rohitg00/ai-engineering-from-scratch

🇬🇧 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

Sistem kandidat meningkatkan rata-rata NDCG sementara satu kueri menempatkan bukti paling relevan pada peringkat yang lebih rendah. Bangun perbandingan per kueri yang melaporkan regresi dan dapat menggagalkan pemeriksaan rilis.

Gunakan Python 3.10+. Pelajari kembali RAG dan evaluasi model. Implementasikan validasi peringkat, precision dan recall, metrik yang peka terhadap posisi, lalu perbandingan sistem.

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

Simpan: perbandingan yang dapat direproduksi beserta perubahan per kueri dan penilaian relevansi yang dipakai untuk menghitung skor. Metrik menjelaskan penilaian tersebut; metrik tidak membuktikan kebenaran jawaban.

Mulai proyek · Periksa referensi · Jalankan dengan masukan sendiri

Jejak yang disediakan masih memerlukan 100 ms, tetapi penggunaan token total bertambah 200 dan satu span mulai gagal. Pisahkan pekerjaan span anak yang tumpang tindih dari waktu eksekusi induk, lalu buat laporan yang memperlihatkan perubahan itu.

Gunakan Node.js 22.18+ dan Python 3 untuk penilai. Implementasikan parsing JSONL, validasi induk, aritmetika interval, lalu linimasa yang dapat diperiksa.

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

Simpan: jejak masukan, linimasa HTML, dan laporan regresi JSON. Pertahankan jumlah token milik setiap span saja, tanpa token span anak, agar penggunaan induk dan anak tidak dihitung dua kali.

Mulai proyek · Periksa referensi · Jelajahi waktu eksekusi secara interaktif

Operasi tulis berubah setelah ditinjau, atau persetujuan digunakan kembali. Validasi amplop panggilan, periksa peran pemanggil dan jalur, lalu konsumsi persetujuan yang terikat pada permintaan serta konten yang tepat.

Gunakan Rust dan Python 3.10+. Pelajari kembali desain skema alat dan batas keamanan. Aplikasi pemanggil menyediakan identitas; model mengusulkan operasi.

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

Simpan: catatan audit yang menunjukkan operasi yang diminta dan keputusan kebijakan. Persetujuan hanya dapat digunakan sekali dalam satu pemanggilan; proyek ini tidak menyediakan otorisasi persisten atau sandbox sistem operasi.

Mulai proyek · Periksa referensi · Jelajahi batas persetujuan

Periksa persyaratan lokal terlebih dahulu:

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

skills menulis ke host dan lingkup yang dipilih saat pemasangan, seperti .claude/skills/, .cursor/skills/, .codex/skills/, atau folder skill lain yang didukung. Pastikan host yang dipilih menemukan lokasi tujuan yang tepat tersebut.

Sintaks pemanggilan ditentukan oleh host, bukan oleh format portabel SKILL.md:

Kuis penempatan berisi sepuluh pertanyaan memetakan pengetahuan Anda ke tahap awal yang sesuai dan menyimpan rencana belajar pribadi di LEARNING.md. Setelah itu, skill learn mengajarkan satu pelajaran per sesi: konsep, matematika, kode, kuis. Pelajaran diambil langsung dari repositori ini, dan skill course-guide mengarahkan Anda ke pelajaran yang membahas bagian yang belum Anda pahami. Di Codex, panggil skill ini dengan learn dan course-guide; di Claude Code, gunakan /learn dan /course-guide; di host lain yang kompatibel, minta penggunaan skill berdasarkan namanya.

Hanya ingin mempelajari Model Context Protocol (MCP)? Gunakan pemanggilan MCP untuk host Anda. Pemanggilan ini membuat MCP-LEARNING.md dan mengikuti satu jalur berisi 17 pelajaran tentang permintaan tanpa status, transport, komunikasi dua arah, keamanan, keandalan, tata kelola registri, dan bukti kepatuhan. Urutan tepat serta titik pemeriksaannya tersedia dalam manifes Model Context Protocol (MCP).

Hanya ingin mempelajari Agent Skills? Gunakan pemanggilan Agent Skills untuk host Anda. Pemanggilan ini membuat AGENT-SKILLS-LEARNING.md dan mengikuti satu jalur terpadu berisi lima pelajaran: kontrak, penemuan, pemanggilan, batas sandbox, lalu evaluasi rilis dan portabilitas pada host nyata. Mulai di web melalui jalur Agent Skills.

Pemasang menampilkan host yang dapat dikonfigurasi dan menanyakan lokasi pemasangan. Jika Anda belum memiliki Node.js, npx, python3, host yang didukung, atau lingkup yang dapat ditulis, gunakan situs web atau baca docs/en.md secara manual. Jalur itu mengajarkan konsep, tetapi bukti penemuan, pemanggilan, skrip, dan pencopotan pada host nyata masih harus dilengkapi setelah pemeriksaan awal dapat dijalankan. Baca pelajarannya di aiengineeringfromscratch.com.

1. Baca docs/en.md dan jelaskan gagasan utamanya dengan kata-kata Anda sendiri.
2. Ketik dan bangun kode yang penting, jangan hanya menganggap blok kode sebagai hiasan.
3. Jalankan perintah pelajaran dari direktori akar repositori, yaitu direktori yang berisi README.md dan phases/.
4. Simpan bukti: perintah, direktori kerja, kode keluar, keluaran yang bermakna, serta artefak yang Anda ubah atau hasilkan.
5. Lanjutkan hanya setelah Anda dapat menjelaskan keluaran dan membuat satu perubahan kecil tanpa menebak.

Perintah pada halaman pelajaran menggunakan jalur dari akar repositori, kecuali jika pelajaran secara eksplisit meminta Anda berpindah direktori. Jika sebuah pelajaran menyediakan beberapa bahasa, jalankan implementasi dalam bahasa yang sedang Anda pelajari.

• Anda dapat menulis kode (bahasa apa pun; Python akan membantu).
• Anda ingin memahami cara kerja AI yang sebenarnya, bukan sekadar memanggil API.

Pelajaran 06-18 dan 28-31 membentuk jalur Model Context Protocol (MCP) khusus. Urutan dalam manifesnya adalah 06, 07, 08, 09, 10, 11, 12, 13, 14, 15, 16, 18, 17, 28, 29, 30, 31. Mulai dengan pemanggilan learn-mcp khusus host di atas. Pelajaran 23 adalah satu-satunya proyek akhir opsional dan juga memerlukan Pelajaran 19 dan 20.

Pelajaran 22 dan 24-27 membentuk jalur pembelajaran Agent Skills khusus, dari kontrak paket hingga gerbang rilis pada host nyata. Mulai dengan pemanggilan learn-agent-skills khusus host yang ditampilkan di atas; jangan ikuti navigasi numerik berikutnya dari 22 ke 23.

Setiap pelajaran workbench Tahap 14 (31-42) menyediakan mission.md yang memberi pengarahan kepada agen sebelum membuka dokumen pelajaran lengkap.

Pelajaran 31-46 membentuk jalur Rekayasa Berbantuan Agen. Urutan manifesnya menggabungkan fondasi workbench dengan perumusan tugas, perencanaan, delegasi, dan umpan balik yang bertahan antarsesi. Pelajaran 47-54 membentuk jalur Pertimbangan dan Penyampaian Produk, dari perumusan hasil hingga bukti, risiko, cakupan, pengukuran, rilis bertahap, dan tanggung jawab atas umpan balik.

Jalur pembangunan mendalam: rangkaian pelajaran yang membangun subsistem lengkap dari awal.

Kurikulum inti 20 tahap di bawah phases/ dikompilasi menjadi seri buku enam jilid. EPUB dan PDF dibangun oleh CI dari sumber pelajaran inti yang sama dan dilampirkan pada setiap rilis GitHub; tautan di bawah selalu mengarah ke rilis terbaru. Nomor jilid menunjukkan urutan seri, bukan versi: setiap salinan memuat tanggal edisi, dan edisi sebelumnya tetap dapat diunduh dari rilis masing-masing.

Kurikulum sertifikasi sengaja tidak dikonversi menjadi buku. Status tutor AI, praktikum yang dapat dijalankan, gambar interaktif, tes diagnostik, dan simulasi ujian berbatas waktunya tetap tersedia sebagai fitur utama di GitHub dan situs web.

Buku merupakan potret pada suatu waktu; repositori ini merupakan edisi yang terus berkembang. Setiap bab diakhiri dengan tautan kembali ke gambar animasi, kuis, dan kode pelajaran yang dapat dijalankan. Bangun secara lokal dengan python3 scripts/build_book.py (membutuhkan pandoc); rincian pipeline ada di book/README.md.

Claude Certification Academy adalah program persiapan gratis dan sumber terbuka untuk keempat jalur sertifikasi resmi Claude: Associate Foundations, Developer Foundations, Architect Foundations, dan Architect Professional. Setiap jalur menggabungkan pelajaran yang sesuai dengan kerangka ujian, praktikum yang dapat dijalankan, tes diagnostik, proyek akhir, dan ujian latihan orisinal berdurasi penuh.

Gunakan panduan memulai di GitHub dengan AI bersama Claude Code, Codex, ChatGPT, Cursor, atau agen lain. Jalankan claude-certification di Codex, /claude-certification di Claude Code, atau minta host lain menggunakan claude-certification. Skill ini memilih jalur, membuat rute persisten di CLAUDE-CERTIFICATION.md, mengajarkan satu langkah setiap kali, menjalankan praktikum nyata, dan memberikan umpan balik berdasarkan artefak. Kurikulum yang sama tetap tersedia di situs web sertifikasi.

Akademi ini merupakan materi belajar independen berdasarkan tujuan ujian yang tersedia untuk publik. Akademi ini tidak berafiliasi dengan Anthropic, tidak menyalin soal ujian yang sedang digunakan, dan tidak dapat menjamin kelulusan.

Kurikulum Sertifikasi MCPA adalah program persiapan gratis dan sumber terbuka untuk ujian Model Context Protocol Associate dari Agentic AI Foundation, yang diselenggarakan melalui Linux Foundation Training. Sebanyak 34 pelajarannya mengajarkan protokol tanpa status versi 2026-07-28 dalam lima bidang ujian: _meta per permintaan dan server/discover sebagai pengganti handshake lama, permintaan dengan beberapa perjalanan bolak-balik, langganan, caching, ekstensi tasks dan MCP Apps, otorisasi OAuth, serta tingkatan registri dan SDK. Setiap pelajaran menyediakan praktikum pustaka standar yang dapat dijalankan, dengan transkrip yang diperiksa kesesuaiannya dengan format komunikasi terkini. Jalur ini juga menambahkan tes diagnostik, proyek akhir, dan tiga ujian latihan orisinal berdurasi penuh dengan komposisi soal sesuai bobot kerangka ujian yang diterbitkan.

Gunakan panduan memulai di GitHub dengan AI bersama Claude Code, Codex, ChatGPT, Cursor, atau agen lain. Jalankan mcpa-certification di Codex, /mcpa-certification di Claude Code, atau minta host lain menggunakan mcpa-certification. Skill ini membuat rute persisten di MCPA-CERTIFICATION.md, mengajarkan satu langkah setiap kali, menjalankan praktikum nyata, dan memberikan umpan balik berdasarkan artefak. Kurikulum yang sama tersedia di halaman jalur MCPA.

Kurikulum ini merupakan materi belajar independen berdasarkan tujuan ujian yang tersedia untuk publik. Kurikulum ini tidak berafiliasi dengan Agentic AI Foundation maupun Linux Foundation, tidak menyalin soal ujian yang sedang digunakan, dan tidak dapat menjamin kelulusan.

Setiap pelajaran berada di foldernya sendiri, dengan struktur yang sama di seluruh kurikulum:

phases/<NN>-<phase-name>/<NN>-<lesson-name>/
├── code/      implementasi yang dapat dijalankan (Python, TypeScript, Rust, Julia)
├── docs/
│   └── en.md  narasi pelajaran
└── outputs/   prompt, skill, agen, atau server MCP yang dihasilkan pelajaran ini

Setiap pelajaran mengikuti enam langkah. Pembagian Bangun / Gunakan menjadi inti pendekatannya: Anda mengimplementasikan algoritma dari awal terlebih dahulu, lalu menjalankan hal yang sama melalui pustaka produksi. Anda memahami pekerjaan framework karena sudah menulis versi kecilnya sendiri.

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'13px'}}}%%
flowchart LR
  M["PRINSIP<br/><sub>gagasan inti satu baris</sub>"] --> Pr["MASALAH<br/><sub>kesulitan nyata</sub>"]
  Pr --> C["KONSEP<br/><sub>diagram &amp; intuisi</sub>"]
  C --> B["BANGUN<br/><sub>matematika dasar, tanpa framework</sub>"]
  B --> U["GUNAKAN<br/><sub>hal yang sama di PyTorch / sklearn</sub>"]
  U --> S["RILIS<br/><sub>prompt · skill · agen · MCP</sub>"]

Kurikulum lain berakhir dengan "selamat, Anda telah mempelajari X." Setiap pelajaran di sini diakhiri dengan alat yang dapat digunakan kembali dan dapat Anda pasang atau tempelkan ke alur kerja sehari-hari.

FIG_001 · A PROMPT	FIG_001 · B SKILL	FIG_001 · C AGEN	FIG_001 · D SERVER MCP
Tempelkan ke asisten AI mana pun untuk mendapat bantuan setingkat pakar pada tugas yang spesifik.	Tambahkan ke Claude, Cursor, Codex, OpenClaw, Hermes, atau agen apa pun yang membaca SKILL.md.	Deploy sebagai pekerja otonom: Anda sendiri yang menulis perulangannya pada Tahap 14.	Hubungkan ke klien mana pun yang kompatibel dengan MCP. Dibangun dari awal hingga akhir pada Tahap 13.

Artefak pelajaran. Repositori menyediakan 414 skill dan 100 prompt di bawah phases/**/outputs/; pasang melalui scripts/install_skills.py. Repositori harus diklon terlebih dahulu. Mendukung filter tag, simulasi tanpa perubahan, dan susunan khusus tiap agen:

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> adalah direktori skill untuk agen Anda (contoh: ~/.claude/skills/, ~/.cursor/skills/, ~/.config/openclaw/skills/, .skills/, atau jalur apa pun yang dibaca agen Anda).

Secara bawaan skrip menolak menimpa tujuan yang sudah ada dan keluar dengan kode 1 setelah mencantumkan setiap jalur yang bertabrakan. Gunakan --dry-run untuk melihat pratinjau tabrakan atau --force untuk menimpanya. Setiap eksekusi yang bukan simulasi menulis manifest.json di tujuan dengan inventaris lengkap yang dikelompokkan menurut jenis dan tahap. Pilih susunan yang dibaca agen Anda:

Proyek akhir Tahap 14 menyediakan paket Agent Workbench yang dapat digunakan kembali (AGENTS.md, skema, skrip init / verify / handoff). Buat kerangkanya di repositori mana pun dengan:

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

Anda memperoleh tujuh komponen workbench yang sudah terhubung, task_board.json awal, dan agent_state.json baru dengan schema_version: 1. Selanjutnya: ubah tugasnya, ubah AGENTS.md, jalankan scripts/init_agent.py, lalu serahkan kontraknya ke agen Anda. Sumber paket berada di phases/14-agent-engineering/42-agent-workbench-capstone/outputs/agent-workbench-pack/.

scripts/build_catalog.py menelusuri setiap tahap, pelajaran, dan artefak di disk lalu menulis catalog.json di akar repositori. Satu file memuat seluruh fakta kursus.

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

Katalog diturunkan dari sistem berkas, bukan dari README, sehingga jumlahnya selalu sesuai dengan yang benar-benar ada di disk. Gunakan untuk membangun situs, perkakas lanjutan, atau memeriksa apakah jumlah dalam README sudah menyimpang. Skema didokumentasikan di bagian atas skrip.

Alur kerja kurikulum menghasilkan catalog.json sebagai artefak sementara yang diabaikan Git. Jangan masukkan ke commit. Alur kerja yang sama menjalankan audit_lessons.py sebagai pemeriksaan wajib yang memblokir kegagalan.

scripts/lesson_run.py mengompilasi setiap file .py menjadi bytecode di dalam direktori code/ tiap pelajaran. Mode bawaan hanya memeriksa sintaks: tidak mengeksekusi, tidak memerlukan kunci API, dan tidak memerlukan dependensi ML berat. Pemeriksaan ini menangkap regresi yang paling sering diperkenalkan kontributor (indentasi keliru, f-string rusak, suntingan tak sengaja).

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

--execute menjalankan code/main.py setiap pelajaran (atau file .py pertama) dengan batas waktu 10 detik. Pelajaran yang file awalnya diawali komentar # requires: pkg1, pkg2 berisi dependensi di luar pustaka standar dilewati dengan alasan needs <deps>. Skrip ini dijalankan atas pilihan pengguna dan tidak dihubungkan ke CI.

Hanya pustaka standar, Python 3.10+. Tetapkan LINK_CHECK_SKIP=domain1,domain2 untuk mengganti daftar domain yang dilewati secara bawaan (twitter.com, x.com, linkedin.com, instagram.com, medium.com, yaitu domain yang secara agresif memblokir HEAD/GET otomatis).

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