Englisches Original: https://argusic.com/subject/ai-engineering-from-scratch
ai-engineering-from-scratch
Lernen Sie AI Engineering! Lernen Sie es. Bauen Sie es. Stellen Sie es für andere bereit.
LäuftQuelle: GitHubHomepagePythonMITCommit a56b4b8ad43a
Python, Lizenz MIT. Das Projekt beschreibt sich selbst als: agents, ai, ai agents, ai engineering, computer vision, course, deep learning und dsh.
ai-engineering-from-scratch läuft. Ein Argusic-Agent hat es in 8 Minuten installiert und ist auf 4 Fehler gestoßen und hat jeden davon ohne Hilfe behoben. Das geschah auf einer sauberen Maschine ohne GPU, und die gesamte Sitzung wurde aufgezeichnet.
Python dependencies installed in ./venv. Site builds and generates complete SEO data for 556 lessons across 20 phases. All 523 lessons pass structural audit. 19 certification lessons with 77+ tests pass. 57 site integration tests pass. 4 API endpoints serve correct responses. Lesson code runs end-to-end across math, ML, deep learning, transformers, NLP, LLMs, tools/protocols, and agents.
Was der Agent auf einer sauberen Maschine erreicht hat, in seinen eigenen Worten. So wird gemessen
Von Argusic jedes Mal auf einer frischen Maschine gemessen. Jede Zahl verlinkt auf ihren Nachweis. Argusic Score 100 von 100 (der Mittelwert der Lauf-Scores dieses Projekts).
Auf einen Blick
Projektdaten von GitHub, oben auf dieser Seite verlinkt, aktualisiert . Testdaten von Argusic (CC BY 4.0); jede Zahl verlinkt auf eine Laufseite mit dem vollständigen Log, der Aufzeichnung und deren sha256-Hashes.
Was gemessen wurde
Aus dem Lauf, der diesen Befund entschieden hat. Jede Zeile ist ein aufgezeichneter Wert, keine Schätzung.
Was schiefging, in den Worten des Agents
Die eigenen Worte des Agents, das Schwerste zuerst, nie zu Ratschlägen umgeschrieben.
- pip install failed: externally-managed-environment7 Minuten
- rustc not found in container
- julia not found in container
- Node.js v18.19.1 (verify.ts requires v20+)
- Installationszeit
- 8 Minuten
- Von der kalten Maschine bis zum Ende
- 25 Minuten
- Aufgetretene und behobene Fehler
- 4 aufgetreten, 4 ohne menschliche Hilfe behoben
- Wie das Ergebnis belegt wurde
- node site/build.js exits 0 generating 556 lesson SEO entries; python3 scripts/audit_lessons.py reports 523/0; 57 site tests pass (43 build artifacts + 11 learning paths + 3 routes); certification tests pass across all 19 lessons (77+ tests); lesson code executes correctly (vectors, perceptron, backprop, linear regression, transformers, BPE tokenization, agent loop, MCP server, LLM pre-training, PyTorch MNIST training)
- Verbrauchte Modell-Tokens
- 174.997
- Genau getesteter Commit
- a56b4b8ad43a
- Container-Image
- sha256:cdd920bce783
Was nicht gemessen wurde
Die andere Hälfte, damit Sie genau sehen, wie weit dieser Nachweis reicht. Eine Lücke wird als Lücke angezeigt und nie aufgefüllt.
- Maximaler GPU-Speicher
- dieser Lauf fand auf einer CPU-Maschine statt, es gab also keine GPU zu messen
- Verhalten über einen langen Lauf
- jeder Versuch verwendet die kleinsten dokumentierten Einstellungen und ein festes Zeitbudget, daher misst dies, ob es läuft, nicht wie es sich unter Last hält
Sitzung ansehen
Der gesamte Lauf, von einer sauberen Maschine aus, in der tatsächlichen Geschwindigkeit. Nichts ist geschnitten, nichts beschleunigt.
Eine Aufzeichnung von Versuch 1, gelaufen am . Der obige Befund stammt aus einem anderen Versuch, betrachten Sie dies daher als eine einzelne Sitzung und nicht als das aktuelle Ergebnis. Die Terminalaufzeichnung, aus der es erstellt wurde, ist der Nachweis, gespeichert mit einem sha256-Fingerabdruck; das Video ist ein Rendering davon. Vom Video-Host wird nichts geladen, bis Sie auf Abspielen drücken.
Das Ende der Aufzeichnung
Die letzten Zeilen der Terminalsitzung, die diesen Befund entschieden hat, genau so, wie sie aufgezeichnet wurden.
174,997 Here's my comprehensive assessment: The repository works well overall. The site builds, all 523 lessons pass audit, lesson code runs co… **Installation**: Python deps installed in a venv (externally-managed environment on the host pip).… **Verification executed**: - `node site/build.js` — site builds, 556 lessons in SEO manifest - `python3 scripts/audit_lessons.py` — 523 lessons, 0 issues - `python3 scripts/audit_certifications.py` — 33 lessons, 8 assessments, 0 issues - All 43 `test_build_artifacts.js` tests + 11 `test_learning_paths.js` + 3 `test_static_preview_rou… - Lesson code runs: linear algebra, linear regression, perceptron/XOR, multi-layer networks, backpr… - All 19 certification lessons run + their test suites pass - API endpoints respond: markdown 200, lesson 308, certification 200
Gesamte Sitzung abspielen, jeder Befehl von einer sauberen Maschine bis zu diesem Punkt.
So wurde getestet
Ein Agent, ein Container, keine menschliche Hilfe. Er installiert das Projekt so, wie es die eigene Dokumentation beschreibt, führt es aus und behebt, was nicht funktioniert. Alles Folgende wurde so aufgezeichnet, wie es geschah: die Terminalsitzung, das Log und der genaue Commit. Die vollständige Methodik.
Stärken und Grenzen
Gemessene Fakten, keine Meinungen. Wie diese Inhalte entstehen.
Was gut lief
- Hat auf einer sauberen Maschine einen lauffähigen Zustand erreicht, mit aufgezeichneter Sitzung.
- Hat sich von allen 4 Fehlern erholt, ohne dass ein Mensch eingriff, was zeigt, dass die Fehlschläge gut genug dokumentiert sind, um sie zu lösen.
- Lief ohne GPU, braucht also keine, um zu starten.
- Lizenz MIT, laut Angabe des Hosts.
- 4-mal gemessen, das Ergebnis ist also kein Einzelfall.
Was nicht lief oder unbekannt ist
- Die Installation dauerte 8 Minuten, langsamer als der Median der 37 vergleichbaren Projekte, die Argusic gemessen hat.
Von den 38 Projekten im Bereich agents, die Argusic installiert und zeitlich gemessen hat, belegte ai-engineering-from-scratch Platz 20 bei der Zeit bis zum lauffähigen Zustand, und 25 von 38 erreichten überhaupt einen solchen Zustand.
Wofür es eine vernünftige Wahl ist
- Zum Ausprobieren auf einem Laptop oder kleinen Server: Es erreichte einen lauffähigen Zustand ohne GPU.
- Für eine schnelle Evaluierung: Es lief 8 Minuten nach dem Klonen.
Ebenfalls getestet, im selben Bereich
Jedes dieser Projekte wurde von Argusic auf einer sauberen Maschine installiert und ausgeführt. Hier erscheint nichts, was nicht getestet wurde.
Laufverlauf
Themen (von GitHub)
agentsaiai-agentsai-engineeringcomputer-visioncoursedeep-learningdshfrom-scratchgenerative-aillmmachine-learningmcppythonreareinforcement-learningrusttransformerstutorialtypescript
Badge einbetten
Markdown für die README des Projekts. Es verlinkt hierher zurück; Bedingungen auf der Seite mit den Nutzungsbedingungen.
[](https://argusic.com/subject/ai-engineering-from-scratch)Fragen
- Läuft ai-engineering-from-scratch?
- Ja. ai-engineering-from-scratch läuft. Argusic hat es auf einer sauberen Maschine in 8 Minuten installiert und gestartet, ist dabei auf 4 Fehler gestoßen und hat die Sitzung aufgezeichnet.
- Wie hat Argusic ai-engineering-from-scratch getestet?
- Auf einer frischen Einwegmaschine, mit jedem Befehl aufgezeichnet und dem Repository fixiert auf Commit a56b4b8ad43a. 4 Versuche sind aufgezeichnet, und die vollständige Methode steht auf der Seite zur Methodik.
- Was hat der Test von ai-engineering-from-scratch gekostet?
- Der Lauf, der diesen Befund ergab, kostete 0,16 USD: echte Rechen- und Modellkosten, kein Listenpreis pro Million Tokens. Der Betrag ist auf der Seite dieses Laufs aufgezeichnet.
- Wie lange dauert die Installation von ai-engineering-from-scratch?
- 8 Minuten in dem Lauf, der diesen Befund entschieden hat, von einer sauberen Maschine bis zum lauffähigen Zustand. Das ist ein gemessener Versuch, kein Durchschnitt.
- Braucht ai-engineering-from-scratch eine GPU?
- Nicht zum Starten. Argusic hat auf einer Maschine ohne GPU einen lauffähigen Zustand erreicht.
- Was geht bei der Installation von ai-engineering-from-scratch schief?
- Im aufgezeichneten Lauf gingen 4 Dinge kaputt, und 4 davon wurden ohne menschliche Hilfe behoben. Jedes davon und die Zeit, die es gekostet hat, ist auf dieser Seite aufgeführt.
- Wie schneidet ai-engineering-from-scratch im Vergleich zu Alternativen ab?
- Von den 38 Projekten im Bereich agents, die Argusic installiert und zeitlich gemessen hat, belegte ai-engineering-from-scratch Platz 20 bei der Zeit bis zum lauffähigen Zustand, und 25 von 38 erreichten überhaupt einen solchen Zustand.
- Wo ist der Nachweis für ai-engineering-from-scratch?
- Alle 4 aufgezeichneten Läufe sind auf dieser Seite, jeweils mit Link auf das vollständige Log und die Terminalaufzeichnung, gespeichert mit einem sha256-Fingerabdruck, damit nichts unbemerkt verändert werden kann.