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

Un sistema candidato mejora el NDCG medio mientras una consulta sitúa más abajo su evidencia más relevante. Construye una comparación por consulta que informe de la regresión y pueda hacer fallar una comprobación de publicación.

Usa Python 3.10+. Repasa RAG y evaluación de modelos. Implementa la validación de clasificaciones, precisión y exhaustividad, métricas sensibles a la posición y, después, la comparación de sistemas.

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

Conserva: una comparación reproducible con diferencias por consulta y los juicios utilizados para puntuarlas. Las métricas describen esos juicios; no demuestran que las respuestas sean correctas.

Empieza el proyecto · Inspecciona la referencia · Ejecuta con tus propios datos

Una traza proporcionada sigue tardando 100 ms, pero el uso total de tokens aumenta en 200 y un tramo empieza a fallar. Separa el trabajo solapado de los tramos hijos del tiempo de ejecución del padre y genera un informe que muestre el cambio.

Usa Node.js 22.18+ y Python 3 para el evaluador. Implementa el análisis de JSONL, la validación de relaciones padre-hijo, la aritmética de intervalos y una cronología inspeccionable.

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

Conserva: la traza de entrada, una cronología HTML y un informe de regresión JSON. Mantén recuentos exclusivos de tokens por tramo para no contar dos veces el uso del padre y de sus hijos.

Empieza el proyecto · Inspecciona la referencia · Explora los tiempos de forma interactiva

Una escritura cambia después de la revisión o se reutiliza una aprobación. Valida el sobre de la llamada, comprueba el rol y la ruta del solicitante y consume una aprobación vinculada a la solicitud y al contenido exactos.

Usa Rust y Python 3.10+. Repasa diseño de esquemas de herramientas y límites de seguridad. La aplicación solicitante proporciona la identidad; el modelo propone una operación.

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

Conserva: un comprobante de auditoría que muestre la operación solicitada y la decisión de la política. Cada aprobación puede usarse una sola vez dentro de una invocación; este proyecto no proporciona autorización persistente ni un entorno aislado del sistema operativo.

Empieza el proyecto · Inspecciona la referencia · Explora los límites de aprobación

Comprueba primero los requisitos locales:

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

skills escribe en el host y el ámbito elegidos durante la instalación, por ejemplo .claude/skills/, .cursor/skills/, .codex/skills/ u otra carpeta de skills compatible. Comprueba que el host seleccionado detecte ese destino exacto.

La sintaxis de invocación depende del host, no del formato portable SKILL.md:

Un cuestionario de nivelación de diez preguntas determina desde qué fase empezar y guarda un plan de estudio personalizado en LEARNING.md. Después, la skill learn enseña una lección por sesión: concepto, matemáticas, código y cuestionario. La skill course-guide te lleva a la lección exacta que necesitas. En Codex, invoca estas skills con learn y course-guide; en Claude Code, usa /learn y /course-guide; en otros hosts compatibles, pide la skill por su nombre.

¿Solo te interesa Model Context Protocol (MCP)? Usa la invocación de MCP correspondiente a tu host. Se crea MCP-LEARNING.md y se sigue una ruta de 17 lecciones que cubre solicitudes sin estado, transportes, comunicación bidireccional, seguridad, confiabilidad, gobernanza de registros y evidencias de conformidad. El orden y los puntos de control están definidos en el manifiesto de Model Context Protocol (MCP).

¿Solo te interesan las Agent Skills? Usa la invocación de Agent Skills de tu host. Se crea AGENT-SKILLS-LEARNING.md y se sigue una ruta coherente de cinco lecciones: contrato, descubrimiento, invocación, límites del entorno aislado y, por último, evaluaciones de publicación y portabilidad entre hosts reales. Empieza en la web con la ruta de Agent Skills.

El instalador muestra los hosts que puede configurar y pregunta dónde quieres instalar las skills. Si todavía no tienes Node.js, npx, python3, un host compatible o un ámbito con permisos de escritura, usa el sitio web o lee docs/en.md manualmente. Así aprenderás los conceptos, pero la evidencia sobre el descubrimiento y la invocación en un host real, la ejecución de scripts y la desinstalación tendrá que esperar hasta que puedas hacer la comprobación previa. Lee las lecciones en aiengineeringfromscratch.com.

Skills de aprendizaje

Sigue el mismo proceso en cada lección

1. Lee docs/en.md y explica la idea central con tus propias palabras.
2. Escribe y construye el código importante; no trates el bloque de código como decoración.
3. Ejecuta el comando de la lección desde la raíz del repositorio, el directorio que contiene README.md y phases/.
4. Guarda evidencias: el comando, el directorio de trabajo, el código de salida, la salida relevante y el artefacto que modificaste o creaste.
5. Continúa solo cuando puedas explicar la salida y hacer un pequeño cambio sin adivinar.

Los comandos de las lecciones usan rutas relativas a la raíz del repositorio, salvo que la lección indique expresamente que cambies de directorio. Si ofrece varias opciones de lenguaje, ejecuta la implementación del lenguaje que estás aprendiendo.

Requisitos previos

• Sabes programar en algún lenguaje; Python ayuda.
• Quieres entender cómo funciona realmente la IA, no limitarte a llamar APIs.

Por dónde empezar

Las lecciones 06–18 y 28–31 forman la ruta específica de Model Context Protocol (MCP). El orden del manifiesto es 06, 07, 08, 09, 10, 11, 12, 13, 14, 15, 16, 18, 17, 28, 29, 30 y 31. Iníciala con learn-mcp, usando la invocación específica de tu host. La lección 23 es el único proyecto final opcional y también requiere las lecciones 19 y 20.

Las lecciones 22 y 24–27 forman la ruta de Agent Skills, desde el contrato del paquete hasta las comprobaciones de publicación en un host real. Iníciala con la invocación de learn-agent-skills específica de tu host; no sigas la navegación numérica de la lección 22 a la 23.

Cada lección del banco de trabajo de la Fase 14 (31–42) incluye un archivo mission.md que informa al agente antes de abrir la documentación completa de la lección.

Las lecciones 31–46 forman la ruta de ingeniería asistida por agentes. El orden del manifiesto combina los fundamentos del banco de trabajo con la definición, planificación y delegación de tareas y con ciclos de retroalimentación duraderos. Las lecciones 47–54 forman la ruta de criterio de producto y entrega, que recorre el proceso desde definir resultados hasta reunir evidencias, evaluar riesgos, fijar el alcance y las métricas, publicar por etapas y asignar la responsabilidad del ciclo de retroalimentación.

Rutas de construcción profunda. Cada ruta es una serie de lecciones que construye desde cero un subsistema completo.

El plan de estudios básico de 20 fases de phases/ se publica también como una serie de seis libros. CI genera los archivos EPUB y PDF a partir de las mismas lecciones básicas y los adjunta a cada versión de GitHub; los enlaces de abajo siempre apuntan a la versión más reciente. Los números indican el orden de los volúmenes, no versiones: cada copia lleva la fecha de su edición, y las ediciones anteriores siguen disponibles en sus respectivas publicaciones.

Los planes de estudio de certificación no se incluyen en los libros. El estado del tutor de IA, los laboratorios ejecutables, las figuras interactivas, las evaluaciones diagnósticas y los exámenes cronometrados siguen estando disponibles en GitHub y en el sitio web.

El libro es una instantánea; este repositorio es la edición viva. Cada capítulo termina con enlaces a las figuras animadas, el cuestionario y el código ejecutable de la lección. Para compilarlo localmente, ejecuta python3 scripts/build_book.py (necesitas pandoc); consulta los detalles del proceso en book/README.md.

La Academia de certificación Claude es un programa de preparación gratuito y de código abierto para las cuatro certificaciones oficiales de Claude: Associate Foundations, Developer Foundations, Architect Foundations y Architect Professional. Cada ruta combina lecciones alineadas con el temario oficial, laboratorios ejecutables, una evaluación diagnóstica, un proyecto final y un examen de práctica original de extensión completa.

Usa la guía de incorporación a GitHub con tutoría de IA con Claude Code, Codex, ChatGPT, Cursor u otro agente. Ejecuta claude-certification en Codex, /claude-certification en Claude Code o pide a otro host que use claude-certification. La skill te ayuda a elegir una certificación, crea una ruta persistente en CLAUDE-CERTIFICATION.md, avanza paso a paso, ejecuta los laboratorios reales y ofrece comentarios basados en los artefactos. El mismo plan de estudios está disponible en el sitio web de certificación.

La academia ofrece material de estudio independiente basado en los objetivos públicos de los exámenes. No está afiliada a Anthropic, no reproduce preguntas de exámenes reales y no garantiza que apruebes.

El plan de estudios de certificación MCPA es un programa de preparación gratuito y de código abierto para el examen Model Context Protocol Associate de la Agentic AI Foundation, impartido a través de Linux Foundation Training. Sus 34 lecciones enseñan el protocolo sin estado de 2026-07-28 y abarcan los cinco dominios del examen: _meta por solicitud y server/discover en lugar del antiguo handshake, solicitudes con varios intercambios, suscripciones, caché, las extensiones Tasks y MCP Apps, autorización OAuth y los niveles de registro y SDK. Cada lección incluye un laboratorio ejecutable con la biblioteca estándar; su transcripción se comprueba para verificar el formato actual del protocolo. La ruta también incluye una evaluación diagnóstica, un proyecto final y tres exámenes de práctica originales y completos, con una distribución de preguntas acorde con los pesos publicados del temario.

Usa la guía de incorporación a GitHub con tutoría de IA con Claude Code, Codex, ChatGPT, Cursor u otro agente. Ejecuta mcpa-certification en Codex, /mcpa-certification en Claude Code o pide a otro host que use mcpa-certification. La skill crea una ruta persistente en MCPA-CERTIFICATION.md, avanza paso a paso, ejecuta los laboratorios reales y ofrece comentarios basados en los artefactos. El mismo plan de estudios está disponible en la página de la ruta MCPA.

Este plan de estudios es material de estudio independiente basado en los objetivos públicos de los exámenes. No está afiliado a la Agentic AI Foundation ni a Linux Foundation, no reproduce preguntas de exámenes reales y no garantiza que apruebes.

Estructura de una lección

Cada lección está en su propia carpeta y sigue la misma estructura en todo el plan de estudios:

phases/<NN>-<phase-name>/<NN>-<lesson-name>/
├── code/      implementaciones ejecutables (Python, TypeScript, Rust, Julia)
├── docs/
│   └── en.md  explicación de la lección
└── outputs/   prompts, skills, agentes o servidores MCP que produce esta lección

Cada lección tiene seis etapas. La secuencia Constrúyelo / Úsalo es la columna vertebral: primero implementas el algoritmo desde cero y después ejecutas lo mismo con la biblioteca de producción. Entiendes lo que hace el framework porque antes escribiste una versión más pequeña.

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'13px'}}}%%
flowchart LR
  M["IDEA CENTRAL<br/><sub>la esencia en una línea</sub>"] --> Pr["PROBLEMA<br/><sub>una dificultad concreta</sub>"]
  Pr --> C["CONCEPTO<br/><sub>diagramas e intuición</sub>"]
  C --> B["CONSTRÚYELO<br/><sub>matemáticas desde cero, sin frameworks</sub>"]
  B --> U["ÚSALO<br/><sub>lo mismo en PyTorch / sklearn</sub>"]
  U --> S["PUBLÍCALO<br/><sub>instrucción · habilidad · agente · MCP</sub>"]

Cada lección produce algo

Otros planes de estudio terminan con «¡Felicidades, aprendiste X!». Aquí, cada lección termina con una herramienta reutilizable que puedes instalar o incorporar a tu flujo de trabajo diario.

FIG_001 · A INSTRUCCIONES	FIG_001 · B HABILIDADES	FIG_001 · C Agentes	FIG_001 · D SERVIDORES MCP
Pega el contenido en cualquier asistente de IA para recibir ayuda experta con una tarea concreta.	Instálala en Claude, Cursor, Codex, OpenClaw, Hermes o cualquier agente que lea SKILL.md.	Despliégalos como trabajadores autónomos: tú mismo escribiste el ciclo en la Fase 14.	Conéctalo a cualquier cliente compatible con MCP. Se construye de principio a fin en la Fase 13.

Los artefactos de las lecciones. El repositorio incluye 414 skills y 100 prompts en phases/**/outputs/; instálalos con scripts/install_skills.py. Hace falta clonar el repositorio. La herramienta permite filtrar por etiquetas, hacer una ejecución de prueba y elegir una estructura para cada agente:

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> es el directorio de skills de tu agente (por ejemplo, ~/.claude/skills/, ~/.cursor/skills/, ~/.config/openclaw/skills/, .skills/ o cualquier ruta que lea tu agente).

De forma predeterminada, el script se niega a sobrescribir un destino existente y termina con código de salida 1 después de enumerar todas las rutas en conflicto. Usa --dry-run para ver los conflictos o --force para sobrescribirlos. Cada ejecución que no sea de prueba escribe un manifest.json en el destino, con el inventario completo agrupado por tipo y fase. Elige la estructura que lea tu agente:

El proyecto final de la Fase 14 incluye un paquete reutilizable de Agent Workbench (AGENTS.md, esquemas y scripts de inicialización, verificación y transferencia). Puedes generarlo en cualquier repositorio con:

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

El paquete configura las siete partes del banco de trabajo, crea un task_board.json inicial y un agent_state.json nuevo con schema_version: 1. Después, edita la tarea y AGENTS.md, ejecuta scripts/init_agent.py y entrega el contrato a tu agente. El código fuente del paquete está en phases/14-agent-engineering/42-agent-workbench-capstone/outputs/agent-workbench-pack/.

scripts/build_catalog.py recorre cada fase, lección y artefacto del disco, y escribe catalog.json en la raíz del repositorio. Un archivo contiene toda la información del curso.

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

El catálogo se genera a partir del sistema de archivos, no del README, así que las cantidades siempre coinciden con el contenido real del disco. Úsalo para compilar el sitio, crear herramientas derivadas o comprobar que las cantidades del README no hayan cambiado. El esquema se documenta al principio del script.

El flujo del currículo genera catalog.json como artefacto temporal excluido por Git. No lo incluyas en un commit. El mismo flujo ejecuta audit_lessons.py como comprobación bloqueante.

scripts/lesson_run.py compila todos los archivos .py de los directorios code/ de las lecciones. De forma predeterminada, solo comprueba la sintaxis: no ejecuta el código, no requiere claves de API ni dependencias pesadas de ML. Detecta los errores más comunes que introducen las contribuciones: sangría incorrecta, f-strings rotas y ediciones accidentales.

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 ejecuta code/main.py de cada lección (o el primer archivo .py) con un límite de 10 segundos. Omite las lecciones cuyo archivo de entrada incluye un comentario # requires: pkg1, pkg2 con dependencias que no pertenecen a la biblioteca estándar, e indica needs <deps> como motivo. Es una opción voluntaria que no forma parte de CI.

Solo usa la biblioteca estándar; requiere Python 3.10 o posterior. Define LINK_CHECK_SKIP=domain1,domain2 para reemplazar la lista predeterminada de dominios omitidos (twitter.com, x.com, linkedin.com, instagram.com, medium.com), que bloquean con frecuencia las solicitudes HEAD/GET automatizadas.

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