rohitg00/ai-engineering-from-scratch

rohitg00/ai-engineering-from-scratch has 78,173 GitHub stars and 13,896 forks. GitHot measured +321 stars in 24 hours, +1,710 in 7 days, and +3,925 in 15 days. Last checked 2026-11-10 03:19 UTC. Last push 2026-10-29.

이 수치를 측정하는 방법

AI 엔지니어링을 배우세요. 익히고, 직접 만들고, 다른 사람을 위해 출시하세요.

78,173 스타 13,896 forks +321 in 24h

측정된 스타 증가

in 24h: +321
in 7 days: +1,710
in 15 days: +3,925
in 1 month: 업데이트 지연

서로 겹치는 기간의 순증가량이며 일별 합계가 아닙니다. 측정값이 없으면 비워 둡니다. 스타는 관심도를 나타내며 품질을 보장하지 않습니다.

i18n/ko/README.md

Original

_{AI의 도움을 받은 번역입니다. 기준 문서는 영어판입니다.}

처음부터 배우는 AI 엔지니어링

모델 내부 연산, 검색 파이프라인, 에이전트 런타임을 구현하세요. 테스트하고 실패를 분석하며 코드와 평가 결과를 보관하세요.

학습 시작 · 학습 경로 선택 · 실습 체험 · 프로젝트 만들기 · 교육과정 둘러보기

무료이며 오픈 소스이고 MIT 라이선스로 제공됩니다. 웹사이트에서, 코딩 에이전트와 함께, 또는 로컬 코드를 실행하며 배우세요.

542 수업. 20단계. Python, TypeScript, Rust, Julia.

원하는 언어로 읽기

🇬🇧 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

후원사

_{여러분의 후원으로 모든 레슨을 무료 오픈소스로 유지할 수 있습니다. 모든 후원자 보기 · 후원자가 되세요}

학습 경로

경로	첫 수업
모델의 토대	환경 설정과 도구
LLM 시스템	프롬프트 엔지니어링
에이전트와 전달	에이전트 루프

커리어 경로 비교 · 선수 지식과 학습 시간

경사 하강법

20개의 시작점이 이차 손실 함수 위에서 경사 하강법에 따라 이동합니다. 그래프는 각 업데이트 후의 위치와 평균 손실을 보여 줍니다.

수업에서 학습률 조정 · 코드로 GD, 모멘텀, Adam 비교

프로젝트

단계별 시작 코드, 참조 구현, 로컬 채점기가 있는 세 프로젝트입니다. 환경 설정 후 저장소 루트에서 명령을 실행하세요. 각 단계를 구현할 때까지 시작 코드는 검사에 실패합니다.

01 · 검색 평가 실습 · Python · 순위 지표와 성능 저하 검사

후보 시스템의 평균 NDCG는 높아지지만 한 질의에서 가장 관련성 높은 근거의 순위는 낮아집니다. 질의별 비교를 구현해 성능 저하를 보고하고 출시 검사를 실패시킬 수 있게 하세요.

Python 3.10+를 사용하세요. RAG와 모델 평가을 복습하세요. 순위 검증, 정밀도와 재현율, 순위에 민감한 지표, 시스템 비교 순으로 구현하세요.

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

보관할 것: 질의별 차이와 점수에 사용한 관련성 판정을 포함한 재현 가능한 비교 결과. 지표는 해당 판정에 대한 결과를 나타내며 답변의 정확성을 입증하지는 않습니다.

프로젝트 시작 · 참조 구현 살펴보기 · 자신의 입력으로 실행

02 · 에이전트 추적 디버거 · TypeScript · 추적 파싱과 시간 계산

제공된 추적의 소요 시간은 여전히 100 ms이지만 총 토큰 사용량은 200 늘어나고 한 스팬이 실패하기 시작합니다. 겹치는 자식 스팬의 작업과 부모 스팬 자체의 실행 시간을 구분하고 변화를 드러내는 보고서를 만드세요.

Node.js 22.18+와 채점기용 Python 3을 사용하세요. JSONL 파싱, 부모 관계 검증, 구간 연산, 살펴볼 수 있는 타임라인 순으로 구현하세요.

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

보관할 것: 입력 추적, HTML 타임라인, JSON 성능 저하 보고서. 부모와 자식의 사용량을 중복 집계하지 않도록 각 스팬 자체가 사용한 토큰 수만 기록하세요.

프로젝트 시작 · 참조 구현 살펴보기 · 시간 계산을 대화형으로 탐색

03 · 도구 호출 방화벽 · Rust · 역할 검사와 승인 기록

검토 후 쓰기 내용이 바뀌거나 승인이 재사용되는 상황을 다룹니다. 호출 봉투를 검증하고 호출자의 역할과 경로를 확인한 다음, 정확한 요청과 내용에 연결된 승인을 소모하세요.

Rust와 Python 3.10+를 사용하세요. 도구 스키마 설계와 보안 경계를 복습하세요. 호출 애플리케이션이 신원을 제공하고 모델은 작업을 제안합니다.

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

보관할 것: 요청된 작업과 정책 결정을 보여 주는 감사 기록. 승인은 한 번의 호출 안에서 한 번만 사용할 수 있습니다. 이 프로젝트는 영구적인 권한 부여나 운영체제 샌드박스를 제공하지 않습니다.

프로젝트 시작 · 참조 구현 살펴보기 · 승인 경계 탐색

모든 프로젝트 보기 · 커리어 실무 안내

학습 방식 선택

웹사이트에서 학습

aiengineeringfromscratch.com에서 완료된 레슨을 열거나 목차에서 단계를 펼쳐 보세요. 설정이나 복제가 필요하지 않습니다.

AI 튜터와 학습

Node.js, npx, 스킬을 지원하는 코딩 에이전트가 이미 설치되어 있다면 코딩 에이전트를 튜터로 사용할 수 있습니다. 튜터를 설치하거나 읽는 데 저장소 복제는 필요하지 않습니다. 특정 학습 경로의 실습을 실행하려면 python3가 필요합니다. Agent Skills 호스트 실습에는 사용할 호스트를 선택하고 쓰기 가능한 사용자 또는 프로젝트 스킬 범위를 지정해야 합니다.

npx skills add rohitg00/ai-engineering-from-scratch

설치 프로그램이 물으면 호스트와 범위를 선택하세요. Codex에서는 start-learning, Claude Code에서는 /start-learning을 사용하거나 호스트에 스킬 이름으로 사용을 요청하세요.

튜터 설정과 호스트 명령어

먼저 로컬 요건을 확인하세요.

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

skills는 설치 중 선택한 호스트와 범위에 파일을 씁니다. 예를 들어 .claude/skills/, .cursor/skills/, .codex/skills/에 기록합니다. 선택한 호스트가 해당 경로를 실제로 검색하는지 확인하세요.

호출 문법은 호스트마다 다르며, 이식 가능한 SKILL.md 형식에 포함되지 않습니다.

호스트	코스 시작	Model Context Protocol(MCP) 시작	Agent Skills 시작	단계 퀴즈 실행
Codex	`start-learning`을 사용하거나 `/skills`에서 선택	`learn-mcp`를 사용하거나 `/skills`에서 선택	`learn-agent-skills`를 사용하거나 `/skills`에서 선택	`check-understanding 13`을 사용하거나 `/skills`에서 선택
Claude Code	`/start-learning`	`/learn-mcp`	`/learn-agent-skills`	`/check-understanding 13`
기타 호환 호스트	`Use start-learning to begin the course.`	`Use learn-mcp to start the Model Context Protocol (MCP) path.`	`Use learn-agent-skills to start the Agent Skills Engineering path.`	`Use check-understanding to quiz me on Phase 13.`

10문항 수준 진단 퀴즈로 이미 아는 내용을 확인해 시작 단계를 정하고, 개인별 학습 계획을 LEARNING.md에 저장합니다. 이후 learn 스킬이 한 세션에 한 레슨씩 개념, 수학, 코드, 퀴즈를 가르칩니다. 레슨은 이 저장소에서 바로 제공됩니다. course-guide 스킬은 막힌 내용을 다루는 정확한 레슨으로 안내합니다. Codex에서는 learn과 course-guide를 호출하고, Claude Code에서는 /learn과 /course-guide를 사용합니다. 다른 호환 호스트에서는 스킬 이름을 지정해 사용을 요청하세요.

Model Context Protocol(MCP)만 배우려면 호스트에 맞는 MCP 호출 방법을 사용하세요. MCP-LEARNING.md를 만들고 무상태 요청, 전송 방식, 양방향 작업, 보안, 신뢰성, 레지스트리 거버넌스, 적합성 근거를 다루는 17개 레슨 경로를 따릅니다. 정확한 순서와 체크포인트는 Model Context Protocol(MCP) 매니페스트에 있습니다.

Agent Skills만 배우려면 호스트에 맞는 Agent Skills 호출 방법을 사용하세요. AGENT-SKILLS-LEARNING.md를 만들고 계약, 탐색, 호출, 샌드박스 경계, 평가를 통한 출시, 실제 호스트 간 이식성을 다루는 일관된 5개 레슨 경로를 따릅니다. 웹에서는 Agent Skills 경로에서 시작할 수 있습니다.

설치 프로그램은 설정할 수 있는 호스트를 나열하고 설치 위치를 묻습니다. Node.js, npx, python3, 지원되는 호스트 또는 쓰기 가능한 범위가 아직 없다면 웹사이트를 이용하거나 docs/en.md를 직접 읽으세요. 이 경로로 개념을 익힐 수 있지만, 실제 호스트 검색, 호출, 스크립트, 제거 근거는 사전 점검을 실행할 수 있을 때까지 보류됩니다. aiengineeringfromscratch.com에서 레슨을 읽을 수 있습니다.

학습 스킬

스킬	기능
`start-learning`	최초 안내를 진행합니다. 학습 목적을 묻고 수준 진단 퀴즈를 내며 개인별 계획을 `LEARNING.md`에 저장합니다.
`learn`	튜터 루프를 진행합니다. 워밍업 복습 후 다음 레슨을 대화형으로 가르치고 퀴즈를 내며, 진행 상황과 복습 대기열을 기록합니다.
`course-guide`	주제를 찾아 줍니다. “어텐션은 어디서 배우나요?” 또는 “손실이 NaN입니다”와 같은 질문에 알맞은 레슨과 링크를 안내합니다.
`learn-mcp`	Model Context Protocol(MCP) 전용 튜터입니다. `MCP-LEARNING.md`를 만들고 17개 레슨 매니페스트를 따르며, 와이어 형식, 보안, 신뢰성, 적합성 근거를 기록합니다.
`learn-agent-skills`	Agent Skills 전용 튜터입니다. `AGENT-SKILLS-LEARNING.md`를 만들고 레슨 22, 24, 25, 26, 27을 가르치며 실제 호스트 근거를 기록합니다.
`learn-reverse-engineering`	리버스 엔지니어링 전용 튜터입니다. `REVERSE-ENGINEERING-LEARNING.md`를 만들고 직접 빌드한 프로그램으로 13단계 레슨 32부터 45까지 가르치며 실습 근거를 기록합니다.
`claude-certification`	인증 튜터입니다. CCAO-F, CCDV-F, CCAR-F, CCAR-P 중 트랙을 선택하고 각 레슨을 가르치며 실습을 실행하고 산출물을 검토합니다. 진단과 모의시험을 진행하고 진도를 저장합니다.
`mcpa-certification`	MCPA 튜터입니다. 2026-07-28 프로토콜의 34개 레슨 `mcpa-f` 경로를 따라가며 레슨과 실습, 와이어 검사기를 실행하고 진단 및 모의시험 3회를 진행한 뒤 진도를 저장합니다.
`find-your-level`	10문항 수준 진단 퀴즈로 지식을 시작 단계에 연결하고 예상 시간이 포함된 개인별 경로를 만듭니다.
`check-understanding <phase>`	단계별 8문항 퀴즈를 내고 피드백과 복습할 레슨을 제안합니다. 위 호출 표의 Codex, Claude Code 또는 자연어 형식을 사용하세요.

로컬 코드 실행

git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
cd ai-engineering-from-scratch
python3 phases/00-setup-and-tooling/01-dev-environment/code/verify.py --route beginner
python3 phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.py

사전 점검은 지금 필요한 요건과 나중에 필요한 도구를 구분합니다. 필수 점검에 실패하면 감지된 원인과 해결 명령을 표시합니다. vectors.py 명령은 의존성이 없는 레슨을 실행하며, 행렬과 벡터의 곱이 신경망 계층 내부에서 수행되는 연산임을 보여 줍니다. 터미널 출력을 첫 실행 근거로 저장하세요.

모든 레슨을 같은 방식으로 활용하세요

읽기: docs/en.md를 읽고 핵심 개념을 자신의 말로 설명합니다.
직접 입력하고 만들기: 코드 블록을 장식처럼 보는 데 그치지 말고 중요한 코드를 직접 입력해 구현합니다.
실행하기: README.md와 phases/가 있는 저장소 루트에서 레슨 명령을 실행합니다.
근거 남기기: 명령, 작업 디렉터리, 종료 코드, 의미 있는 출력, 변경하거나 만든 산출물을 기록합니다.
계속 진행하기: 출력을 설명하고 추측 없이 작은 변경 하나를 할 수 있을 때 다음으로 넘어갑니다.

레슨 페이지의 명령은 디렉터리를 변경하라고 명시한 경우를 제외하면 저장소 루트를 기준으로 한 경로입니다. 레슨에 여러 언어 구현이 있으면 학습 중인 언어의 구현을 실행하세요.

학습 경로 선택

시작하기 전에 542개 레슨을 모두 훑어볼 필요는 없습니다. 목표 하나를 고르세요. 각 링크는 GitHub 또는 웹사이트에서 같은 교육과정을 엽니다. 두 버전 모두 같은 레슨 코드를 사용합니다.

목표	GitHub에서 학습	웹사이트에서 학습
입문자로서 기초를 모두 다지고 싶습니다	0단계: 설정 및 도구	개발 환경
Python을 알고 있으며 수학과 머신러닝 기초를 배우고 싶습니다	1단계: 수학 기초	선형대수 직관
프로덕션용 LLM 애플리케이션을 만들고 싶습니다	11단계: LLM 엔지니어링	프롬프트 엔지니어링
에이전트를 만들고 싶습니다	14단계: 에이전트 엔지니어링	에이전트 루프
실제 저장소에서 코딩 에이전트를 사용하고 싶습니다	에이전트 지원 엔지니어링 학습 경로	에이전트 지원 엔지니어링
구현 전에 무엇을 만들지 올바르게 판단하고 싶습니다	제품 판단 및 전달 학습 경로	제품 판단 및 전달

어디서 시작해야 할지 모르겠다면 start-learning 수준 진단 튜터 또는 웹사이트 사전 요건 안내를 이용하세요.

4개 핵심 분야와 6개 진로를 AI 엔지니어링 학습 경로에서 비교해 보세요.

MCP, Agent Skills, 리버스 엔지니어링 집중 경로

목표	GitHub에서 학습	웹사이트에서 학습
Model Context Protocol(MCP)로 구축하고 싶습니다	Model Context Protocol(MCP) 학습 경로	Model Context Protocol(MCP) 경로
Agent Skills를 작성하고 배포하고 싶습니다	집중 Agent Skills 학습 경로	Agent Skills 경로
컴파일된 프로그램을 읽고 싶습니다	집중 리버스 엔지니어링 학습 경로	리버스 엔지니어링 경로

선수 지식과 학습 시간

사전 요건

어떤 언어로든 코드를 작성할 수 있어야 합니다(Python을 알면 도움이 됩니다).
API를 호출하는 데 그치지 않고 AI가 실제로 어떻게 작동하는지 이해하고 싶어야 합니다.

어디서 시작할까요

현재 배경	시작 단계	예상 시간
프로그래밍과 AI가 처음입니다	0단계 — 설정	약 306시간
Python을 알고 머신러닝은 처음입니다	1단계 — 수학 기초	약 270시간
머신러닝을 알고 딥러닝은 처음입니다	3단계 — 딥러닝 핵심	약 200시간
딥러닝을 알고 LLM과 에이전트를 배우고 싶습니다	10단계 — LLM 처음부터 구현	약 100시간
시니어 엔지니어이며 에이전트 엔지니어링만 배우고 싶습니다	14단계 — 에이전트 엔지니어링	약 60시간
프로덕션 MCP 시스템만 구축하고 싶습니다	Model Context Protocol(MCP) 경로	약 23시간 15분
프로덕션 Agent Skills만 만들고 싶습니다	Agent Skills 엔지니어링 경로	약 9.5시간
리버스 엔지니어링만 배우고 싶습니다	리버스 엔지니어링 경로	약 32.5시간

커리큘럼의 구조

20개 단계가 차곡차곡 쌓입니다. 수학이 기초이고 에이전트와 프로덕션이 꼭대기입니다. 아래 단계를 이미 알고 있다면 앞부분을 건너뛰어도 됩니다. 다만 기초를 건너뛰고 나서 상위 단계가 왜 고장 나는지 고민하지는 마세요.

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'12px'}}}%%
flowchart TB
  P0["0단계 — 설정 및 도구"] --> P1["1단계 — 수학 기초"]
  P1 --> P2["2단계 — 머신러닝 기초"]
  P2 --> P3["3단계 — 딥러닝 핵심"]
  P3 --> P4["4단계 — 컴퓨터 비전"]
  P3 --> P5["5단계 — 자연어 처리"]
  P3 --> P6["6단계 — 음성 및 오디오"]
  P3 --> P9["9단계 — 강화학습"]
  P5 --> P7["7단계 — 트랜스포머"]
  P7 --> P8["8단계 — 생성형 AI"]
  P7 --> P10["10단계 — LLM 처음부터 구현"]
  P10 --> P11["11단계 — LLM 엔지니어링"]
  P10 --> P12["12단계 — 멀티모달 AI"]
  P11 --> P13["13단계 — 도구 및 프로토콜"]
  P13 --> P14["14단계 — 에이전트 엔지니어링"]
  P14 --> P15["15단계 — 자율 시스템"]
  P15 --> P16["16단계 — 멀티 에이전트와 스웜"]
  P14 --> P17["17단계 — 인프라 및 프로덕션"]
  P15 --> P18["18단계 — 윤리와 정렬"]
  P16 --> P19["19단계 — 캡스톤 프로젝트"]
  P17 --> P19
  P18 --> P19

#	레슨	유형	언어
01	개발 환경	구현	Python
02	Git과 협업	학습	—
03	GPU 설정과 클라우드	구현	Python
04	API와 키	구현	Python
05	Jupyter 노트북	구현	Python
06	Python 환경	구현	Shell
07	AI용 Docker	구현	Docker
08	에디터 설정	구현	—
09	데이터 관리	구현	Python
10	터미널과 셸	학습	—
11	AI를 위한 Linux	학습	—
12	디버깅과 프로파일링	구현	Python
13	AI 엔지니어링을 위한 Python	구현	Python

1단계 — 수학 기초 22 개 레슨 코드를 통해 모든 AI 알고리즘의 바탕이 되는 직관을 익힙니다.

#	레슨	유형	언어
01	선형대수 직관	학습	Python, Julia
02	벡터, 행렬과 연산	구현	Python, Julia
03	행렬 변환과 고윳값	구현	Python, Julia
04	머신러닝을 위한 미적분: 도함수와 기울기	학습	Python
05	연쇄 법칙과 자동 미분	구현	Python
06	확률과 분포	학습	Python
07	베이즈 정리와 통계적 사고	구현	Python
08	최적화: 경사 하강법 계열	구현	Python
09	정보 이론: 엔트로피와 KL 발산	학습	Python
10	차원 축소: PCA, t-SNE, UMAP	구현	Python
11	특이값 분해	구현	Python, Julia
12	텐서 연산	구현	Python
13	수치 안정성	구현	Python
14	노름과 거리	구현	Python
15	머신러닝을 위한 통계	구현	Python
16	샘플링 방법	구현	Python
17	선형 시스템	구현	Python
18	볼록 최적화	구현	Python
19	AI를 위한 복소수	학습	Python
20	푸리에 변환	구현	Python
21	머신러닝을 위한 그래프 이론	구현	Python
22	확률 과정	학습	Python

2단계 — 머신러닝 기초 21 개 레슨 고전 머신러닝은 오늘날에도 대부분의 프로덕션 AI를 뒷받침합니다.

#	레슨	유형	언어
01	머신러닝이란 무엇인가	학습	Python
02	처음부터 구현하는 선형 회귀	구현	Python
03	로지스틱 회귀와 분류	구현	Python
04	결정 트리와 랜덤 포레스트	구현	Python
05	서포트 벡터 머신	구현	Python
06	k-최근접 이웃(KNN)과 거리 척도	구현	Python
07	비지도 학습: K-Means, DBSCAN	구현	Python
08	특성 공학과 선택	구현	Python
09	모델 평가: 지표와 교차 검증	구현	Python
10	편향, 분산과 학습 곡선	학습	Python
11	앙상블 기법: 부스팅, 배깅, 스태킹	구현	Python
12	하이퍼파라미터 튜닝	구현	Python
13	머신러닝 파이프라인과 실험 추적	구현	Python
14	나이브 베이즈	구현	Python
15	시계열 기초	구현	Python
16	이상 탐지	구현	Python
17	불균형 데이터 처리	구현	Python
18	특성 선택	구현	Python
19	머신러닝 시스템 설계: 문제 정의부터 배포된 모델까지	구현	Python
20	프로덕션 모델 모니터링: 데이터 드리프트와 개념 드리프트	구현	Python
21	특성 저장소와 학습-서빙 불일치	구현	Python

3단계 — 딥러닝 핵심 13 개 레슨 첫 원리부터 신경망을 구현합니다. 직접 만들기 전까지는 프레임워크를 사용하지 않습니다.

#	레슨	유형	언어
01	퍼셉트론: 모든 것의 시작	구현	Python
02	다층 신경망과 순전파	구현	Python
03	처음부터 구현하는 역전파	구현	Python
04	활성화 함수: ReLU, Sigmoid, GELU와 그 역할	구현	Python
05	손실 함수: MSE, 교차 엔트로피, 대조 손실	구현	Python
06	최적화 알고리즘: SGD, 모멘텀, Adam, AdamW	구현	Python
07	정규화: Dropout, Weight Decay, BatchNorm	구현	Python
08	가중치 초기화와 학습 안정성	구현	Python
09	학습률 스케줄과 워밍업	구현	Python
10	나만의 미니 프레임워크 만들기	구현	Python
11	PyTorch 입문	구현	Python
12	JAX 입문	구현	Python
13	신경망 디버깅	구현	Python

4단계 — 컴퓨터 비전 28 개 레슨 픽셀에서 이해까지: 이미지, 동영상, 3D, VLM, 월드 모델을 다룹니다.

#	레슨	유형	언어
01	이미지 기초: 픽셀, 채널, 색 공간	학습	Python
02	처음부터 구현하는 합성곱	구현	Python
03	CNN: LeNet부터 ResNet까지	구현	Python
04	이미지 분류	구현	Python
05	전이 학습과 파인튜닝	구현	Python
06	객체 탐지: YOLO를 처음부터 구현하기	구현	Python
07	시맨틱 분할: U-Net	구현	Python
08	인스턴스 분할: Mask R-CNN	구현	Python
09	이미지 생성: GAN	구현	Python
10	이미지 생성: 확산 모델	구현	Python
11	Stable Diffusion: 아키텍처와 파인튜닝	구현	Python
12	동영상 이해: 시간 모델링	구현	Python
13	3D 비전: 포인트 클라우드와 NeRF	구현	Python
14	비전 트랜스포머(ViT)	구현	Python
15	실시간 비전: 엣지 배포	구현	Python
16	완전한 비전 파이프라인 구축	구현	Python
17	자기 지도 비전: SimCLR, DINO, MAE	구현	Python
18	오픈 보캐뷸러리 비전: CLIP	구현	Python
19	OCR과 문서 이해	구현	Python
20	이미지 검색과 거리 학습	구현	Python
21	키포인트 탐지와 자세 추정	구현	Python
22	처음부터 구현하는 3D 가우시안 스플래팅	구현	Python
23	디퓨전 트랜스포머와 Rectified Flow	구현	Python
24	SAM 3와 오픈 보캐뷸러리 분할	구현	Python
25	비전-언어 모델(ViT-MLP-LLM)	구현	Python
26	단안 깊이 및 기하 추정	구현	Python
27	다중 객체 추적과 동영상 메모리	구현	Python
28	월드 모델과 동영상 확산	구현	Python

5단계 — NLP: 기초부터 심화까지 29 개 레슨 언어는 지능과 상호작용하는 인터페이스입니다.

#	레슨	유형	언어
01	텍스트 처리: 토큰화, 어간 추출, 표제어 추출	구현	Python
02	Bag of Words, TF-IDF와 텍스트 표현	구현	Python
03	단어 임베딩: Word2Vec을 처음부터 구현	구현	Python
04	GloVe, FastText와 서브워드 임베딩	구현	Python
05	감성 분석	구현	Python
06	개체명 인식(NER)	구현	Python
07	품사 태깅과 구문 분석	구현	Python
08	텍스트 분류: 텍스트용 CNN과 RNN	구현	Python
09	시퀀스-투-시퀀스 모델	구현	Python
10	어텐션 메커니즘: 돌파구	구현	Python
11	기계 번역	구현	Python
12	텍스트 요약	구현	Python
13	질의응답 시스템	구현	Python
14	정보 검색	구현	Python
15	토픽 모델링: LDA, BERTopic	구현	Python
16	텍스트 생성	구현	Python
17	챗봇: 규칙 기반에서 신경망 기반으로	구현	Python
18	다국어 NLP	구현	Python
19	서브워드 토큰화: BPE, WordPiece, Unigram, SentencePiece	학습	Python
20	구조화된 출력과 제약 디코딩	구현	Python
21	자연어 추론(NLI)과 텍스트 함의	학습	Python
22	임베딩 모델 심층 분석	학습	Python
23	RAG 청킹 전략	구현	Python
24	상호 참조 해결	학습	Python
25	엔티티 연결과 중의성 해소	구현	Python
26	관계 추출과 지식 그래프 구축	구현	Python
27	LLM 평가: RAGAS, DeepEval, G-Eval	구현	Python
28	장문맥 평가: NIAH, RULER, LongBench, MRCR	학습	Python
29	대화 상태 추적	구현	Python

6단계 — 음성 및 오디오 17 개 레슨 듣고, 이해하고, 말합니다.

#	레슨	유형	언어
01	오디오 기초: 파형, 샘플링, FFT	학습	Python
02	스펙트로그램, 멜 스케일과 오디오 특성	구현	Python
03	오디오 분류	구현	Python
04	음성 인식(ASR)	구현	Python
05	Whisper: 아키텍처와 파인튜닝	구현	Python
06	화자 인식과 검증	구현	Python
07	텍스트 음성 변환(TTS)	구현	Python
08	음성 복제와 음성 변환	구현	Python
09	음악 생성	구현	Python
10	오디오-언어 모델	구현	Python
11	실시간 오디오 처리	구현	Python
12	음성 비서 파이프라인 구축	구현	Python
13	신경망 오디오 코덱: EnCodec, SNAC, Mimi, DAC	학습	Python
14	음성 활동 감지와 발화 차례 전환	구현	Python
15	음성 간 스트리밍: Moshi, Hibiki	학습	Python
16	음성 스푸핑 방지와 오디오 워터마킹	구현	Python
17	오디오 평가: WER, MOS, MMAU, 리더보드	학습	Python

7단계 — 트랜스포머 심층 분석 16 개 레슨 모든 것을 바꾼 아키텍처를 살펴봅니다.

#	레슨	유형	언어
01	트랜스포머가 필요한 이유: RNN의 한계	학습	Python
02	처음부터 구현하는 셀프 어텐션	구현	Python
03	멀티헤드 어텐션	구현	Python
04	위치 인코딩: 사인파, RoPE, ALiBi	구현	Python
05	트랜스포머 전체: 인코더와 디코더	구현	Python
06	BERT: 마스크 언어 모델링	구현	Python
07	GPT: 인과 언어 모델링	구현	Python
08	T5, BART: 인코더-디코더 모델	학습	Python
09	비전 트랜스포머(ViT)	구현	Python
10	오디오 트랜스포머: Whisper 아키텍처	학습	Python
11	전문가 혼합(MoE)	구현	Python
12	KV 캐시, FlashAttention과 추론 최적화	구현	Python
13	스케일링 법칙	학습	Python
14	트랜스포머를 처음부터 만들기	구현	Python
15	어텐션 변형: 슬라이딩 윈도, 희소, 차등 어텐션	구현	Python
16	추측 디코딩: 초안 작성, 검증, 반복	구현	Python

8단계 — 생성형 AI 15 개 레슨 이미지, 동영상, 오디오, 3D 등을 생성합니다.

#	레슨	유형	언어
01	생성 모델: 분류 체계와 역사	학습	Python
02	오토인코더와 VAE	구현	Python
03	GAN: 생성자와 판별자	구현	Python
04	조건부 GAN과 Pix2Pix	구현	Python
05	StyleGAN	구현	Python
06	확산 모델: DDPM을 처음부터 구현	구현	Python
07	잠재 확산과 Stable Diffusion	구현	Python
08	ControlNet, LoRA와 조건화	구현	Python
09	인페인팅, 아웃페인팅과 편집	구현	Python
10	동영상 생성	구현	Python
11	오디오 생성	구현	Python
12	3D 생성	구현	Python
13	플로 매칭과 Rectified Flow	구현	Python
14	평가: FID, CLIP 점수	구현	Python
19	시각 자기회귀 모델링(VAR): 다음 스케일 예측	구현	Python

9단계 — 강화학습 12 개 레슨 RLHF와 게임 AI의 기반을 익힙니다.

#	레슨	유형	언어
01	MDP, 상태, 행동과 보상	학습	Python
02	동적 계획법	구현	Python
03	몬테카를로 방법	구현	Python
04	Q-러닝과 SARSA	구현	Python
05	심층 Q-네트워크(DQN)	구현	Python
06	정책 경사법: REINFORCE	구현	Python
07	액터-크리틱: A2C, A3C	구현	Python
08	PPO	구현	Python
09	보상 모델링과 RLHF	구현	Python
10	멀티 에이전트 강화학습	구현	Python
11	시뮬레이션에서 실제 환경으로의 전이	구현	Python
12	게임을 위한 강화학습	구현	Python

10단계 — LLM을 처음부터 구현하기 24 개 레슨 대규모 언어 모델을 만들고 학습시키며 작동 원리를 이해합니다.

#	레슨	유형	언어
01	토크나이저: BPE, WordPiece, SentencePiece	구현	Python, Rust
02	토크나이저를 처음부터 만들기	구현	Python
03	사전 학습을 위한 데이터 파이프라인	구현	Python
04	미니 GPT(1억 2,400만 매개변수) 사전 학습	구현	Python
05	분산 학습, FSDP, DeepSpeed	구현	Python
06	지시 튜닝: SFT	구현	Python
07	RLHF: 보상 모델과 PPO	구현	Python
08	DPO: 직접 선호 최적화	구현	Python
09	Constitutional AI와 자기 개선	구현	Python
10	평가: 벤치마크와 평가	구현	Python
11	양자화: INT8, GPTQ, AWQ, GGUF	구현	Python
12	추론 최적화	구현	Python
13	완전한 LLM 파이프라인 구축	구현	Python
14	오픈 모델: 아키텍처 살펴보기	학습	Python
15	추측 디코딩과 EAGLE-3	구현	Python
16	차등 어텐션(V2)	구현	Python
17	네이티브 희소 어텐션(DeepSeek NSA)	구현	Python
18	다중 토큰 예측(MTP)	구현	Python
19	DualPipe 병렬화	학습	Python
20	DeepSeek-V3 아키텍처 살펴보기	학습	Python
21	Jamba: SSM-트랜스포머 하이브리드	학습	Python
22	비동기 및 Hogwild! 추론	구현	Python
25	추측 디코딩과 EAGLE	구현	Python
34	그래디언트 체크포인팅과 활성화 재계산	구현	Python

11단계 — LLM 엔지니어링 17 개 레슨 LLM을 프로덕션 환경에서 활용합니다.

#	레슨	유형	언어
01	프롬프트 엔지니어링: 기법과 패턴	구현	Python
02	퓨샷, CoT, Tree-of-Thought	구현	Python
03	구조화된 출력	구현	Python
04	임베딩과 벡터 표현	구현	Python
05	컨텍스트 엔지니어링	구현	Python
06	RAG: 검색 증강 생성	구현	Python
07	고급 RAG: 청킹과 재순위화	구현	Python
08	LoRA와 QLoRA를 활용한 파인튜닝	구현	Python
09	함수 호출과 도구 사용	구현	Python
10	평가와 테스트	구현	Python
11	캐싱, 속도 제한과 비용	구현	Python
12	가드레일과 안전성	구현	Python
13	프로덕션용 LLM 앱 구축	구현	Python
14	Model Context Protocol(MCP)	구현	Python
15	프롬프트 캐싱과 컨텍스트 캐싱	구현	Python
16	에이전트 상태 머신: 그래프, 노드, 체크포인트	구현	Python
17	에이전트 프레임워크의 장단점	학습	Python

12단계 — 멀티모달 AI 25 개 레슨 ViT 패치부터 컴퓨터 사용 에이전트까지, 여러 모달리티를 넘나들며 보고, 듣고, 읽고, 추론합니다.

#	레슨	유형	언어
01	비전 트랜스포머와 패치 토큰 기본 요소	학습	Python
02	CLIP과 대조 학습 기반 시각-언어 사전 학습	구현	Python
03	모달리티 연결 다리로서의 BLIP-2 Q-Former	구현	Python
04	Flamingo와 게이트 크로스 어텐션	학습	Python
05	LLaVA와 시각 지시 튜닝	구현	Python
06	임의 해상도 비전: Patch-n'-Pack과 NaFlex	구현	Python
07	오픈 웨이트 VLM 레시피: 실제로 중요한 것	학습	Python
08	LLaVA-OneVision: 단일 이미지, 다중 이미지, 동영상	구현	Python
09	Qwen-VL 계열과 동적 FPS 동영상	학습	Python
10	InternVL3 네이티브 멀티모달 사전 학습	학습	Python
11	Chameleon: 토큰 전용 조기 융합	구현	Python
12	Emu3: 생성을 위한 다음 토큰 예측	학습	Python
13	Transfusion: 자기회귀 + 확산	구현	Python
14	Show-o: 이산 확산 통합	학습	Python
15	Janus-Pro: 분리형 인코더	구현	Python
16	MIO: 임의 입력-출력 스트리밍	학습	Python
17	동영상-언어 시간적 그라운딩	구현	Python
18	백만 토큰 컨텍스트의 장편 동영상	구현	Python
19	오디오-언어 모델: Whisper에서 AF3까지	구현	Python
20	옴니 모델: Thinker-Talker 스트리밍	구현	Python
21	체화된 VLA: RT-2, OpenVLA, π0, GR00T	학습	Python
22	문서와 다이어그램 이해	구현	Python
23	비전 네이티브 문서 RAG: ColPali	구현	Python
24	멀티모달 RAG와 교차 모달 검색	구현	Python
25	멀티모달 에이전트와 컴퓨터 사용(캡스톤)	구현	Python

13단계 — 도구 및 프로토콜 45 개 레슨 AI와 현실 세계를 연결하는 인터페이스를 다룹니다.

#	레슨	유형	언어
01	도구 인터페이스	학습	Python
02	함수 호출 심층 분석	구현	Python
03	도구 호출 병렬화와 스트리밍	구현	Python
04	구조화된 출력	구현	Python
05	도구 스키마 설계	학습	Python
06	MCP 기초: 무상태 요청과 JSON-RPC	학습	Python
07	MCP 서버 구축: Python과 TypeScript로 구현하는 무상태 방식	구현	Python, TypeScript
08	MCP 클라이언트 구축: 탐색, 라우팅, 두 세대 호환 폴백	구현	Python
09	MCP 전송 방식: stdio와 무상태 Streamable HTTP	학습	Python
10	MCP 리소스와 프롬프트: 무상태 서버를 위한 주소 지정 가능한 컨텍스트	구현	Python
11	MCP 모델 입력: 샘플링 마이그레이션과 무상태 MRTR	구현	Python
12	명시적 범위 지정과 무상태 정보 요청	구현	Python
13	MCP Tasks 확장: 무상태 코어에서의 지속성 있는 작업	구현	Python
14	무상태 프로토콜 기반 MCP Apps	구현	Python
15	MCP 보안: 오염된 메타데이터, 라우팅, MRTR 상태	학습	Python
16	MCP 권한 부여: CIMD, 발급자 바인딩, PKCE, 단계별 인증 강화	구현	Python
17	무상태 MCP 게이트웨이와 레지스트리 등록 심사	학습	Python
18	프로덕션 MCP 인증: 발급자에 연결된 등록과 토큰	구현	Python
19	A2A 프로토콜	구현	Python
20	OpenTelemetry GenAI	구현	Python
21	LLM 라우팅 계층	학습	Python
22	Agent Skills: 이식 가능한 계약과 런타임 경계	구현	Python
23	캡스톤: 무상태 도구 생태계	구현	Python
24	스킬 탐색과 점진적 공개	구현	Python
25	스킬 호출과 라우팅	구현	Python
26	스킬 권한, 샌드박스, 신뢰	구현	Python
27	스킬 평가, 패키징, 이식성	구현	Python
28	MCP 도구 계약과 콘텐츠	구현	Python
29	MCP 신뢰성, 취소, 흐름 제어	구현	Python
30	MCP 레지스트리 공급망: 등록 심사, 드리프트, 롤백	구현	Python
31	MCP 적합성 엔지니어링: 버전 관리, 증거, 운영	구현	Python
32	프로그램 해부: ELF를 처음부터 읽기	구현	Python
33	디스어셈블리와 제어 흐름 그래프	구현	Python
34	기계어를 의사 코드로 리프팅하기	구현	Python
35	바이너리 분석의 증거, 신뢰도, 미지 요소	구현	Python
36	다시 빌드하고 동일함 증명하기	구현	Python
37	리버스 엔지니어링의 전체 지형	구현	Python
38	호출 규약과 스택 프레임	구현	Python
39	컴파일러 관용 패턴과 최적화	구현	Python
40	링킹, 로딩, 스트립된 바이너리	구현	Python
41	데이터와 타입 복원	구현	Python
42	직접 만든 프로그램의 동적 분석	구현	Python
43	바이트코드와 관리형 형식	구현	Python
44	바이너리 비교와 기호 실행	구현	Python
45	AI 지원 리버스 엔지니어링	구현	Python

레슨 06–18과 28–31은 Model Context Protocol(MCP) 집중 학습 경로를 이룹니다. 매니페스트 순서는 06, 07, 08, 09, 10, 11, 12, 13, 14, 15, 16, 18, 17, 28, 29, 30, 31입니다. 위의 호스트별 호출 방법으로 learn-mcp를 시작하세요. 레슨 23은 유일한 선택형 캡스톤이며 레슨 19와 20도 필요합니다.

레슨 22와 24–27은 Agent Skills 집중 학습 경로를 이룹니다. 패키지 계약부터 실제 호스트의 릴리스 게이트까지 다룹니다. 위에서 안내한 호스트별 호출 방법으로 learn-agent-skills를 시작하세요. 레슨 22에서 23으로 숫자 순서대로 이동하지 마세요.

14단계 — 에이전트 엔지니어링 54 개 레슨 첫 원리부터 에이전트를 만들고, 코딩 에이전트를 안정적으로 활용하며, 구현 전에 작업을 구체화합니다.

#	레슨	유형	언어
01	에이전트 루프	구현	Python
02	ReWOO와 계획-실행 방식	구현	Python
03	Reflexion과 언어 기반 강화학습	구현	Python
04	Tree of Thoughts와 LATS	구현	Python
05	Self-Refine과 CRITIC	구현	Python
06	도구 사용과 함수 호출	구현	Python
07	에이전트 메모리: 가상 컨텍스트와 메모리 페이징	구현	Python
08	메모리 블록과 슬립 타임 컴퓨팅	구현	Python
09	하이브리드 메모리: 벡터 + 그래프 + KV	구현	Python
10	스킬 라이브러리와 평생 학습(Voyager)	구현	Python
11	HTN과 진화 탐색을 활용한 계획	구현	Python
12	Anthropic의 워크플로 패턴	구현	Python
13	상태 유지 그래프 오케스트레이션: 지속성 있는 실행과 체크포인트	구현	Python
14	에이전트를 위한 액터 모델	구현	Python
15	역할 기반 에이전트 팀: 역할, 작업, 프로세스	구현	Python
16	OpenAI Agents SDK: 핸드오프, 가드레일, 트레이싱	구현	Python
17	라이브러리로서의 하네스: 하위 에이전트와 세션 저장소	구현	Python
18	프로덕션 에이전트 런타임	학습	Python
19	벤치마크: SWE-bench, GAIA, AgentBench	학습	Python
20	벤치마크: WebArena와 OSWorld	학습	Python
21	컴퓨터 사용: Claude, OpenAI CUA, Gemini	구현	Python
22	음성 에이전트: Pipecat과 LiveKit	구현	Python
23	OpenTelemetry GenAI 시맨틱 규약	구현	Python
24	에이전트 관측 가능성: Langfuse, Phoenix, Opik	학습	Python
25	멀티 에이전트 토론과 협업	구현	Python
26	실패 유형: 에이전트가 실패하는 이유	구현	Python
27	프롬프트 인젝션과 PVE 방어	구현	Python
28	오케스트레이션 패턴: 슈퍼바이저, 스웜, 계층형	구현	Python
29	프로덕션 런타임: 큐, 이벤트, Cron	학습	Python
30	평가 중심 에이전트 개발	구현	Python
31	에이전트 워크벤치: 유능한 모델도 실패하는 이유	학습	Python
32	최소 에이전트 워크벤치	구현	Python
33	실행 가능한 제약으로서의 에이전트 지침	구현	Python
34	저장소 메모리와 지속 상태	구현	Python
35	에이전트 초기화 스크립트	구현	Python
36	범위 계약과 작업 경계	구현	Python
37	런타임 피드백 루프	구현	Python
38	검증 게이트	구현	Python
39	검토자 에이전트: 구현자와 평가자 분리	구현	Python
40	다중 세션 핸드오프	구현	Python
41	실제 저장소에서 사용하는 워크벤치	구현	Python
42	캡스톤: 재사용 가능한 에이전트 워크벤치 팩 배포	구현	Python
43	에이전트가 코드를 작성하기 전에 작업 정의하기	구현	Python
44	증거에 기반한 실행 계획 수립	구현	Python
45	격리 및 병합 계약을 통해 에이전트 작업 위임	구현	Python
46	에이전트 수정 사항을 모두 시스템 개선으로 전환	구현	Python
47	산출물을 정하기 전에 결과 정의	구현	Python
48	사람들이 실제로 수행하는 워크플로 발견	구현	Python
49	가정을 정리하고 가장 위험한 것부터 검증	구현	Python
50	판단을 바꿀 수 있는 최소 단위 선택	구현	Python
51	판단을 보존하는 명세 작성	구현	Python
52	결과가 나오기 전에 성공 지표 설계	구현	Python
53	프로토타입, 파일럿, 프로덕션 중 의도적으로 선택	구현	Python
54	책임과 종료 기준을 갖춘 피드백 개선 고리 구축	구현	Python

14단계의 각 워크벤치 레슨(31–42)은 mission.md 브리핑으로 에이전트에 임무를 안내합니다. 에이전트는 레슨 문서 전체를 열기 전에 이 브리핑을 확인합니다.

레슨 31–46은 에이전트 지원 엔지니어링 경로를 이룹니다. 매니페스트 순서는 워크벤치 기반에 작업 구체화, 계획, 위임, 지속 가능한 피드백을 결합합니다. 레슨 47–54는 제품 판단 및 전달 경로를 이룹니다. 성과 정의부터 근거, 위험, 범위, 측정, 단계적 출시, 피드백 책임까지 다룹니다.

15단계 — 자율 시스템 22 개 레슨 장기 작업 에이전트, 자기 개선, 2026년 안전성 스택을 다룹니다.

#	레슨	유형	언어
01	챗봇에서 장기 실행 에이전트로(METR)	학습	Python
02	STaR, V-STaR, Quiet-STaR: 자기 학습 추론	학습	Python
03	AlphaEvolve: 진화형 코딩 에이전트	학습	Python
04	Darwin Gödel Machine: 자기 수정 에이전트	학습	Python
05	AI Scientist v2: 워크숍 수준의 연구	학습	Python
06	자동화된 정렬 연구(Anthropic AAR)	학습	Python
07	재귀적 자기 개선: 역량과 정렬	학습	Python
08	범위가 제한된 자기 개선 설계	학습	Python
09	자율 코딩 에이전트 현황(SWE-bench, CodeAct)	학습	Python
10	자율 에이전트 권한 모드	학습	Python
11	브라우저 에이전트와 간접 프롬프트 인젝션	학습	Python
12	장시간 실행 에이전트의 지속성 있는 실행	학습	Python
13	동작 예산, 반복 횟수 제한, 비용 제어	학습	Python
14	킬 스위치, 서킷 브레이커, 카나리아 토큰	학습	Python
15	HITL: 제안 후 커밋	학습	Python
16	체크포인트와 롤백	학습	Python
17	Constitutional AI와 규칙 재정의	학습	Python
18	Llama Guard와 입력/출력 분류	학습	Python
19	Anthropic Responsible Scaling Policy v3.0	학습	Python
20	OpenAI Preparedness Framework와 DeepMind FSF	학습	Python
21	METR 시간 범위와 외부 평가	학습	Python
22	CAIS, CAISI와 사회적 규모의 위험	학습	Python

16단계 — 멀티 에이전트와 스웜 25 개 레슨 협력, 창발, 집단 지능을 다룹니다.

#	레슨	유형	언어
01	멀티 에이전트가 필요한 이유	학습	TypeScript
02	FIPA-ACL의 기원과 화행	학습	Python
03	통신 프로토콜	구현	TypeScript
04	멀티 에이전트 기본 모델	학습	Python
05	슈퍼바이저 / 오케스트레이터-워커 패턴	구현	Python
06	계층형 아키텍처와 분해 드리프트	학습	Python
07	마음의 사회와 멀티 에이전트 토론	구현	Python
08	역할 전문화: 플래너 / 비평가 / 실행자 / 검증자	구현	Python
09	병렬 스웜과 네트워크형 아키텍처	구현	Python
10	그룹 채팅과 발화자 선택	구현	Python
11	핸드오프와 루틴(무상태 오케스트레이션)	구현	Python
12	A2A: 에이전트 간 프로토콜	구현	Python
13	공유 메모리와 블랙보드 패턴	구현	Python
14	합의와 비잔틴 장애 허용성	구현	Python
15	투표, 자기 일관성, 토론 토폴로지	구현	Python
16	협상과 흥정	구현	Python
17	생성형 에이전트와 창발 시뮬레이션	구현	Python
18	마음 이론과 창발적 협력	구현	Python
19	스웜 최적화(PSO, ACO)	구현	Python
20	멀티 에이전트 강화학습: MADDPG, QMIX, MAPPO	학습	Python
21	에이전트 경제, 토큰 인센티브, 평판	학습	Python
22	프로덕션 확장: 큐, 체크포인트, 지속성	구현	Python
23	실패 유형: MAST, 집단사고, 단일 문화	학습	Python
24	평가와 협력 벤치마크	학습	Python
25	사례 연구와 2026년 최신 동향	학습	Python

17단계 — 인프라 및 프로덕션 29 개 레슨 AI를 실제 환경에 배포합니다.

#	레슨	유형	언어
01	관리형 LLM 플랫폼: Bedrock, Azure OpenAI, Vertex AI	학습	Python
02	추론 플랫폼 경제성: Fireworks, Together, Baseten, Modal	학습	Python
03	Kubernetes GPU 자동 확장: Karpenter, KAI Scheduler	학습	Python
04	서빙 엔진 내부: PagedAttention, 연속 배칭, 청크 프리필	학습	Python
05	프로덕션 환경의 EAGLE-3 추측 디코딩	학습	Python
06	프리픽스 캐시 서빙: RadixAttention과 KV 재사용	학습	Python
07	하드웨어 특화 추론 컴파일: Blackwell의 FP8 및 NVFP4	학습	Python
08	추론 지표: TTFT, TPOT, ITL, Goodput, P99	학습	Python
09	프로덕션 양자화: AWQ, GPTQ, GGUF, FP8, NVFP4	학습	Python
10	서버리스 LLM의 콜드 스타트 완화	학습	Python
11	다중 리전 LLM 서빙과 KV 캐시 지역성	학습	Python
12	엣지 추론: ANE, Hexagon, WebGPU, Jetson	학습	Python
13	LLM 관측 가능성 스택 선택	학습	Python
14	프롬프트 캐싱과 시맨틱 캐싱의 경제성	학습	Python
15	배치 API: 50% 할인이 업계 표준이 되기까지	학습	Python
16	비용 절감 수단으로서의 모델 라우팅	학습	Python
17	프리필/디코드 분리: NVIDIA Dynamo와 llm-d	학습	Python
18	프로덕션 서빙 스택: KV 오프로딩과 캐시 인식 라우팅	학습	Python
19	AI 게이트웨이: LiteLLM, Portkey, Kong, Bifrost	학습	Python
20	섀도, 카나리, 점진적 배포	학습	Python
21	LLM 기능 A/B 테스트: GrowthBook과 Statsig	학습	Python
22	LLM API 부하 테스트: k6, LLMPerf, GenAI-Perf	구현	Python
23	AI를 위한 SRE: 멀티 에이전트 사고 대응	학습	Python
24	프로덕션 LLM 카오스 엔지니어링	학습	Python
25	보안: 시크릿, 개인정보 제거, 감사 로그	학습	Python
26	컴플라이언스: SOC 2, HIPAA, GDPR, EU AI Act, ISO 42001	학습	Python
27	LLM FinOps: 단위 경제성과 멀티 테넌트 비용 귀속	학습	Python
28	셀프 호스팅 서빙 선택: 엔진을 하드웨어와 규모에 맞추기	학습	Python
29	모델 데모 인터페이스: 함수에서 공유 가능한 앱까지	구현	Python

18단계 — 윤리, 안전성 및 정렬 30 개 레슨 인류에게 도움이 되는 AI를 만듭니다. 안전성은 선택 사항이 아닙니다.

#	레슨	유형	언어
01	정렬 신호로서의 지시 따르기	학습	Python
02	보상 해킹과 굿하트의 법칙	학습	Python
03	직접 선호 최적화 계열	학습	Python
04	RLHF 증폭으로서의 아첨	학습	Python
05	Constitutional AI와 RLAIF	학습	Python
06	메사 최적화와 기만적 정렬	학습	Python
07	슬리퍼 에이전트: 지속적인 기만	학습	Python
08	프런티어 모델의 컨텍스트 내 책략	학습	Python
09	정렬 위장	학습	Python
10	AI 제어: 전복 시도에도 유지되는 안전성	학습	Python
11	확장 가능한 감독과 약자에서 강자로	학습	Python
12	레드팀 테스트: PAIR와 자동 공격	구현	Python
13	다중 샷 탈옥	학습	Python
14	ASCII 아트와 시각적 탈옥	구현	Python
15	간접 프롬프트 인젝션	구현	Python
16	레드팀 도구: Garak, Llama Guard, PyRIT	구현	Python
17	WMDP와 이중 용도 역량 평가	학습	Python
18	프런티어 AI 안전 프레임워크: RSP, PF, FSF	학습	Python
19	모델 복지 연구	학습	Python
20	편향과 재현에 따른 피해	구현	Python
21	공정성 기준: 집단, 개인, 반사실	학습	Python
22	LLM을 위한 차등 프라이버시	구현	Python
23	워터마킹: SynthID, Stable Signature, C2PA	구현	Python
24	규제 체계: EU, 미국, 영국, 한국	학습	Python
25	EchoLeak과 AI 관련 CVE	학습	Python
26	모델 카드, 시스템 카드, 데이터셋 카드	구현	Python
27	데이터 출처와 학습 데이터 거버넌스	학습	Python
28	정렬 연구 생태계: MATS, Redwood, Apollo, METR	학습	Python
29	모더레이션 시스템: OpenAI, Perspective, Llama Guard	구현	Python
30	이중 용도 위험: 사이버, 생물, 화학, 핵	학습	Python

19단계 — 캡스톤 프로젝트 85 개 레슨 엔드투엔드 제품 17개와 심층 구현 트랙 9개. 프로젝트당 20~40시간, 트랙당 4~12개 레슨.

#	프로젝트	결합 단계	언어
01	터미널 네이티브 코딩 에이전트	P0 P5 P7 P10 P11 P13 P14 P15 P17 P18	Python
02	코드베이스 RAG(저장소 간 의미 검색)	P5 P7 P11 P13 P17	Python
03	실시간 음성 비서(ASR → LLM → TTS)	P6 P7 P11 P13 P14 P17	Python
04	멀티모달 문서 QA(비전 우선)	P4 P5 P7 P11 P12 P17	Python
05	자율 연구 에이전트(AI Scientist급)	P0 P2 P3 P7 P10 P14 P15 P16 P18	Python
06	Kubernetes용 DevOps 문제 해결 에이전트	P11 P13 P14 P15 P17 P18	Python
07	엔드투엔드 파인튜닝 파이프라인	P2 P3 P7 P10 P11 P17 P18	Python
08	규제 산업용 프로덕션 RAG 챗봇	P5 P7 P11 P12 P17 P18	Python
09	코드 마이그레이션 에이전트(저장소 단위 업그레이드)	P5 P7 P11 P13 P14 P15 P17	Python
10	멀티 에이전트 소프트웨어 엔지니어링 팀	P11 P13 P14 P15 P16 P17	Python
11	LLM 관측 가능성 및 평가 대시보드	P11 P13 P17 P18	Python
12	동영상 이해 파이프라인(장면 → QA)	P4 P6 P7 P11 P12 P17	Python
13	레지스트리와 거버넌스를 갖춘 무상태 MCP 서버	P11 P13 P14 P17 P18	Python
14	추측 디코딩 추론 서버	P3 P7 P10 P17	Python
15	Constitutional AI 안전성 하네스와 레드팀 환경	P10 P11 P13 P14 P18	Python
16	GitHub 이슈에서 PR까지 처리하는 자율 에이전트	P11 P13 P14 P15 P17	Python
17	개인용 AI 튜터(적응형, 멀티모달)	P5 P6 P11 P12 P14 P17 P18	Python

심화 구현 트랙: 여러 레슨에 걸쳐 완전한 하위 시스템을 처음부터 구축합니다.

#	프로젝트	결합 단계	언어
20	에이전트 하네스 루프 계약	A. 에이전트 하네스	Python
21	스키마 검증을 지원하는 도구 레지스트리	A. 에이전트 하네스	Python
22	줄바꿈 구분 stdio 기반 JSON-RPC 2.0	A. 에이전트 하네스	Python
23	함수 호출 디스패처	A. 에이전트 하네스	Python
24	계획-실행 제어 흐름	A. 에이전트 하네스	Python
25	검증 게이트와 관측 예산	A. 에이전트 하네스	Python
26	거부 목록과 경로 격리를 갖춘 샌드박스 실행기	A. 에이전트 하네스	Python
27	픽스처 작업을 사용하는 평가 하네스	A. 에이전트 하네스	Python
28	OTel GenAI 스팬과 Prometheus 메트릭을 활용한 관측 가능성	A. 에이전트 하네스	Python
29	하네스 기반 엔드투엔드 코딩 에이전트	A. 에이전트 하네스	Python
30	BPE 토크나이저를 처음부터 구현	B. NLP·LLM	Python
31	슬라이딩 윈도를 적용한 토큰화 데이터셋	B. NLP·LLM	Python
32	토큰 임베딩과 위치 임베딩	B. NLP·LLM	Python
33	멀티헤드 셀프 어텐션	B. NLP·LLM	Python
34	트랜스포머 블록을 처음부터 구현	B. NLP·LLM	Python
35	GPT 모델 조립	B. NLP·LLM	Python
36	학습 루프와 평가	B. NLP·LLM	Python
37	사전 학습된 가중치 불러오기	B. NLP·LLM	Python
38	헤드 교체를 통한 분류기 파인튜닝	B. NLP·LLM	Python
39	지도 파인튜닝을 통한 지시 튜닝	B. NLP·LLM	Python
40	직접 선호 최적화를 처음부터 구현	B. NLP·LLM	Python
41	전체 평가 파이프라인	B. NLP·LLM	Python
42	대규모 코퍼스 다운로더	C. 엔드투엔드 학습	Python
43	HDF5 토큰화 코퍼스	C. 엔드투엔드 학습	Python
44	선형 워밍업을 적용한 코사인 학습률	C. 엔드투엔드 학습	Python
45	그래디언트 클리핑과 혼합 정밀도	C. 엔드투엔드 학습	Python
46	그래디언트 누적	C. 엔드투엔드 학습	Python
47	체크포인트 저장 및 재개	C. 엔드투엔드 학습	Python
48	분산 데이터 병렬(DDP)과 FSDP를 처음부터 구현	C. 엔드투엔드 학습	Python
49	언어 모델 평가 하네스	C. 엔드투엔드 학습	Python
50	가설 생성기	D. 자동화 연구	Python
51	문헌 검색	D. 자동화 연구	Python
52	실험 실행기	D. 자동화 연구	Python
53	결과 평가기	D. 자동화 연구	Python
54	논문 작성기	D. 자동화 연구	Python
55	비평 루프	D. 자동화 연구	Python
56	반복 스케줄러	D. 자동화 연구	Python
57	엔드투엔드 연구 데모	D. 자동화 연구	Python
58	비전 인코더 패치	E. 멀티모달 VLM	Python
59	비전 트랜스포머 인코더	E. 멀티모달 VLM	Python
60	모달리티 정렬을 위한 투영 계층	E. 멀티모달 VLM	Python
61	크로스 어텐션 융합	E. 멀티모달 VLM	Python
62	비전-언어 사전 학습	E. 멀티모달 VLM	Python
63	멀티모달 평가	E. 멀티모달 VLM	Python
64	청킹 전략 비교	F. 고급 RAG	Python
65	BM25와 밀집 임베딩을 활용한 하이브리드 검색	F. 고급 RAG	Python
66	크로스 인코더 재순위화 모델	F. 고급 RAG	Python
67	질의 재작성: HyDE, 다중 질의, 분해	F. 고급 RAG	Python
68	RAG 평가: 정밀도, 재현율, MRR, nDCG, 충실도, 답변 관련성	F. 고급 RAG	Python
69	엔드투엔드 RAG 시스템	F. 고급 RAG	Python
70	작업 명세 형식	G. 평가 프레임워크	Python
71	고전적 지표	G. 평가 프레임워크	Python
72	코드 실행 지표	G. 평가 프레임워크	Python
73	퍼플렉서티와 보정	G. 평가 프레임워크	Python
74	리더보드 집계	G. 평가 프레임워크	Python
75	엔드투엔드 평가 실행기	G. 평가 프레임워크	Python
76	Collective Ops를 처음부터 구현	H. 분산 학습	Python
77	데이터 병렬 DDP를 처음부터 구현	H. 분산 학습	Python
78	ZeRO 옵티마이저 상태 샤딩	H. 분산 학습	Python
79	파이프라인 병렬화와 버블 분석	H. 분산 학습	Python
80	샤딩 체크포인트와 원자적 재개	H. 분산 학습	Python
81	엔드투엔드 분산 학습	H. 분산 학습	Python
82	탈옥 분류 체계	I. 안전성 하네스	Python
83	프롬프트 인젝션 탐지기	I. 안전성 하네스	Python
84	거부 응답 평가	I. 안전성 하네스	Python
85	콘텐츠 분류기 통합	I. 안전성 하네스	Python
86	Constitutional AI 규칙 엔진	I. 안전성 하네스	Python, YAML
87	엔드투엔드 안전성 게이트	I. 안전성 하네스	Python

도서와 자격 인증

코어 교육과정을 책으로 읽기

phases/의 20단계 코어 교육과정은 6권짜리 시리즈로 만들어집니다. EPUB과 PDF는 같은 코어 레슨 소스에서 CI가 빌드해 GitHub 릴리스마다 첨부합니다. 아래 링크는 항상 최신 릴리스로 연결됩니다. 권 번호는 시리즈 순서이며 버전이 아닙니다. 각 책에는 날짜가 표시된 판 정보가 있고 이전 판도 해당 릴리스에서 계속 내려받을 수 있습니다.

인증 교육과정은 책으로 만들지 않습니다. AI 튜터 상태, 실행 가능한 실습, 상호작용형 그림, 진단 평가, 시간 제한 모의시험은 GitHub와 웹사이트에서 계속 핵심 기능으로 제공됩니다.

권	제목	단계	다운로드
1	기초 — 수학, 도구, 고전 머신러닝	00-02	EPUB · PDF
2	딥러닝 — 신경망, 비전, 음성	03, 04, 06	EPUB · PDF
3	언어 — NLP 기초와 트랜스포머	05, 07	EPUB · PDF
4	대규모 언어 모델 — 생성, 강화학습, 사전 학습, 엔지니어링	08-11	EPUB · PDF
5	에이전트 — 멀티모달, 프로토콜, 자율성, 스웜	12-16	EPUB · PDF
6	프로덕션 — 인프라, 안전성, 캡스톤	17-19	EPUB · PDF

책은 특정 시점의 스냅샷이고 이 저장소는 계속 갱신되는 판입니다. 각 장은 레슨의 애니메이션 그림, 퀴즈, 실행 가능한 코드로 연결됩니다. python3 scripts/build_book.py로 로컬에서 만들 수 있습니다(pandoc 필요). 파이프라인 세부 정보는 book/README.md를 참조하세요.

Claude 인증 준비

Claude 인증 아카데미는 공식 Claude 인증 트랙 4종(Associate Foundations, Developer Foundations, Architect Foundations, Architect Professional)을 위한 무료 오픈소스 준비 과정입니다. 각 경로에는 시험 청사진에 맞춘 레슨, 실행 가능한 실습, 진단 평가, 캡스톤 작업, 전체 길이의 독창적인 모의시험이 포함됩니다.

AI 네이티브 GitHub 시작 안내서는 Claude Code, Codex, ChatGPT, Cursor 및 다른 에이전트에서 사용할 수 있습니다. Codex에서는 claude-certification을, Claude Code에서는 /claude-certification을 실행하세요. 다른 호스트에서는 claude-certification을 사용하라고 요청하면 됩니다. 안내서는 트랙을 선택하고 CLAUDE-CERTIFICATION.md에 지속적인 학습 경로를 만들며, 한 단계씩 가르치고 실제 실습을 실행한 뒤 산출물에 기반한 피드백을 제공합니다. 같은 교육과정은 인증 웹사이트에서도 이용할 수 있습니다.

이 아카데미는 공개된 시험 목표에 기반한 독립 학습 자료입니다. Anthropic과 제휴하지 않으며, 실제 시험 문제를 재현하지 않고, 합격을 보장하지도 않습니다.

MCP Associate(MCPA) 인증 준비

MCPA 인증 교육과정은 Linux Foundation Training을 통해 제공되는 Agentic AI Foundation의 Model Context Protocol Associate 시험을 위한 무료 오픈소스 준비 과정입니다. 34개 레슨에서 2026-07-28 무상태 프로토콜을 다섯 시험 영역에 따라 학습합니다. 이전 핸드셰이크를 대신하는 요청별 _meta와 server/discover, 여러 차례 왕복하는 요청, 구독, 캐싱, Tasks 및 MCP Apps 확장, OAuth 권한 부여, 레지스트리와 SDK 계층을 다룹니다. 모든 레슨에는 실행 가능한 표준 라이브러리 실습이 있으며, 실행 기록이 현재 와이어 형식에 맞는지 검사합니다. 트랙에는 진단 평가, 캡스톤, 공개된 청사진의 배점 비율을 따르는 전체 길이의 독창적인 모의시험 3회도 포함됩니다.

AI 네이티브 GitHub 시작 안내서는 Claude Code, Codex, ChatGPT, Cursor 및 다른 에이전트에서 사용할 수 있습니다. Codex에서는 mcpa-certification을, Claude Code에서는 /mcpa-certification을 실행하세요. 다른 호스트에서는 mcpa-certification을 사용하라고 요청하면 됩니다. 안내서는 MCPA-CERTIFICATION.md에 지속적인 학습 경로를 만들고, 한 단계씩 가르치고, 실제 실습을 실행한 뒤 산출물에 기반한 피드백을 제공합니다. 같은 교육과정은 MCPA 트랙 페이지에서도 이용할 수 있습니다.

이 교육과정은 공개된 시험 목표에 기반한 독립 학습 자료입니다. Agentic AI Foundation 또는 Linux Foundation과 제휴하지 않으며, 실제 시험 문제를 재현하지 않고, 합격을 보장하지도 않습니다.

툴킷

모든 수업은 재사용 가능한 산출물을 만듭니다. 에이전트에 설치하거나 저장소 루트에서 아래 스크립트를 사용하세요.

수업 구조와 재사용 가능한 산출물

레슨의 구조

각 레슨은 전용 폴더에 있으며, 교육과정 전체에서 같은 구조를 사용합니다.

phases/<NN>-<phase-name>/<NN>-<lesson-name>/
├── code/      실행 가능한 구현(Python, TypeScript, Rust, Julia)
├── docs/
│   └── en.md  레슨 설명
└── outputs/   레슨에서 만드는 프롬프트, 스킬, 에이전트 또는 MCP 서버

모든 레슨은 여섯 단계로 진행됩니다. 핵심은 Build It / Use It의 흐름입니다. 먼저 알고리즘을 처음부터 구현한 다음 프로덕션 라이브러리로 같은 작업을 실행합니다. 더 작은 버전을 직접 작성했기 때문에 프레임워크가 무엇을 하는지 이해할 수 있습니다.

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'13px'}}}%%
flowchart LR
  M["핵심 문장<br/><sub>한 줄 핵심 아이디어</sub>"] --> Pr["문제<br/><sub>구체적인 어려움</sub>"]
  Pr --> C["개념<br/><sub>도표와 직관</sub>"]
  C --> B["직접 만들기<br/><sub>기초 수학, 프레임워크 없이</sub>"]
  B --> U["사용하기<br/><sub>PyTorch / sklearn으로 같은 작업</sub>"]
  U --> S["배포하기<br/><sub>프롬프트 · 스킬 · 에이전트 · MCP</sub>"]

모든 레슨은 산출물을 만듭니다

다른 교육과정은 “X를 배웠습니다. 축하합니다.”로 끝납니다. 이 교육과정의 각 레슨은 일상적인 작업 흐름에 설치하거나 붙여 넣어 사용할 수 있는 재사용 가능한 도구로 마무리됩니다.

_{FIG_001 · A} 프롬프트	_{FIG_001 · B} 스킬	_{FIG_001 · C} 에이전트	_{FIG_001 · D} MCP 서버
특정 작업에 전문가 수준의 도움을 받으려면 어떤 AI 어시스턴트에든 붙여 넣어 사용합니다.	`SKILL.md`를 읽는 Claude, Cursor, Codex, OpenClaw, Hermes 등의 에이전트에 추가할 수 있습니다.	14단계에서 직접 작성한 루프를 자율 작업자로 배포합니다.	MCP 호환 클라이언트에 연결해 사용합니다. 13단계에서 엔드투엔드로 구축합니다.

수업 산출물 설치

레슨 산출물. 저장소의 phases/**/outputs/에는 스킬 414개와 프롬프트 100개가 있습니다. scripts/install_skills.py로 설치할 수 있으며 저장소 복제가 필요합니다. 태그 필터, 드라이런, 에이전트별 레이아웃을 지원합니다.

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>는 에이전트의 스킬 디렉터리입니다. 예: ~/.claude/skills/, ~/.cursor/skills/, ~/.config/openclaw/skills/, .skills/ 또는 에이전트가 읽는 경로.

기본적으로 스크립트는 기존 파일을 덮어쓰지 않습니다. 충돌하는 경로를 모두 나열하고 종료 코드 1을 반환합니다. --dry-run으로 충돌을 미리 볼 수 있고 --force로 덮어쓸 수 있습니다. 드라이런이 아닌 실행은 유형과 단계별 전체 목록을 manifest.json에 기록합니다. 에이전트가 읽는 레이아웃을 선택하세요.

`--layout`	기록되는 경로
`skills`	`<target>/<name>/SKILL.md` (Claude / Cursor / Codex / OpenClaw / Hermes가 지원하는 중첩 형식)
`by-phase`	`<target>/phase-NN/<name>.md`
`flat`	`<target>/<name>.md`

에이전트 워크벤치를 자체 저장소에 추가

14단계 캡스톤은 재사용 가능한 Agent Workbench 팩(AGENTS.md, 스키마, 초기화·검증·핸드오프 스크립트)을 제공합니다. 어느 저장소에나 다음과 같이 구성할 수 있습니다.

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

워크벤치의 일곱 구성 요소가 연결되고 기본 task_board.json과 새 agent_state.json(schema_version: 1)이 생성됩니다. 이후 작업과 AGENTS.md를 편집하고 scripts/init_agent.py를 실행한 뒤 계약을 에이전트에 전달하면 됩니다. 팩의 원본은 phases/14-agent-engineering/42-agent-workbench-capstone/outputs/agent-workbench-pack/에 있습니다.

전체 코스를 JSON으로 살펴보기

scripts/build_catalog.py는 모든 단계와 레슨, 디스크에 있는 산출물을 순회해 저장소 루트에 catalog.json을 만듭니다. 코스 정보를 한 파일에 담습니다.

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

카탈로그는 README가 아니라 파일 시스템을 기반으로 하므로 실제 디스크의 항목 수와 항상 일치합니다. 사이트 빌드나 후속 도구에서 사용하거나 README의 수치가 달라지지 않았는지 확인할 수 있습니다. 스키마는 스크립트 맨 위에 설명되어 있습니다.

교육과정 워크플로는 catalog.json을 Git에서 무시하는 임시 산출물로 만듭니다. 커밋하지 마세요. 같은 워크플로는 audit_lessons.py를 필수 통과 검사로 실행합니다.

모든 레슨의 Python 코드를 스모크 체크하기

scripts/lesson_run.py는 각 레슨 code/ 디렉터리의 모든 .py 파일을 바이트 컴파일합니다. 기본 모드는 실행 없이 구문만 확인하므로 API 키나 무거운 머신러닝 의존성이 필요하지 않습니다. 잘못된 들여쓰기, 깨진 f문자열, 실수로 들어간 편집 등 기여자가 자주 만드는 회귀를 찾습니다.

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

--execute는 각 레슨의 code/main.py(또는 첫 번째 .py 파일)를 실행하며 레슨당 10초 제한이 있습니다. 시작 파일의 첫 부분에 # requires: pkg1, pkg2처럼 표준 라이브러리가 아닌 의존성을 적은 주석이 있으면 해당 레슨은 needs <deps> 사유와 함께 건너뜁니다. 이 스크립트는 선택 기능이며 CI에는 연결되어 있지 않습니다.

링크 검사는 표준 라이브러리만 사용하며 Python 3.10 이상이 필요합니다. LINK_CHECK_SKIP=domain1,domain2로 기본 제외 도메인(twitter.com, x.com, linkedin.com, instagram.com, medium.com)을 바꿀 수 있습니다. 이 도메인들은 자동화된 HEAD/GET 요청을 적극적으로 차단합니다.

기초 논문과 프로토콜

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

기여하기

목표	읽으세요
레슨 추가 또는 수정에 기여하기	CONTRIBUTING.md
팀이나 학교를 위한 포크	FORKING.md
레슨 템플릿	LESSON_TEMPLATE.md
진행 상황 확인하기	ROADMAP.md
용어집	glossary/terms.md
행동 규범	CODE_OF_CONDUCT.md

레슨을 제출하기 전에 필수 조건 검사를 실행하세요.

python3 scripts/audit_lessons.py           # full curriculum
python3 scripts/audit_lessons.py --phase 14  # single phase
python3 scripts/audit_lessons.py --json    # CI-friendly output

규칙 하나라도 통과하지 못하면 종료 코드가 0이 아닙니다. 규칙 L001–L010은 디렉터리 구조, docs/en.md와 H1 제목의 존재, 비어 있지 않은 code/, quiz.json 스키마, 레슨 문서의 상대 링크를 검사합니다. 문제 #102를 일으킨 이전 형식의 q/choices/answer 키는 허용하지 않습니다.

프로젝트 후원하기

_{114,584명 독자 · 181,995 지난 30일간 페이지 조회수 · 2026-08-29 기준}

무료, MIT 라이선스, 542개 레슨. 이 작업을 가능하게 해 주는 후원사와 후원자 여러분께 감사드립니다. 모든 후원사와 후원자 보기.

이 작업을 지원하려면 후원 옵션과 하드웨어 후원을 확인하거나 GitHub에서 후원하세요.

이 안내서가 도움이 되었다면 저장소에 별표를 눌러 주세요. 프로젝트를 지속하는 데 힘이 됩니다.

라이선스

MIT. 원하는 대로 쓰세요. 포크하고, 가르치고, 팔고, 배포하세요. 출처 표기는 환영하지만 필수는 아닙니다.

Rohit Ghumare 와 커뮤니티가 관리합니다.

_{@ghumare64 · aiengineeringfromscratch.com · 보고 / 제안}

rohitg00/ai-engineering-from-scratch

측정된 스타 증가

i18n/ko/README.md

후원사

학습 경로

경사 하강법

프로젝트

학습 방식 선택

웹사이트에서 학습

AI 튜터와 학습

학습 스킬

로컬 코드 실행

모든 레슨을 같은 방식으로 활용하세요

학습 경로 선택

사전 요건

어디서 시작할까요

커리큘럼의 구조

목차

0단계: 설정 및 도구 `13개 레슨`

도서와 자격 인증

툴킷

레슨의 구조

모든 레슨은 산출물을 만듭니다

기여하기

프로젝트 후원하기

라이선스

관련 프로젝트 살펴보기

affaan-m/ECC

NousResearch/hermes-agent

multica-ai/andrej-karpathy-skills

firecrawl/firecrawl

측정된 스타 증가

i18n/ko/README.md

후원사

학습 경로

경사 하강법

프로젝트

학습 방식 선택

웹사이트에서 학습

AI 튜터와 학습

학습 스킬

로컬 코드 실행

모든 레슨을 같은 방식으로 활용하세요

학습 경로 선택

사전 요건

어디서 시작할까요

커리큘럼의 구조

목차

0단계: 설정 및 도구 13개 레슨

도서와 자격 인증

툴킷

레슨의 구조

모든 레슨은 산출물을 만듭니다

기여하기

프로젝트 후원하기

라이선스

관련 프로젝트 살펴보기

affaan-m/ECC

NousResearch/hermes-agent

multica-ai/andrej-karpathy-skills

firecrawl/firecrawl

0단계: 설정 및 도구 `13개 레슨`