rohitg00/ai-engineering-from-scratch

🇬🇧 English · 🇨🇳 简体中文 · 🇹🇼 繁體中文（台灣） · 🇯🇵 日本語 · 🇰🇷 한국어 · 🇵🇹 Português · 🇧🇷 Português (Brasil) · 🇪🇸 Español · 🇩🇪 Deutsch · 🇫🇷 Français · 🇮🇹 Italiano · 🇳🇱 Nederlands · 🇵🇱 Polski · 🇨🇿 Čeština · 🇷🇴 Română · 🇭🇺 Magyar · 🇬🇷 Ελληνικά · 🇸🇪 Svenska · 🇩🇰 Dansk · 🇳🇴 Norsk · 🇫🇮 Suomi · 🇷🇺 Русский · 🇺🇦 Українська · 🇹🇷 Türkçe · 🇮🇱 עברית · 🇸🇦 العربية · 🇮🇷 فارسی · 🇮🇳 हिन्दी · 🇧🇩 বাংলা · 🇵🇰 اردو · 🇹🇭 ไทย · 🇻🇳 Tiếng Việt · 🇮🇩 Bahasa Indonesia · 🇵🇭 Tagalog

Ein Kandidat verbessert den mittleren NDCG, während eine Anfrage ihren relevantesten Beleg niedriger einordnet. Baue einen Vergleich je Anfrage, der die Regression meldet und eine Freigabeprüfung fehlschlagen lassen kann.

Nutze Python 3.10+. Wiederhole RAG und Modellevaluation. Implementiere die Rangfolgenvalidierung, Präzision und Recall, rangabhängige Metriken und anschließend den Systemvergleich.

python3 scripts/project_test.py retrieval-evaluation-lab \
  --init learning-artifacts/retrieval-evaluation-lab
python3 scripts/project_test.py retrieval-evaluation-lab \
  --stage 1 --path learning-artifacts/retrieval-evaluation-lab --strict
python3 scripts/project_test.py retrieval-evaluation-lab \
  --all --path learning-artifacts/retrieval-evaluation-lab --strict

Behalte: einen reproduzierbaren Vergleich mit Änderungen je Anfrage und den zugrunde liegenden Relevanzurteilen. Die Metriken beschreiben diese Urteile; sie belegen nicht die Korrektheit der Antworten.

Projekt starten · Referenz untersuchen · Mit eigenen Eingaben ausführen

Ein bereitgestellter Trace dauert weiterhin 100 ms, aber der gesamte Tokenverbrauch steigt um 200 und ein Span beginnt fehlzuschlagen. Trenne überlappende Arbeit der Kind-Spans von der Ausführungszeit des Eltern-Spans und erstelle einen Bericht, der die Änderung sichtbar macht.

Nutze Node.js 22.18+ und Python 3 für den Prüfer. Implementiere JSONL-Parsing, die Validierung der Elternbeziehungen, Intervallarithmetik und anschließend eine einsehbare Zeitleiste.

python3 scripts/project_test.py agent-trace-debugger \
  --init learning-artifacts/agent-trace-debugger
python3 scripts/project_test.py agent-trace-debugger \
  --stage 1 --path learning-artifacts/agent-trace-debugger --strict
python3 scripts/project_test.py agent-trace-debugger \
  --all --path learning-artifacts/agent-trace-debugger --strict

Behalte: den Eingabe-Trace, eine HTML-Zeitleiste und einen JSON-Regressionsbericht. Bewahre exklusive Tokenzahlen je Span, damit der Verbrauch von Eltern- und Kind-Spans nicht doppelt gezählt wird.

Projekt starten · Referenz untersuchen · Zeitverhalten interaktiv untersuchen

Ein Schreibvorgang ändert sich nach der Prüfung oder eine Freigabe wird erneut verwendet. Validiere die Aufrufhülle, prüfe Rolle und Pfad des Aufrufers und verbrauche dann eine Freigabe, die an die genaue Anfrage und ihren Inhalt gebunden ist.

Nutze Rust und Python 3.10+. Wiederhole das Design von Werkzeugschemata und Sicherheitsgrenzen. Die aufrufende Anwendung liefert die Identität; das Modell schlägt eine Operation vor.

python3 scripts/project_test.py tool-call-firewall \
  --init learning-artifacts/tool-call-firewall
python3 scripts/project_test.py tool-call-firewall \
  --stage 1 --path learning-artifacts/tool-call-firewall --strict
python3 scripts/project_test.py tool-call-firewall \
  --all --path learning-artifacts/tool-call-firewall --strict

Behalte: einen Audit-Beleg mit der angeforderten Operation und der Richtlinienentscheidung. Freigaben sind innerhalb eines Aufrufs einmalig nutzbar; dieses Projekt bietet weder dauerhafte Autorisierung noch eine Betriebssystem-Sandbox.

Projekt starten · Referenz untersuchen · Freigabegrenzen untersuchen

Prüfe zuerst, ob die nötigen Werkzeuge installiert sind:

node --version
npx --version
python3 --version

Das Installationsprogramm schreibt die Skills in den Host und Speicherbereich, die du bei der Installation ausgewählt hast, zum Beispiel in .claude/skills/, .cursor/skills/, .codex/skills/ oder einen anderen unterstützten Skill-Ordner. Prüfe, ob der Host genau diesen Speicherort erkennt.

Die Aufrufsyntax hängt vom Host ab; sie gehört nicht zum portablen Format SKILL.md:

Ein Einstufungstest mit zehn Fragen ermittelt, was du bereits weißt, ordnet dich einer Einstiegsphase zu und speichert einen persönlichen Lernplan in LEARNING.md. Danach vermittelt der Skill learn pro Sitzung eine Lektion: Konzept, Mathematik, Code und Quiz. Der Skill course-guide verweist dich direkt auf die Lektion, die bei einem Thema oder Problem weiterhilft. In Codex rufst du die Skills mit learn und course-guide auf, in Claude Code mit /learn und /course-guide. Bei anderen kompatiblen Hosts bittest du darum, den jeweiligen Skill zu verwenden.

Du möchtest nur Model Context Protocol (MCP) lernen? Verwende den MCP-Aufruf für deinen Host. Er erstellt MCP-LEARNING.md und führt dich durch einen 17-Lektionen-Pfad: zustandslose Anfragen, Transport, bidirektionale Abläufe, Sicherheit, Zuverlässigkeit, Registry-Governance und Konformitätsnachweise. Die genaue Reihenfolge und die Meilensteine stehen im MCP-Manifest.

Du möchtest nur Agent Skills lernen? Verwende den Aufruf für Agent Skills auf deinem Host. Er erstellt AGENT-SKILLS-LEARNING.md und führt dich durch fünf zusammenhängende Lektionen: Spezifikation, Auffinden, Aufruf, Sandbox-Grenzen und anschließend Release-Evaluierungen sowie Portabilität zwischen echten Hosts. Starte im Web mit dem Pfad zu Agent Skills.

Das Installationsprogramm zeigt die Hosts an, die es konfigurieren kann, und fragt, wo die Skills installiert werden sollen. Wenn dir Node.js, npx, python3, ein unterstützter Host oder ein beschreibbarer Speicherbereich noch fehlt, nutze die Website oder lies docs/en.md von Hand. So lernst du die Konzepte; die Nachweise für Auffinden, Aufrufen, Skripte und Deinstallation auf einem echten Host musst du nachholen, sobald die Vorabprüfung verfügbar ist. Die Lektionen findest du auf aiengineeringfromscratch.com.

Lern-Skills

Arbeite jede Lektion nach demselben Muster durch

1. Lies docs/en.md und erkläre die Grundidee mit eigenen Worten.
2. Tippe den wichtigen Code selbst und baue ihn nach, statt den Codeblock nur als Dekoration zu betrachten.
3. Führe den Befehl für die Lektion vom Repository-Stammverzeichnis aus – dem Ordner mit README.md und phases/.
4. Halte die Ergebnisse fest: den Befehl, das Arbeitsverzeichnis, den Exit-Code, die aussagekräftige Ausgabe und das Artefakt, das du geändert oder erstellt hast.
5. Mach erst weiter, wenn du die Ausgabe erklären und ohne zu raten eine kleine Änderung vornehmen kannst.

Befehle auf den Lektionsseiten verwenden Pfade relativ zum Repository-Stammverzeichnis, sofern die Lektion nicht ausdrücklich zum Wechsel in einen anderen Ordner auffordert. Wenn eine Lektion mehrere Sprachen anbietet, führe die Implementierung in der Sprache aus, die du lernst.

Voraussetzungen

• Du kannst programmieren (in einer beliebigen Sprache; Python ist hilfreich).
• Du möchtest verstehen, wie KI wirklich funktioniert, statt nur APIs aufzurufen.

Wo du anfangen kannst

Die Lektionen 06–18 und 28–31 bilden den fokussierten MCP-Lernpfad. Das Manifest legt diese Reihenfolge fest: 06, 07, 08, 09, 10, 11, 12, 13, 14, 15, 16, 18, 17, 28, 29, 30, 31. Starte über den hostabhängigen Aufruf für learn-mcp. Lektion 23 ist das einzige optionale Abschlussprojekt und setzt zusätzlich die Lektionen 19 und 20 voraus.

Die Lektionen 22 und 24–27 bilden den fokussierten Lernpfad zu Agent Skills, vom Paketvertrag bis zu den Release-Prüfungen auf einem echten Host. Starte über den oben gezeigten hostabhängigen Aufruf für learn-agent-skills. Folge nicht der numerischen Weiterleitung von Lektion 22 zu Lektion 23.

Jede Workbench-Lektion der Phase 14 (31–42) enthält eine mission.md, die den Agenten einweist, bevor er die vollständigen Lektionsunterlagen öffnet.

Die Lektionen 31–46 bilden den Pfad für agentengestütztes Engineering. Das Manifest verbindet die Grundlagen der Workbench mit Aufgabenklärung, Planung, Delegation und dauerhaftem Feedback. Die Lektionen 47–54 bilden den Pfad für Produktentscheidungen und Umsetzung: vom gewünschten Ergebnis über Nachweise, Risiken, Umfang und Messung bis zur schrittweisen Einführung und Zuständigkeit für Feedback.

Tracks für Eigenentwicklungen — mehrteilige Reihen, in denen du ein vollständiges Teilsystem von Grund auf baust.

Der 20-phasige Kernlehrplan unter phases/ wird zu einer sechsbändigen Buchreihe. CI erstellt EPUB- und PDF-Dateien aus denselben Lektionen und hängt sie an jedes GitHub-Release an; die Links unten führen immer zum neuesten Release. Die Bandnummern bezeichnen die Reihenfolge in der Reihe, keine Versionen: Jedes Exemplar trägt ein datiertes Auflagendatum, und ältere Ausgaben bleiben über ihr jeweiliges Release verfügbar.

Die Zertifizierungslehrpläne werden bewusst nicht in die Bücher übernommen. Ihr KI-Tutor-Fortschritt, die ausführbaren Labs, interaktiven Abbildungen, Diagnosetests und zeitlich begrenzten Übungsprüfungen bleiben auf GitHub und der Website verfügbar.

Das Buch ist eine Momentaufnahme; dieses Repository ist die fortlaufend aktualisierte Ausgabe. Jedes Kapitel verweist zurück auf die animierten Abbildungen, das Quiz und den ausführbaren Code der Lektion. Erstelle das Buch lokal mit python3 scripts/build_book.py (Pandoc erforderlich); Einzelheiten zur Pipeline stehen in book/README.md.

Die Claude Certification Academy ist ein kostenloses Vorbereitungsprogramm mit offenem Quellcode für alle vier offiziellen Claude-Zertifizierungspfade: Associate Foundations, Developer Foundations, Architect Foundations und Architect Professional. Jeder Pfad kombiniert an den Prüfungsplan angelehnte Lektionen, ausführbare Labs, einen Diagnosetest, ein Abschlussprojekt und eine vollständige eigens erstellte Übungsprüfung.

Verwende den GitHub-Einstiegsleitfaden für KI-native Nutzung mit Claude Code, Codex, ChatGPT, Cursor oder einem anderen Agenten. Führe in Codex claude-certification oder in Claude Code /claude-certification aus; bei einem anderen Host bittest du ihn, claude-certification zu verwenden. Der Tutor wählt einen Pfad, speichert den fortlaufenden Lernpfad in CLAUDE-CERTIFICATION.md, unterrichtet Schritt für Schritt, führt die echten Labs aus und gibt Feedback zu deinen Artefakten. Der Lehrplan ist auch auf der Zertifizierungswebsite verfügbar.

Die Akademie ist ein unabhängiges Lernangebot auf Grundlage öffentlich zugänglicher Prüfungsziele. Sie ist nicht mit Anthropic verbunden, gibt keine echten Prüfungsfragen wieder und garantiert kein Bestehen.

Der MCPA-Zertifizierungslehrplan ist ein kostenloses Vorbereitungsprogramm mit offenem Quellcode für die Prüfung zum Model Context Protocol Associate der Agentic AI Foundation, die über Linux Foundation Training angeboten wird. Die 34 Lektionen behandeln die zustandslose Protokollversion vom 2026-07-28 und die fünf Prüfungsbereiche: _meta pro Anfrage und server/discover anstelle des früheren Handshakes, Anfragen mit mehreren Roundtrips, Subscriptions, Caching, die Erweiterungen Tasks und MCP Apps, OAuth-Autorisierung sowie Registry- und SDK-Stufen. Zu jeder Lektion gehört ein ausführbares Lab mit Standardbibliotheken; sein Protokoll wird gegen das aktuelle Wire-Format geprüft. Der Pfad umfasst außerdem einen Diagnosetest, ein Abschlussprojekt und drei vollständige, eigens erstellte Übungsprüfungen, deren Fragenverteilung den veröffentlichten Gewichten des Prüfungsplans folgt.

Verwende den GitHub-Einstiegsleitfaden für KI-native Nutzung mit Claude Code, Codex, ChatGPT, Cursor oder einem anderen Agenten. Führe in Codex mcpa-certification oder in Claude Code /mcpa-certification aus; bei einem anderen Host bittest du ihn, mcpa-certification zu verwenden. Der Tutor speichert den fortlaufenden Lernpfad in MCPA-CERTIFICATION.md, unterrichtet Schritt für Schritt, führt die Labs aus und gibt Feedback zu deinen Artefakten. Der Lehrplan ist auch auf der MCPA-Lernpfadseite verfügbar.

Dieser Lehrplan ist ein unabhängiges Lernangebot auf Grundlage öffentlicher Prüfungsziele. Er ist weder mit der Agentic AI Foundation noch mit der Linux Foundation verbunden, gibt keine echten Prüfungsfragen wieder und garantiert kein Bestehen.

Aufbau einer Lektion

Jede Lektion hat einen eigenen Ordner mit derselben Struktur wie im übrigen Lehrplan:

phases/<NN>-<phase-name>/<NN>-<lesson-name>/
├── code/      ausführbare Implementierungen (Python, TypeScript, Rust, Julia)
├── docs/
│   └── en.md  Lektionstext
└── outputs/   Prompts, Skills, Agenten oder MCP-Server, die diese Lektion erstellt

Jede Lektion folgt sechs Schritten. Das Prinzip Build It / Use It bildet das Rückgrat: Zuerst implementierst du den Algorithmus von Grund auf, dann führst du denselben Vorgang mit einer Produktionsbibliothek aus. Weil du selbst eine kleinere Version geschrieben hast, verstehst du, was das Framework tut.

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'13px'}}}%%
flowchart LR
  M["LEITGEDANKE<br/><sub>die Kernidee in einem Satz</sub>"] --> Pr["PROBLEMSTELLUNG<br/><sub>eine konkrete Schwierigkeit</sub>"]
  Pr --> C["KONZEPT<br/><sub>Diagramme und Intuition</sub>"]
  C --> B["SELBST BAUEN<br/><sub>reine Mathematik, keine Frameworks</sub>"]
  B --> U["ANWENDEN<br/><sub>dasselbe in PyTorch / sklearn</sub>"]
  U --> S["VERÖFFENTLICHEN<br/><sub>Anweisung · Fähigkeit · Agent · MCP</sub>"]

Jede Lektion liefert etwas

Andere Lehrpläne enden mit „Glückwunsch, du hast X gelernt.“ Jede Lektion hier endet mit einem wiederverwendbaren Werkzeug, das du installieren oder in deinen täglichen Arbeitsablauf übernehmen kannst.

FIG_001 · A ANWEISUNGEN	FIG_001 · B FÄHIGKEITEN	FIG_001 · C AGENTEN	FIG_001 · D MCP-SERVER
Füge ihn in einen beliebigen KI-Assistenten ein, um bei einer eng umrissenen Aufgabe fachkundige Hilfe zu erhalten.	Binde ihn in Claude, Cursor, Codex, OpenClaw, Hermes oder einen anderen Agenten ein, der SKILL.md liest.	Setze sie als autonome Worker ein – die Schleife hast du in Phase 14 selbst geschrieben.	Binde sie in jeden MCP-kompatiblen Client ein. Der vollständige Ablauf wurde in Phase 13 umgesetzt.

Die Lektionsartefakte. Das Repository enthält 414 Skills und 100 Prompts unter phases/**/outputs/. Installiere sie mit scripts/install_skills.py. Dafür musst du das Repository klonen. Das Skript unterstützt Tag-Filter, Probeläufe und agentenspezifische Layouts:

python3 scripts/install_skills.py <target>                                 # every skill, default --layout skills (nested)
python3 scripts/install_skills.py <target> --layout skills                 # same as above, explicit
python3 scripts/install_skills.py <target> --type all                      # skills + prompts + agents
python3 scripts/install_skills.py <target> --phase 14                      # one phase only
python3 scripts/install_skills.py <target> --tag rag                       # filter by tag
python3 scripts/install_skills.py <target> --layout flat                   # flat files
python3 scripts/install_skills.py <target> --dry-run                       # preview without writing
python3 scripts/install_skills.py <target> --force                         # overwrite existing files

<target> ist das Skill-Verzeichnis deines Agenten (zum Beispiel ~/.claude/skills/, ~/.cursor/skills/, ~/.config/openclaw/skills/, .skills/ oder ein anderer Ordner, den dein Agent liest).

Standardmäßig überschreibt das Skript kein vorhandenes Ziel. Es listet alle kollidierenden Pfade auf und beendet sich mit Exit-Code 1. Nutze --dry-run, um Kollisionen vorab anzuzeigen, oder --force, um vorhandene Dateien zu überschreiben. Jeder echte Lauf schreibt eine manifest.json mit dem vollständigen Bestand nach Typ und Phase in das Zielverzeichnis. Wähle das Layout, das dein Agent liest:

Das Abschlussprojekt in Phase 14 liefert ein wiederverwendbares Agent-Workbench-Paket mit AGENTS.md, Schemas sowie Init-, Verify- und Handoff-Skripten. Übertrage es mit den Befehlen unten in ein Repository:

python3 scripts/scaffold_workbench.py path/to/your-repo            # full pack + seeds
python3 scripts/scaffold_workbench.py path/to/your-repo --minimal  # skip docs/
python3 scripts/scaffold_workbench.py path/to/your-repo --dry-run  # preview only
python3 scripts/scaffold_workbench.py path/to/your-repo --force    # overwrite

Das Paket richtet sieben Workbench-Bereiche ein, erstellt eine Startdatei task_board.json und eine neue agent_state.json mit schema_version: 1. Bearbeite anschließend die Aufgabe und AGENTS.md, führe scripts/init_agent.py aus und übergib deinem Agenten den Vertrag. Der Paketquellcode liegt unter phases/14-agent-engineering/42-agent-workbench-capstone/outputs/agent-workbench-pack/.

scripts/build_catalog.py durchsucht alle Phasen, Lektionen und Artefakte auf der Festplatte und schreibt catalog.json in das Repository-Stammverzeichnis. Eine Datei enthält alle Kursdaten.

python3 scripts/build_catalog.py               # writes <repo>/catalog.json
python3 scripts/build_catalog.py --stdout      # to stdout, do not touch repo
python3 scripts/build_catalog.py --out path/to/file.json

Der Katalog wird aus dem Dateisystem erzeugt, nicht aus der README. Daher stimmen die Zählungen mit dem tatsächlichen Bestand überein. Nutze ihn für den Website-Build, nachgelagerte Werkzeuge oder um zu prüfen, ob die Zählungen in der README noch aktuell sind. Das Schema ist am Anfang des Skripts dokumentiert.

Der Curriculum-Workflow erstellt catalog.json als temporäres, von Git ignoriertes Artefakt. Committe es nicht. Derselbe Workflow führt audit_lessons.py als blockierende Prüfung aus.

scripts/lesson_run.py kompiliert alle Python-Dateien im code/-Ordner jeder Lektion byteweise. Im Standardmodus wird nur die Syntax geprüft: Es wird nichts ausgeführt, es werden keine API-Schlüssel benötigt und es sind keine umfangreichen ML-Abhängigkeiten erforderlich. Das Skript findet häufige Fehler wie falsche Einrückungen, kaputte f-Strings und versehentliche Änderungen.

python3 scripts/lesson_run.py                  # syntax-check the whole curriculum
python3 scripts/lesson_run.py --phase 14       # one phase only
python3 scripts/lesson_run.py --json           # JSON report on stdout
python3 scripts/lesson_run.py --strict         # exit 1 if any lesson fails
python3 scripts/lesson_run.py --execute        # actually run, 10s timeout per lesson

--execute führt code/main.py jeder Lektion aus (oder, falls die Datei fehlt, die erste .py-Datei) und bricht nach 10 Sekunden ab. Lektionen, deren Einstiegsdatei mit einem # requires: pkg1, pkg2-Kommentar auf externe Pakete hinweist, werden mit needs übersprungen. Das Skript ist optional und nicht in CI eingebunden.

Das Skript benötigt nur die Standardbibliothek und Python 3.10 oder höher. Setze LINK_CHECK_SKIP=domain1,domain2, um die Standardliste zu überschreiben (twitter.com, x.com, linkedin.com, instagram.com, medium.com – Domains, die automatisierte HEAD-/GET-Anfragen häufig blockieren).

• Attention Is All You Need — Vaswani et al., 2017 → Phase 7
• Language Models are Few-Shot Learners (GPT-3) → Phase 10
• Denoising Diffusion Probabilistic Models → Phase 8
• InstructGPT / RLHF → Phase 10
• Direct Preference Optimization → Phase 10
• Chain-of-Thought Prompting → Phase 11
• ReAct: Reasoning + Acting in LLMs → Phase 14
• Model Context Protocol — Anthropic → Phase 13