Original em inglês: https://argusic.com/subject/ai-engineering-from-scratch
ai-engineering-from-scratch
Aprenda Engenharia de IA! Aprenda. Construa. Entregue para os outros.
Executafonte: GitHubpágina do projetoPythonMITcommit a56b4b8ad43a
Python, licença MIT. O projeto se descreve como: agents, ai, ai agents, ai engineering, computer vision, course, deep learning e dsh.
ai-engineering-from-scratch executa. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 8 minutos e encontrou 4 erros, corrigindo todos sem ajuda, e a sessão inteira foi gravada.
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.
O que o agent conseguiu em uma máquina limpa, nas palavras dele. Como isto é medido
Medido pela Argusic em uma máquina nova, todas as vezes. Cada número tem link para as suas evidências. Pontuação Argusic 100 de 100 (a média das pontuações das execuções deste projeto).
Visão geral
Dados do projeto de GitHub, com link no topo desta página, atualizado em . Dados de teste da Argusic (CC BY 4.0); cada número tem link para uma página de execução com o log completo, a gravação e os hashes sha256 deles.
O que foi medido
Da execução que decidiu este veredito. Cada linha é um valor registrado, não uma estimativa.
O que deu errado, nas palavras do agent
As palavras do próprio agent, das piores para as menores, nunca reescritas como conselho.
- 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+)
- Tempo de instalação
- 8 minutos
- Da máquina limpa até o fim
- 25 minutos
- Erros encontrados e corrigidos
- 4 encontrados, 4 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- 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 exato testado
- a56b4b8ad43a
- Imagem do container
- sha256:cdd920bce783
O que não foi medido
A outra metade, para você ver exatamente até onde estas evidências vão. Uma lacuna é mostrada como lacuna e nunca é preenchida.
- Pico de memória da GPU
- esta execução foi em uma máquina com CPU, então não havia GPU para medir
- Comportamento em uma execução longa
- cada tentativa usa as menores configurações documentadas e um orçamento de tempo fixo, então isto mede se ele executa, não como ele se comporta sob carga
Assista à sessão
A execução inteira, a partir de uma máquina limpa, na velocidade em que realmente aconteceu. Nada é cortado e nada é acelerado.
Uma gravação da tentativa 1, executada em . O veredito acima vem de outra tentativa, então veja isto como uma sessão e não como o resultado atual. A gravação do terminal da qual ele foi feito é a evidência, guardada com uma impressão digital sha256; o vídeo é uma renderização dela. Nada é carregado do serviço de vídeo até você apertar o play.
O fim da gravação
As últimas linhas da sessão de terminal que decidiu este veredito, exatamente como foram gravadas.
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
Reproduzir a sessão inteira, cada comando desde a máquina limpa até este ponto.
Como foi testado
Um agent, um container, nenhuma ajuda humana. Ele instala o projeto do jeito que a própria documentação do projeto manda, executa o projeto e corrige o que quebra. Tudo abaixo é registrado como aconteceu: a sessão de terminal, o log e o commit exato. A metodologia completa.
Pontos fortes e limites
Fatos medidos, não opiniões. Como este conteúdo é escrito.
O que deu certo
- Chegou a um estado de execução em uma máquina limpa, com a sessão gravada.
- Recuperou-se de todos os 4 erros sem que uma pessoa interviesse, o que indica que as falhas estão documentadas o suficiente para serem resolvidas.
- Executou sem GPU, então não precisa de uma para iniciar.
- Licença MIT, segundo a plataforma onde o projeto está hospedado.
- Medido 4 vezes, então o resultado não é um caso isolado.
O que não deu certo, ou não se sabe
- Levou 8 minutos para instalar, mais devagar que a mediana dos 37 projetos comparáveis que a Argusic mediu.
Dos 38 projetos de agents que a Argusic instalou e cronometrou, ai-engineering-from-scratch foi o 20º mais rápido a chegar a um estado de execução, e 25 de 38 chegaram a esse estado.
Para que é uma escolha razoável
- Testar em um laptop ou em um servidor pequeno: ele chegou a um estado de execução sem GPU.
- Uma avaliação rápida: ele estava executando 8 minutos depois do clone.
Também testados, na mesma área
Cada um destes foi instalado e executado pela Argusic em uma máquina limpa. Nada aparece aqui sem ter sido testado.
Histórico de execuções
Tópicos (de GitHub)
agentsaiai-agentsai-engineeringcomputer-visioncoursedeep-learningdshfrom-scratchgenerative-aillmmachine-learningmcppythonreareinforcement-learningrusttransformerstutorialtypescript
Incorporar o selo
Markdown para o README do projeto. Ele tem link de volta para esta página; os termos estão na página de termos.
[](https://argusic.com/subject/ai-engineering-from-scratch)Perguntas
- ai-engineering-from-scratch executa?
- Sim. ai-engineering-from-scratch executa. A Argusic o instalou e iniciou em uma máquina limpa em 8 minutos, encontrando 4 erros no caminho, e gravou a sessão.
- Como a Argusic testou ai-engineering-from-scratch?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit a56b4b8ad43a. Há 4 tentativas registradas, e a metodologia completa está na página da metodologia.
- Quanto custou testar ai-engineering-from-scratch?
- A execução que produziu este veredito custou US$ 0,16: custo real de computação e de modelo, não um preço de tabela por milhão de tokens. Esse valor está registrado na página da execução.
- Quanto tempo leva para instalar ai-engineering-from-scratch?
- 8 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- ai-engineering-from-scratch precisa de GPU?
- Não para iniciar. A Argusic chegou a um estado de execução em uma máquina sem GPU.
- O que dá errado ao instalar ai-engineering-from-scratch?
- 4 coisas quebraram na execução registrada, e 4 foram corrigidas sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Como ai-engineering-from-scratch se compara às alternativas?
- Dos 38 projetos de agents que a Argusic instalou e cronometrou, ai-engineering-from-scratch foi o 20º mais rápido a chegar a um estado de execução, e 25 de 38 chegaram a esse estado.
- Onde estão as evidências de ai-engineering-from-scratch?
- Todas as 4 execuções registradas estão nesta página, cada uma com link para o seu log completo e a sua gravação do terminal, guardados com uma impressão digital sha256 para que não possam ser alterados discretamente.