Original en inglés: https://argusic.com/subject/ai-engineering-from-scratch
ai-engineering-from-scratch
¡Aprende Ingeniería de IA! Aprende. Constrúyela. Entrégala para otros.
Funcionafuente: GitHubsitio webPythonMITcommit a56b4b8ad43a
Python, licencia MIT. El proyecto se describe a sí mismo como: agents, ai, ai agents, ai engineering, computer vision, course, deep learning y dsh.
ai-engineering-from-scratch funciona. Un agent de Argusic lo instaló en 8 minutos y encontró 4 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
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.
Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide
Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 100 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).
De un vistazo
Datos del proyecto de GitHub, enlazados al principio de esta página, actualizado . Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.
Qué se midió
De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.
Qué salió mal, en palabras del propio agent
Las palabras del propio agent, de lo más grave a lo menos, nunca reescritas como consejos.
- pip install failed: externally-managed-environment7 minutos
- rustc not found in container
- julia not found in container
- Node.js v18.19.1 (verify.ts requires v20+)
- Tiempo de instalación
- 8 minutos
- De máquina en frío a terminar
- 25 minutos
- Errores encontrados y corregidos
- 4 encontrados, 4 corregidos sin ayuda humana
- Cómo se demostró el resultado
- 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)
- Tokens de modelo usados
- 174.997
- Commit exacto probado
- a56b4b8ad43a
- Imagen del contenedor
- sha256:cdd920bce783
Qué no se midió
La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.
- Memoria de GPU máxima
- se ejecutó en una máquina con CPU, así que no había GPU que muestrear
- Comportamiento en una ejecución larga
- cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga
Ver la sesión
La ejecución completa, desde una máquina limpia, a la velocidad a la que ocurrió. No se ha cortado ni acelerado nada.
Una grabación del intento 1, ejecutado el . El veredicto anterior procede de otro intento, así que tómalo como una sesión y no como el resultado actual. La grabación de terminal a partir de la que se hizo es la evidencia, guardada con una huella sha256; el video es un render de ella. No se carga nada del servicio de video hasta que pulses reproducir.
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
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
Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.
Cómo se probó
Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.
Puntos fuertes y límites
Hechos medidos, no opiniones. Cómo se redacta.
Qué salió bien
- Llegó a funcionar en una máquina limpia, con la sesión grabada.
- Se recuperó de los 4 errores sin que interviniera una persona, lo que indica que los fallos están lo bastante documentados como para resolverlos.
- Funcionó sin GPU, así que no necesita una para arrancar.
- Licencia MIT, según su plataforma de origen.
- Medido 4 veces, así que el resultado no es algo puntual.
Qué no salió bien, o no se sabe
- Tardó 8 minutos en instalarse, más lento que la mediana de los 37 proyectos comparables que ha medido Argusic.
De los 38 proyectos de agents que Argusic ha instalado y cronometrado, ai-engineering-from-scratch fue el 20.º más rápido en llegar a funcionar, y 25 de 38 llegaron a funcionar.
Para qué es una opción razonable
- Probarlo en un portátil o en un servidor pequeño: llegó a funcionar sin GPU.
- Una evaluación rápida: estaba funcionando 8 minutos después del clon.
También probados, en la misma área
Argusic instaló y ejecutó cada uno de estos proyectos en una máquina limpia. Aquí no aparece nada que no se haya probado.
Historial de ejecuciones
Temas (de GitHub)
agentsaiai-agentsai-engineeringcomputer-visioncoursedeep-learningdshfrom-scratchgenerative-aillmmachine-learningmcppythonreareinforcement-learningrusttransformerstutorialtypescript
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/ai-engineering-from-scratch)Preguntas
- ¿Funciona ai-engineering-from-scratch?
- Sí. ai-engineering-from-scratch funciona. Argusic lo instaló y lo inició en una máquina limpia en 8 minutos, con 4 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic ai-engineering-from-scratch?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit a56b4b8ad43a. Hay 4 intentos registrados, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar ai-engineering-from-scratch?
- La ejecución que produjo este veredicto costó 0,16 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
- ¿Cuánto tarda ai-engineering-from-scratch en instalarse?
- 8 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita ai-engineering-from-scratch una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar ai-engineering-from-scratch?
- En la ejecución registrada fallaron 4 cosas, y 4 se corrigieron sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara ai-engineering-from-scratch con las alternativas?
- De los 38 proyectos de agents que Argusic ha instalado y cronometrado, ai-engineering-from-scratch fue el 20.º más rápido en llegar a funcionar, y 25 de 38 llegaron a funcionar.
- ¿Dónde está la evidencia de ai-engineering-from-scratch?
- Las 4 ejecuciones registradas están en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.