随着 AI 应用开发越来越普及，越来越多开发者开始关注：

• AI 应用如何真正落地
• Agent 如何搭建
• Workflow 如何编排
• 模型如何接入实际系统

相比只学习 Prompt，如今更多开发者开始尝试完整的 AI 工程化流程。而在需要长期运行实验、持续调试模型或反复构建 Workflow 的场景中，一个稳定的运行环境会明显影响学习与开发体验。一些具备稳定资源与网络支持的环境（如莱卡云服务器这类部署方式）通常更适合长期运行 AI 工程实验环境。

---

一、什么是 ai-engineering-from-scratch？

ai-engineering-from-scratch 是 rohitg00 推出的开源 AI 工程学习项目。

它的核心目标是：

👉 帮助开发者从零开始理解 AI 工程体系

项目整体更偏向：

• AI Engineering
• Agent Workflow
• AI Application Development
• LLM Infrastructure

适合学习与实验。

---

二、核心特点解析

1️⃣ 从零开始构建AI系统

项目围绕：

• 模型调用
• Prompt Workflow
• Agent Logic
• AI Application

逐步讲解 AI 工程化思路。

---

2️⃣ 更偏向工程实践

相比单纯理论学习：

• 更强调代码实践
• 更关注系统搭建
• 更适合理解真实开发流程

---

3️⃣ Workflow导向

适合学习：

• AI Workflow
• Tool Calling
• 多步骤任务
• Agent Pipeline

帮助理解现代 AI 系统。

---

4️⃣ 易于扩展

开发者可以：

• 接入不同模型
• 增加 Agent 能力
• 扩展 Workflow
• 添加向量数据库

适合实验与研究。

---

5️⃣ 更适合长期实验

对于：

• 长时间调试
• 高频模型调用
• 多项目实验

稳定环境会明显提升体验。

---

三、适用场景

• AI工程学习
• Agent开发入门
• AI Workflow实验
• LLM应用开发
• AI基础设施研究
• 自动化系统实践

---

四、搭建思路

apt update
apt install -y git python3 python3-pip

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

pip install -r requirements.txt

根据项目说明配置：

• API Key
• 模型参数
• Workflow 设置
• 数据目录

启动运行：

python main.py

即可开始 AI Engineering Workflow 实验。

---

五、部署环境的一点经验

在 AI Engineering Workflow 实际运行中，如果涉及：

• 长时间实验
• 高频模型调用
• 多项目调试
• 长上下文 Session

本地环境可能会遇到：

• 依赖冲突
• Session 中断
• Workflow 不稳定
• 资源不足

而在一些具备稳定资源与持续运行能力的环境（如莱卡云服务器）中，这类问题通常更容易得到缓解，尤其适合长期运行 AI 工程学习与 Workflow 实验环境。

---

六、总结

ai-engineering-from-scratch 本质上是一个：

👉 AI 工程化学习与实践项目

它最大的特点在于：

• 从零开始学习
• 工程实践导向
• Workflow思维
• 更适合长期实验

如果你的目标是：

• 学习 AI Engineering
• 构建 AI Application
• 理解 Agent Workflow
• 搭建长期实验环境

ai-engineering-from-scratch 是一个值得尝试的开源项目。