ai-engineering-from-scratch

name	ai-engineering-from-scratch
description	Currículum educativo masivo de ingeniería de IA — 503 lecciones, 20 fases, 388 skills instalables. Build from scratch → use framework → ship artifact.
url	https://github.com/rohitg00/ai-engineering-from-scratch
category	ia
fecha	2026-06-04T00:00:00.000Z

AI Engineering from Scratch — Currículum Completo de IA

¿Qué hace?

Es un currículum educativo masivo y completo de ingeniería de IA desde cero. Contiene 503 lecciones organizadas en 20 fases, con un estimado de ~314-320 horas de contenido. Cada lección sigue un patrón estricto: Build It → Use It → Ship It.

Cada algoritmo se construye primero desde matemáticas puras (sin frameworks), y luego se re-implementa con la librería de producción. Cada lección produce un artefacto reutilizable: un prompt, un skill (SKILL.md), un agent loop, o un servidor MCP.

• Stars: 27,978 ⭐ | Forks: 4,566
• Lenguaje: Python (70%) + TypeScript + Rust + Julia
• Licencia: MIT
• Creado: 2026-03-18

Casos de uso

1. Aprender IA desde los fundamentos — Entender qué hace PyTorch por dentro desde backprop
2. Prepararse para roles de LLM Engineer — Fases 10-12 cubren todo el stack LLM
3. Construir agents de producción — Fase 14 (Agent Engineering, 42 lecciones)
4. Ingeniería de RAG avanzada — Fases 5.23, 11.6-7, 19.64-69
5. Skills instalables en Hermes/Claude/Cursor — npx skills add instala 388 skills
6. Capstone projects para portfolio — 17 proyectos end-to-end
7. Seguridad y alignment — Fase 18 cubre red-teaming, jailbreaks, compliance

Las 20 Fases

Fase	Nombre	Lecciones	Enfoque
P0	Setup & Tooling	12	Docker, GPU, Jupyter, debugging
P1	Math Foundations	22	Álgebra lineal, cálculo, probabilidad, optimización
P2	ML Fundamentals	18	Regresión, SVM, Random Forest, K-Means, ensembles
P3	Deep Learning Core	13	Perceptron, backprop, activaciones, PyTorch, JAX
P4	Computer Vision	28	CNNs, YOLO, U-Net, GANs, Diffusion, NeRFs, ViT, CLIP
P5	NLP Foundations	29	Tokenization, BERT, NER, translation, RAG, LLM eval
P6	Speech & Audio	17	ASR, Whisper, TTS, voice cloning, music gen
P7	Transformers Deep Dive	16	Self-attention, BERT, GPT, MoE, Flash Attention
P8	Generative AI	15	VAE, GANs, Diffusion, ControlNet, LoRA
P9	Reinforcement Learning	12	MDPs, Q-Learning, DQN, PPO, RLHF
P10	LLMs from Scratch	26+	Tokenizers, pre-training, SFT, RLHF, DPO, quantization
P11	LLM Engineering	17	Prompt eng, RAG, LoRA fine-tuning, function calling, MCP
P12	Multimodal AI	25	CLIP, LLaVA, VLMs, video-language, embodied VLAs
P13	Tools & Protocols	23	Function calling, MCP, A2A protocol, OpenTelemetry
P14	Agent Engineering	42	Agent loop, ReWOO, memory, LangGraph, AutoGen, CrewAI
P15	Autonomous Systems	22	Long-horizon agents, self-improvement, safety stack
P16	Multi-Agent & Swarms	25	FIPA-ACL, supervisor pattern, consensus, swarm optimization
P17	Infrastructure & Production	28	vLLM, TensorRT-LLM, GPU autoscaling, AI gateways, FinOps
P18	Ethics, Safety & Alignment	30	RLHF, red-teaming, watermarking, EU AI Act
P19	Capstone Projects	87	17 productos end-to-end + 9 deep-build tracks

Arquitectura / Estructura del Repo

phases/                          # 20 fases
  NN-phase-slug/
    NN-lesson-slug/
      docs/en.md                 # narrativa de la lección
      code/                      # implementaciones (Python, TS, Rust, Julia)
      quiz.json                  # 6 preguntas (1 pre + 3 check + 2 post)
      outputs/                   # artefactos reutilizables
        skill-*.md               # SKILL.md para agents
        prompt-*.md              # templates de prompts
        agent-*.md               # agent definitions
        mcp-*.md                 # MCP servers

Patrón de cada lección (6 beats):

MOTTO → PROBLEM → CONCEPT → BUILD IT (raw math) → USE IT (framework) → SHIP IT (artifact)

Snippets útiles

# Clonar
git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
cd ai-engineering-from-scratch

# Instalar dependencias
pip install -r requirements.txt

# Instalar TODOS los skills en tu agente (Hermes, Claude, Cursor, etc.)
npx skills add rohitg00/ai-engineering-from-scratch

# Instalar un skill específico
npx skills add rohitg00/ai-engineering-from-scratch --skill agent-loop

# Instalar por fase
npx skills add rohitg00/ai-engineering-from-scratch --phase 14

# Instalar offline con Python
python3 scripts/install_skills.py ~/.hermes/skills/ --type all --layout skills

# Validar lecciones
python3 scripts/audit_lessons.py
python3 scripts/lesson_run.py --strict

# Generar catálogo JSON
python3 scripts/build_catalog.py

# Scaffold agent workbench
python3 scripts/scaffold_workbench.py path/to/repo --force

Cómo integrarlo con Mastermind/Hermes

1. Cobertura total del stack AI — Desde matemáticas hasta agents autónomos, es la referencia más completa disponible.
2. Skills instalables en Hermes — Diseñado explícitamente para integrarse con Hermes Agent (npx skills add detecta automáticamente el directorio de skills de Hermes).
3. Fase 14 (Agent Engineering, 42 lecciones) — Directamente relevante para ingeniería de agents como la que hace Hermes.
4. Fase 13 (Tools & Protocols) — MCP, A2A, function calling — protocolos que Hermes usa.
5. Fase 17 (Infrastructure & Production) — vLLM, TensorRT-LLM, AI gateways — infraestructura de producción.
6. Fase 18 (Ethics & Safety) — Alignment, red-teaming — relevante para seguridad de agents.
7. 388 skills instalables — Cada lección produce artifacts reutilizables que pueden integrarse directamente.

Pitfalls

• Tamaño masivo: 503 lecciones × ~320 horas de contenido — requiere compromiso a largo plazo
• Dependencias pesadas: PyTorch, JAX, transformers, bitsandbytes — espacio en disco considerable
• Código desde cero: Las implementaciones raw math no están optimizadas — son educativas, no para producción
• npx skills add: Requiere Node.js y npm instalados para la instalación automática de skills

Fecha de descubrimiento

2026-06-04 (trending semanal)