Как перестать копипастить промпты и начать понимать AI
Знакомая ситуация: вы открываете документацию LangChain или библиотеку от OpenAI, копируете пример кода, и он вроде бы работает. Но стоит шагнуть влево или вправо — агент начинает «галлюцинировать», база знаний выдаёт мусор, а вы не понимаете, почему это происходит. Проблема в том, что большинство из нас научились пользоваться готовыми API, но так и не разобрались, что там под капотом.
Недавно я наткнулся на репозиторий ai-engineering-from-scratch, который пытается решить эту проблему радикально. Автор собрал огромный учебный план из 435 уроков, где всё — от линейной алгебры до роевого интеллекта — нужно написать руками. Без PyTorch на первых этапах, без готовых обёрток, просто на чистом коде.
Что это за проект
Это не просто очередной список ссылок на статьи из Medium. Это структурированный курс, разбитый на 20 фаз. Суть проста: вы берёте математическую формулу, перекладываете её в код на Python (или Rust/TypeScript), тестируете и получаете работающий артефакт.
Интересный факт из описания: около 84% студентов уже используют AI-инструменты в работе, но только 18% чувствуют, что готовы применять их профессионально. Проект как раз закрывает эту дыру между «я умею писать промпты» и «я понимаю, как работает механизм внимания в трансформере».
Как устроено обучение
Каждый урок в репозитории следует одному и тому же циклу. Сначала вы разбираете проблему и математическую интуицию, затем пишете реализацию «на коленке» (Build It), и только после этого смотрите, как то же самое сделано в индустриальных библиотеках вроде scikit-learn или PyTorch (Use It).
В конце каждого занятия вы создаёте полезный инструмент — Ship It. Это может быть специфический промпт, навык для агента или целый сервер протокола MCP (Model Context Protocol). В итоге у вас остается не папка со шпаргалками, а целый набор инструментов, которые можно встроить в рабочий процесс.
Курс охватывает четыре языка: Python, TypeScript, Rust и Julia. Хотя основной упор сделан на Python, наличие Rust радует — особенно в темах про высокопроизводительный инференс и квантование моделей.
Путь от векторов до автономных систем
Весь план обучения напоминает дерево развития в сложной стратегии.
- Фундамент. Математика, статистика и классическое машинное обучение. Здесь вы пишете линейную регрессию и деревья решений с нуля.
- Глубокое обучение. Фаза, где вы собираете свой мини-фреймворк для нейросетей, реализуете обратное распространение ошибки и функции активации.
- Специализация. Компьютерное зрение, обработка звука и NLP. Тут разбираются архитектуры вроде YOLO для детекции объектов или Whisper для распознавания речи.
- Эра LLM и агентов. Самая «мясистая» часть. Вы учитесь обучать маленькие языковые модели (на 124M параметров), настраивать их через RLHF и DPO, а затем строить на их базе сложные системы.
Особенно круто выглядит 14-я фаза про агентный инжиниринг. Там 42 урока, посвященных только тому, как заставить нейросеть планировать задачи, использовать память и инструменты.
Практические фишки репозитория
В проекте есть несколько скриптов, которые делают его использование удобнее, чем просто чтение файлов.
Например, скрипт /find-your-level. Это тест из десяти вопросов, который можно запустить прямо в Claude или Cursor. Он анализирует ваши знания и говорит: «Дружище, математику ты знаешь, пропусти первые две фазы и начинай сразу с глубокого обучения». Он же составит персональный план с оценкой времени в часах.
Ещё одна полезная штука — install_skills.py. В репозитории уже лежат сотни готовых «навыков» (файлы SKILL.md), которые понимают современные AI-редакторы кода. Скрипт позволяет в один клик импортировать их в ваш рабочий конфиг для Cursor или Claude Desktop.
Кому это пригодится
Я бы не советовал этот проект тем, кому нужно «быстро прикрутить чат-бота к сайту». Для этого есть OpenAI API и пять минут времени.
Этот репозиторий для тех, кто:
- Хочет перейти из обычного бэкенда в AI-инжиниринг и не выглядеть глупо на собеседованиях.
- Работает с LLM в продакшене и устал от непредсказуемости моделей.
- Любит хардкорный подход «пока не написал сам — не понял».
Проект полностью открытый (MIT лицензия), так что его можно использовать и для внутреннего обучения в командах. На полное прохождение всех 20 фаз уйдёт около 320 часов — это полноценный семестр в университете, только без лишней воды и с актуальными технологиями 2025-2026 годов.
Если решите попробовать, начните с фазы 0, чтобы настроить окружение, или сразу прыгайте в интересующий раздел, если чувствуете в себе силы. Главное — не забывайте нажимать на звездочку, такие монументальные труды в опенсорсе встречаются нечасто.
