過去這段時間，我一直在用 AI 把東西做出來：
- 這個網站，你現在看的這個地方，就是我用 AI 架的。
- 我也透過工作流程的訪談，幫幾個朋友的小公司做了簡易的 CRM 跟排程系統，順手把他們散在各處、對不起來的營運數字收攏成一個統一的視覺化介面，讓他們打開就看得懂自己的生意這週在發生什麼和提效。
- 做出自己的小Agent，擁有自己的獨立工作介面及系統，嘗試獨立打造多智能體系統
這些全是 AI Vibe code出來。老實說心裡還是很不踏實。 隨著AI建造出來的東西開始複雜以及更深入這領域，有時候會和自己身邊工程師朋友聊聊，遠遠看見自己在這方面的不足。 做出來的東西當個小工具使用倒還行，但是一旦規模大起來又或是要進入複雜的程度， 那還真不是一般人摸一摸AI就能抵達得到的。
AI科技的力量，不禁令人驚嘆。 當世界適應AI介入後，人類需要理解事物的認知層次需要提高、使用技術的邏輯也得轉變 我不太甘心一直當個傻呆萌AI使用者。所以我想給自己找點麻煩：從頭認真跑一次扎實的底，要硬幹到完。
我決定做一件事
從最底層的數學開始，自己手推、自己寫程式、把每個環節都搞到懂為止。 教材選字開源課程 AI Engineering from Scratch，由 Rohit Ghumare 和一群貢獻者維護。
它課程首頁有一句話： 你學的那些知識碎片很少能對得起來，你做得出一個聊天機器人，卻解釋不了它的損失曲線為什麼長那樣。
確實點到了我，覺得做很多東西心裡多數是浮浮的。 做出來發現自己有太多不知道自己不知道什麼了，那現今時代有AI學習是多麽便利 好啊我就小白從零跟到尾，試試看，起碼相對深度的理解LLM和相關應用，只有益處吧。
這套Github內容
- 503 堂課，分成 20 個階段，從線性代數的基礎，一路推到自主式的 swarm（群體智能）系統。
- 每一課節奏都一樣：定義問題、推導數學、寫程式、測試、把成果存下來。
- 順序是先數學、後框架。它不會一上來就給你 PyTorch，會先要你自己算過一遍。
- 支援 Python、TypeScript、Rust、Julia 四種語言。
- 完全免費、開源（MIT 授權），在 GitHub 上。不用註冊，也不綁雲端，一台自己的電腦就能跑完。
釐清目標及規劃
我同時也想釐清我的方向 從頭訓一個基礎模型、CUDA、分佈式訓練那些底層工程，倒不是我真正興趣之處。
我比較有興趣在應用面向，目標大致如下
- AI 應用的能力：能自己端到端做出一個 LLM 產品—prompt、RAG、agent、evaluation、成本延遲、上線監控，一整套通吃。
- 企業導入、建立AI-Native組織的能力：能坐進需求端現場，理解溝通他們的業務、看懂他們的資料，把 AI 變成組織裡日常會用的東西。
- 真正意義上的成為超級個體：具備一個人到一個新領域能同時駕馭數十個以上的智能體
課表權重
坦白說，就AI應用範疇，這門課程對我來說過深，但我樂於學習我也希望拓展自己的廣度跟深度， 因此這503 課，打算先幫自己排出輕重，不然我一定會被淹沒去。
我把這張表寫在這裡，供讀者們參考，也為自己校準使用： 碰到我認定的重要區學不動，我就繼續努力；碰到輕觸區學不動，我就暫時放過，待日後回來複習。
大致如下：
- 核心 40% Prompt、RAG、agent、evaluation、結構化輸出。這塊是 AI 應用的心臟，我 90% 的實戰時間都會落在這裡。學不熟，就沒有差異化可言。
- 產品工程 30% API 整合、streaming、快取、成本與延遲調校、safety guardrails、後端基礎。
- 資料工程與系統整合 15%｜這部分此課程不太涵括，得自己尋找資源 SQL、資料 pipeline、schema 設計、ontology 思維、跨系統串接。
- 基礎素養 10%｜地基 Python、LLM 原理（token / context / temperature）、Transformer 概念性理解（理解 attention 在做什麼就好，不用手推公式）、embeddings 為什麼有效。這蠻重要，基本功。
- 進階選修 5%｜碰到再學 Fine-tuning（LoRA / QLoRA）、multi-modal、reasoning model 的特性。等真的用得到再邊做邊學。
- 輕觸即可 0%｜暫時知道有這些知識領域就好 從頭訓 transformer、CUDA、分佈式訓練、深度數學推導。時間花在這裡對我來說是虧的，看得懂別人在講什麼即可。
這張表最大的用處，主要規劃「先學什麼」，是分散焦慮和壓力。 畢竟非技術背景也缺乏複雜深度應用場景，先釐清好，聚焦該聚焦的地方對自己是有幫助的。
我打算怎麼做
給自己三個約定：
- 跟著跑，不跳步。 數學我就自己硬來，程式一定要跟著敲，親手實作體會。看不懂就透過AI協助理解。
- 公開紀錄。 過程、卡關、突然想通的瞬間、還有犯過的蠢錯，我會透過AI將過程整理、紀錄丟上來。
- 用中文重講。 原課程是英文的，用中文整理一遍，對經過的人有些許幫助。
關於版權：這套課程是 MIT 授權、開放公開使用的，所以我這一路的學習紀錄可以放心跟著它走、公開分享。這裡先謝謝原作者 Rohit Ghumare 和所有貢獻者，把這麼完整的東西免費攤開給大家。
關於公開紀錄
因為攤開來寫，我比較不會偷懶。
如果只是自己默默學，我大概撐個兩三週就會開始找藉口。 但公開講出來了、也許有人正在看，我就沒那麼好意思爛尾。
我做過會動的東西，但我想再往下一層，去搞懂到底是什麼讓它們動起來。 剛好如果路過有讀者跟我在差不多的位置—會用，但想真的懂，那就一起吧。 我不會裝專家，我就是個跟你差不多時間起跑的人。我徒中的筆記順便留給大家。
若筆記上，有任何錯誤誤導，歡迎寄信給予建議，可以一起交流。
起跑
503 課。我心裡有數，這肯定要花很多時間，中間搞不好會卡到懷疑人生。 但總得要個開始，那就來吧！
本系列跟隨開源課程 AI Engineering from Scratch（MIT License）學習並以中文記錄，內容為個人學習理解和整理，非直接性原課程官方翻譯。