AI Engineering Lab（24 周 AI 工程自学课程）

学完你能

• 搭建本地 Python 环境并安装课程依赖，生成后续各周复用的数据集
• 用 Python、SQL 和 PySpark 完成数据准备、建模与深度学习练习
• 理解 token、Transformer 等 LLM 内部机制，并做提示词与上下文工程
• 用向量检索构建 RAG 流程，并了解本地模型的使用
• 完成量化、LoRA/DPO 微调、模型服务化以及评测与误差分析
• 按课程阶段表了解编码 agent harness 与规范驱动循环（Claude Code、Cursor、OpenCode 等）的学习主题
• 按课程阶段表了解单 agent、多 agent 系统、MCP 等 agent 工程主题
• 按课程阶段表了解 Azure AI Foundry、Google Vertex AI、AWS Bedrock 三种云与 Databricks 湖仓主题

适合你吗

课程特点

内容侧重

侧重实践应用

练习与项目

每周三至周四运行并主动改动、破坏一个 notebook，周五交出一个带指标与误差说明的产物；从第 3 周起每个产物必须带数字和误差分析。

学习时长

7 个课节原站未给出统一学习时长；实际用时取决于已有基础。

内容费用

免费网页写明这是免费、自定进度的课程仓库，MIT 许可、无需注册，节选可直接读到每周 README、notebook 和练习安排。

内容覆盖

• 阶段 1 · 基础（第 1–4 周）：Python、数据、机器学习、深度学习，从第一天起带评测意识
• 阶段 2 · LLM 核心（第 5–8 周）：token、Transformer、提示词与上下文工程、检索、图、本地模型
• 阶段 3 · 模型工程（第 9–11 周）：量化、LoRA 与 DPO 微调、服务化、评测与误差分析
• 阶段 4 · Harness 与循环（第 12–13 周）：Claude Code、Cursor、OpenCode、DeepSeek Harness、规范驱动的循环
• 阶段 5 · Agent（第 14–17 周）：单 agent、多 agent 系统、MCP、OpenClaw、Hermes、agent 运维
• 阶段 6 · 云 AI 平台（第 18–20 周）：Azure AI Foundry、Google Vertex AI、AWS Bedrock，同一 agent 三种云
• 阶段 7 · Databricks 从零到一（第 21–24 周）：Lakehouse、Unity Catalog、PySpark、Lakeflow、AI Search、Genie、生产
• 每周节奏：周一至周二学习 README 与知识库文件；周三至周四运行并改动 notebook；周五交一个产物、一个数字与一条真实误差说明；周五至周日十题测验（8 分及格）并勾选 tracker
• 第 1 周：搭建机器并生成后续各周复用的数据集
• 第 2 周：SQL 练习（据 README 案例说明，具体内容见原站）
• 第 3 周：训练数据（据 README 案例说明，具体内容见原站）
• 第 7 周：检索语料（据 README 案例说明，具体内容见原站）
• 第 10 周：微调数据集（据 README 案例说明，具体内容见原站）
• 第 16 周：agent 工具（据 README 案例说明，具体内容见原站）
• 第 23 周：特征表（据 README 案例说明，具体内容见原站）