rohitg00 / ai-engineering-from-scratch

Problem: 开发者调用PyTorch或HuggingFace时，不理解反向传播、注意力机制等底层原理，导致调试困难或无法优化模型。

Solution: 通过课程从线性代数开始，亲手实现反向传播、分词器、注意力机制等核心算法，再对比生产库的用法，彻底理解框架行为。

Example: 你写了一个Transformer分类器但loss不收敛，通过课程中手写的注意力实现，你能定位到是softmax温度设置问题，而不是盲目调参。

Problem: 开发者学完零散教程后，只能复制粘贴demo，无法产出可独立部署的提示词、智能体或MCP服务器。

Solution: 每节课产出可复用的成品（提示词、技能、智能体、MCP服务器），积累成个人工具库，直接用于实际项目。

Example: 你完成“智能体循环”课程后，得到一个可复用的Agent基类，后续只需继承并添加自定义工具，就能快速搭建客服或代码审查机器人。

Problem: 团队使用Python原型，但生产环境要求TypeScript或Rust，开发者缺乏跨语言AI工程经验，迁移成本高。

Solution: 课程覆盖Python、TypeScript、Rust、Julia四种语言，同一算法用不同语言实现，帮助开发者掌握跨语言AI工程模式。

Example: 你在Python中实现了分词器，然后参考TypeScript版本将其集成到Node.js后端，无需从零设计算法。

Problem: 开发者只会调用GPT API做简单问答，无法构建需要自主规划、工具调用或群体协作的复杂AI系统。

Solution: 课程从智能体循环、技能系统到群体智能逐步进阶，最终让开发者能构建自主的端到端AI系统。

Example: 你完成“群体智能”阶段后，能设计一个多智能体系统：一个负责搜索资料，一个负责分析，一个负责生成报告，它们通过MCP服务器协作。