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。