，继续用本地环境通常更直接；若你要临时验证 macOS 专属开发流程，或希望把学习环境与个人电脑分开，再比较云端环境是否划算。选择环境前，先判断项目是否依赖 macOS；如需确认服务的使用边界，可阅读服务条款，连接与操作问题则可查阅帮助中心。
本地电脑的优点是数据和环境在手边，缺点是需要自行维护依赖、处理资源占用，并承担设备暂时不可用时的影响。对仅需阶段性验证 Mac 环境的项目，Kvmzen 的云端 Mac 租用可以作为临时方案；它不替代项目设计、测试或运维，也不一定适合长期高负载、必须连接本地物理设备，或依赖特定本机条件的工作。先按课程项目的实际运行需求选择，别为了“学 AI”而额外租用并不需要的环境。