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 système candidat améliore le NDCG moyen tandis qu’une requête classe plus bas ses preuves les plus pertinentes. Construisez une comparaison requête par requête qui signale la régression et peut faire échouer un contrôle de livraison.

Utilisez Python 3.10+. Révisez RAG et l’évaluation des modèles. Implémentez la validation des classements, la précision et le rappel, les métriques sensibles au rang, puis la comparaison des systèmes.

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

À conserver : une comparaison reproductible avec les écarts par requête et les jugements utilisés pour les noter. Les métriques décrivent ces jugements ; elles n’établissent pas l’exactitude des réponses.

Commencer le projet · Examiner la référence · Exécuter avec vos propres entrées

Une trace fournie dure toujours 100 ms, mais la consommation totale augmente de 200 tokens et un segment commence à échouer. Distinguez le travail des segments enfants qui se chevauchent du temps d’exécution du parent, puis produisez un rapport montrant le changement.

Utilisez Node.js 22.18+ et Python 3 pour l’évaluateur. Implémentez l’analyse JSONL, la validation des liens parents, l’arithmétique des intervalles, puis une chronologie consultable.

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

À conserver : la trace d’entrée, une chronologie HTML et un rapport de régression JSON. Conservez les comptes de tokens exclusifs à chaque segment afin de ne pas compter deux fois la consommation du parent et de ses enfants.

Commencer le projet · Examiner la référence · Explorer les durées de manière interactive

Une écriture change après validation, ou une approbation est réutilisée. Validez l’enveloppe de l’appel, vérifiez le rôle et le chemin de l’appelant, puis consommez une approbation liée à la requête et au contenu exacts.

Utilisez Rust et Python 3.10+. Révisez la conception des schémas d’outils et les frontières de sécurité. L’application appelante fournit l’identité ; le modèle propose une opération.

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

À conserver : un reçu d’audit indiquant l’opération demandée et la décision de la politique. Chaque approbation est à usage unique au sein d’une invocation ; ce projet ne fournit ni autorisation persistante ni bac à sable du système d’exploitation.

Commencer le projet · Examiner la référence · Explorer les limites d’approbation

Vérifiez d’abord que les outils nécessaires sont installés :

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

skills installe les fichiers dans l’hôte et l’emplacement choisis, par exemple .claude/skills/, .cursor/skills/ ou .codex/skills/. Vérifiez que l’hôte sélectionné détecte bien cet emplacement.

La syntaxe d’invocation dépend de l’hôte, et non du format portable SKILL.md :

Un quiz d’orientation de dix questions détermine votre phase de départ à partir de vos connaissances et enregistre un plan personnalisé dans LEARNING.md. Ensuite, le skill learn enseigne une leçon par séance selon quatre étapes : concept, mathématiques, code et quiz. Il diffuse les leçons directement depuis ce dépôt ; le skill course-guide vous indique précisément quelle leçon consulter lorsque vous êtes bloqué. Dans Codex, lancez-les avec learn et course-guide ; dans Claude Code, utilisez /learn et /course-guide. Sur les autres hôtes compatibles, demandez le skill par son nom.

Vous ne souhaitez étudier que le Model Context Protocol (MCP) ? Utilisez l’invocation MCP correspondant à votre hôte. Le parcours crée MCP-LEARNING.md et suit 17 leçons sur les requêtes sans état, les transports, les opérations bidirectionnelles, la sécurité, la fiabilité, la gouvernance des registres et les preuves de conformité. L’ordre et les points de contrôle sont définis dans le manifeste du parcours MCP.

Vous souhaitez étudier uniquement les Agent Skills ? Utilisez l’invocation correspondante à votre hôte. Le parcours crée AGENT-SKILLS-LEARNING.md et suit cinq leçons cohérentes : contrat, découverte, invocation, limites de la sandbox, puis évaluation avant publication et portabilité entre hôtes réels. Commencez sur le site avec le parcours Agent Skills.

L’installateur indique les hôtes qu’il peut configurer et vous demande où installer les skills. S’il vous manque encore Node.js, npx, python3, un hôte compatible ou un emplacement accessible en écriture, consultez le site ou lisez docs/en.md. Vous pourrez apprendre les concepts, mais les vérifications de découverte, d’invocation, d’exécution de scripts et de désinstallation sur un hôte réel devront attendre que ces prérequis soient réunis. Retrouvez les leçons sur aiengineeringfromscratch.com.

Les skills d’apprentissage

Suivez chaque leçon de la même façon

1. Lisez docs/en.md et expliquez l’idée centrale avec vos propres mots.
2. Saisissez et construisez le code essentiel au lieu de traiter le bloc de code comme un simple ornement.
3. Exécutez la commande de la leçon depuis la racine du dépôt, c’est-à-dire le répertoire qui contient README.md et phases/.
4. Conservez des preuves : la commande, le répertoire de travail, le code de sortie, les résultats utiles et l’artefact modifié ou produit.
5. Poursuivez seulement lorsque vous savez expliquer le résultat et effectuer une petite modification sans tâtonner.

Les commandes indiquées dans les leçons utilisent des chemins relatifs à la racine du dépôt, sauf si la leçon demande explicitement de changer de répertoire. Si elle propose plusieurs langages, exécutez l’implémentation qui correspond au langage que vous apprenez.

Prérequis

• Vous savez écrire du code, dans n’importe quel langage (Python est utile).
• Vous voulez comprendre comment l’IA fonctionne vraiment, pas seulement appeler des API.

Où commencer

Les leçons 06 à 18 et 28 à 31 constituent le parcours ciblé Model Context Protocol (MCP). L’ordre du manifeste est 06, 07, 08, 09, 10, 11, 12, 13, 14, 15, 16, 18, 17, 28, 29, 30, 31. Commencez avec l’invocation learn-mcp correspondant à votre hôte. La leçon 23 est le seul projet de synthèse facultatif de ce parcours ; elle nécessite aussi les leçons 19 et 20.

Les leçons 22 et 24 à 27 constituent le parcours d’apprentissage Agent Skills, du contrat de paquetage jusqu’aux étapes de validation avant publication sur un hôte réel. Lancez-le avec learn-agent-skills, selon les instructions ci-dessus ; ne suivez pas la navigation numérique de la leçon 22 à la leçon 23.

Chaque leçon de la phase 14 (31 à 42) fournit un fichier mission.md qui informe l’agent avant qu’il ouvre la documentation complète de la leçon.

Les leçons 31 à 46 constituent le parcours d’ingénierie assistée par des agents. L’ordre du manifeste associe les fondements de l’environnement de travail à la définition des tâches, à la planification, à la délégation et à la rétroaction durable. Les leçons 47 à 54 constituent le parcours de définition du produit et de livraison, qui va de la définition du résultat attendu aux preuves, aux risques, au périmètre, aux mesures, au déploiement par étapes et à la responsabilité des retours.

Parcours de construction approfondie — suites de leçons pour construire un sous-système complet depuis zéro.

Le cursus de base en 20 phases, dans phases/, est également publié sous forme d’une série de six livres. Les éditions EPUB et PDF sont générées par l’intégration continue à partir des mêmes leçons et jointes à chaque publication GitHub ; les liens ci-dessous pointent toujours vers la dernière édition. Les numéros identifient les volumes, et non les versions : chaque exemplaire porte la date de son édition et les éditions précédentes restent téléchargeables depuis leur publication.

Les programmes de certification ne sont pas transformés en livres : le tutorat IA, les laboratoires exécutables, les figures interactives, les diagnostics et les examens blancs chronométrés restent accessibles en priorité sur GitHub et sur le site.

Le livre est un instantané ; ce dépôt est l’édition vivante. Chaque chapitre renvoie aux figures animées de la leçon, au quiz et au code exécutable. Pour générer les livres en local, exécutez python3 scripts/build_book.py (Pandoc est requis). Le pipeline est décrit dans book/README.md.

La Claude Certification Academy est un programme de préparation gratuit et open source pour les quatre certifications Claude officielles : Associate Foundations, Developer Foundations, Architect Foundations et Architect Professional. Chaque parcours associe des leçons alignées sur le référentiel, des laboratoires exécutables, un diagnostic, un projet de synthèse et un examen blanc original en conditions complètes.

Suivez le guide de démarrage GitHub avec un assistant IA avec Claude Code, Codex, ChatGPT, Cursor ou un autre agent. Lancez claude-certification dans Codex, /claude-certification dans Claude Code, ou demandez à un autre hôte d’utiliser claude-certification. Le skill vous fait choisir un parcours, crée une feuille de route persistante dans CLAUDE-CERTIFICATION.md, enseigne une étape à la fois, lance les vrais laboratoires et fournit un retour fondé sur vos artefacts. Le même programme est disponible sur le site des certifications.

L’Academy est un support d’étude indépendant fondé sur les objectifs d’examen publics. Elle n’est affiliée ni à Anthropic ni à ses certifications, ne reproduit pas de questions d’examens en cours et ne garantit pas la réussite.

Le programme de certification MCPA prépare gratuitement et en open source à l’examen MCP Associate de l’Agentic AI Foundation, proposé par Linux Foundation Training. Ses 34 leçons enseignent le protocole sans état du 2026-07-28 et couvrent les cinq domaines de l’examen : _meta par requête et server/discover à la place de l’ancien handshake, les requêtes en plusieurs allers-retours, les abonnements et la mise en cache, les extensions Tasks et MCP Apps, l’autorisation OAuth, ainsi que les niveaux registre et SDK. Chaque leçon comprend un laboratoire exécutable avec la bibliothèque standard, dont la transcription est vérifiée selon le format actuel du protocole. Le parcours ajoute un diagnostic, un projet de synthèse et trois examens blancs originaux en conditions complètes, dont les questions suivent les pondérations du référentiel publié.

Suivez le guide de démarrage GitHub avec un assistant IA avec Claude Code, Codex, ChatGPT, Cursor ou un autre agent. Lancez mcpa-certification dans Codex, /mcpa-certification dans Claude Code, ou demandez à un autre hôte d’utiliser mcpa-certification. Le skill crée une feuille de route persistante dans MCPA-CERTIFICATION.md, enseigne une étape à la fois, lance les vrais laboratoires et fournit un retour fondé sur vos artefacts. Consultez la page du parcours MCPA.

Ce programme est un support d’étude indépendant fondé sur les objectifs d’examen publics. Il n’est affilié ni à l’Agentic AI Foundation ni à Linux Foundation, ne reproduit pas les questions d’examens en cours et ne garantit pas la réussite.

La structure d’une leçon

Chaque leçon se trouve dans son propre dossier et suit la même structure dans tout le cursus :

phases/<NN>-<phase-name>/<NN>-<lesson-name>/
├── code/      implémentations exécutables (Python, TypeScript, Rust, Julia)
├── docs/
│   └── en.md  texte pédagogique de la leçon
└── outputs/   prompts, skills, agents ou serveurs MCP produits par cette leçon

Chaque leçon suit six étapes. La séquence Build It / Use It en est le cœur : vous implémentez d’abord l’algorithme depuis zéro, puis vous exécutez la même opération avec la bibliothèque utilisée en production. Comme vous avez écrit vous-même une version simplifiée, vous comprenez ce que fait le framework.

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'13px'}}}%%
flowchart LR
  M["IDÉE CLÉ<br/><sub>le principe en une phrase</sub>"] --> Pr["PROBLÈME<br/><sub>une difficulté concrète</sub>"]
  Pr --> C["NOTION<br/><sub>schémas et intuition</sub>"]
  C --> B["CONSTRUIRE<br/><sub>les mathématiques, sans framework</sub>"]
  B --> U["UTILISER<br/><sub>la même chose dans PyTorch / sklearn</sub>"]
  U --> S["PUBLIER<br/><sub>invite · compétence · agent · MCP</sub>"]

Chaque leçon produit un artefact

Les autres cursus se terminent par : « Félicitations, vous avez appris X. » Ici, chaque leçon débouche sur un outil réutilisable que vous pouvez installer ou intégrer à votre travail quotidien.

FIG_001 · A INVITES	FIG_001 · B COMPÉTENCES	FIG_001 · C AGENTS AUTONOMES	FIG_001 · D SERVEURS MCP
Collez le prompt dans n’importe quel assistant IA pour obtenir une aide experte sur une tâche précise.	Installez la skill dans Claude, Cursor, Codex, OpenClaw, Hermes ou tout agent qui lit SKILL.md.	Déployez-le comme travailleur autonome : vous avez écrit la boucle vous-même en phase 14.	Connectez-le à n’importe quel client compatible MCP. Le serveur est construit de bout en bout en phase 13.

Artefacts des leçons. Le dépôt contient 414 skills et 100 prompts dans phases/**/outputs/. Installez-les avec scripts/install_skills.py ; le script nécessite un clone du dépôt et prend en charge les filtres par tag, les simulations sans écriture et plusieurs dispositions adaptées aux agents :

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> désigne le dossier de skills de votre agent (par exemple : ~/.claude/skills/, ~/.cursor/skills/, ~/.config/openclaw/skills/, .skills/ ou tout autre chemin lu par votre agent).

Par défaut, le script refuse d’écraser un fichier existant et renvoie le code 1 après avoir listé tous les chemins en conflit. Utilisez --dry-run pour prévisualiser ces conflits ou --force pour les écraser. Toute exécution autre qu’une simulation écrit un manifest.json dans le dossier cible, avec l’inventaire complet classé par type et par phase. Choisissez la disposition prise en charge par votre agent :

Le projet de synthèse de la phase 14 fournit un kit réutilisable d’environnement de travail pour agents (AGENTS.md, schémas et scripts d’initialisation, de vérification et de transfert). Ajoutez-le à n’importe quel dépôt avec :

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

Vous obtenez les sept composants de l’environnement prêts à l’emploi, un fichier de départ task_board.json et un nouveau agent_state.json avec schema_version: 1. Modifiez ensuite la tâche et AGENTS.md, exécutez scripts/init_agent.py, puis transmettez le contrat à votre agent. Le kit se trouve dans phases/14-agent-engineering/42-agent-workbench-capstone/outputs/agent-workbench-pack/.

scripts/build_catalog.py parcourt toutes les phases, les leçons et les ressources présentes sur le disque, puis écrit catalog.json à la racine du dépôt. Un seul fichier décrit tout le cursus.

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

Le catalogue est généré à partir du système de fichiers, et non du README : ses nombres correspondent donc toujours au contenu réel du dépôt. Utilisez-le pour générer le site, alimenter d’autres outils ou vérifier que les comptes du README n’ont pas dérivé. Le schéma est décrit au début du script.

Le workflow du programme génère catalog.json comme artefact temporaire ignoré par Git. Ne le commitez pas. Ce même workflow exécute audit_lessons.py comme contrôle bloquant.

scripts/lesson_run.py compile en bytecode chaque fichier .py du dossier code/ de chaque leçon. Par défaut, il vérifie uniquement la syntaxe : aucun code n’est exécuté, aucune clé API ni dépendance lourde de ML n’est nécessaire. Il détecte les régressions les plus fréquentes dans les contributions (indentation incorrecte, chaînes f-string cassées et modifications accidentelles).

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 exécute le fichier code/main.py de chaque leçon (ou, à défaut, le premier fichier .py) avec un délai maximal de 10 secondes. Les leçons dont le fichier d’entrée commence par un commentaire # requires: pkg1, pkg2 indiquant des dépendances hors bibliothèque standard sont ignorées avec la raison needs <deps>. Cette option est facultative et n’est pas intégrée à la CI.

Bibliothèque standard uniquement, Python 3.10 ou ultérieur. Définissez LINK_CHECK_SKIP=domain1,domain2 pour remplacer la liste d’exclusion par défaut (twitter.com, x.com, linkedin.com, instagram.com, medium.com), des domaines qui bloquent agressivement les requêtes HEAD/GET automatisées.

• 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