La mayoría de los repos de “aprendé IA” te dan siempre lo mismo: una pila de notebooks, una lista de lecturas y la sensación vaga de que aprendiste algo. Terminás, cerrás la pestaña y una semana después no podrías reconstruir nada de eso. No queda nada.
ai-engineering-from-scratch hace exactamente lo contrario. Es un curriculum gratuito, con licencia MIT — cientos de lecciones prácticas a lo largo de 20 fases, desde álgebra lineal hasta swarms de agentes autónomos. Pero la parte que nos importa a nosotros no es el temario. Es lo que cada lección deja atrás: un artifact real que metés directo en tu coding agent.
La regla “build it, then use it”
Todo se sostiene sobre una sola disciplina: construí la versión chica a mano primero, después corré lo mismo a través del framework de producción.
Escribís un tokenizer con un for loop antes de importar tiktoken. Implementás backprop antes de que aparezca PyTorch. Codeás el attention mechanism a mano antes de llamar a una librería de transformers. Para cuando aparece el framework, ya no es una caja negra — ya escribiste la versión chica, así que sabés exactamente qué está haciendo por debajo.
Cada lección sigue los mismos seis pasos: la idea central, por qué importa, el concepto con diagramas, build it desde cero, use it con frameworks reales, y ship it — el prompt, skill o agente que produce esa lección.
Ese último paso es el que cambia todo.
El output es un toolkit, no un certificado
Acá está la estructura que te debería interesar. Cada lección tira algo reutilizable en una carpeta outputs/:
outputs/
├── prompts/ Prompt templates para cada tarea de IA
├── skills/ Archivos SKILL.md para AI coding agents
├── agents/ Definiciones de agentes listas para deploy
└── mcp-servers/ MCP servers que construiste durante el curso
No son ejemplos de juguete. Son tools reales que instalás con SkillKit y enchufás en Claude Code, Cursor o cualquier agente que lea SKILL.md. No terminás con “aprendí sobre MCP”. Terminás con MCP servers que escribiste vos, sentados en una carpeta, listos para conectar a tu stack.
Así que el curriculum funciona también como una fábrica de tu propio tooling de agentes. Cada concepto que aprendés se entrega como algo que tu Claude Code puede usar al día siguiente.
Las fases que pegan más cerca
Las 20 fases bajan hasta el fondo — math foundations, ML clásico, deep learning, computer vision, NLP, speech, transformers, generative AI, RL, LLMs desde cero. Todo construido a mano antes de los frameworks.
Pero si vivís en Claude Code y Cursor, hay algunas fases que van a sentirse como escritas para vos:
- Tools & Protocols — function calling, patrones de tool-use, y construcción de MCP servers y clients desde cero. Si MCP fue una caja negra hasta ahora, acá deja de serlo.
- Agent Engineering — el agent loop en sí, tool dispatch, planning con DAGs, memory (short-term, long-term, episódica), subagentes, skills loading, y hooks (PreToolUse, PostToolUse). Básicamente cada interno que te preguntaste mientras usabas un coding agent.
- Autonomous Systems — loops autónomos, agentes self-healing, ejecución cost-aware, límites de seguridad, todo coronado con la construcción de un coding agent autónomo.
- Multi-Agent & Swarms — agent teams, protocolos de coordinación, shared state, y orquestación. Lo más forward-looking.
El código aterriza en Python, TypeScript, Rust y Julia según lo que le quede mejor al concepto — así que las fases de agentes y tooling se inclinan hacia TS y Rust, que es exactamente donde ese trabajo pasa de verdad.
Dónde encaja — y dónde no
Seamos claros sobre qué es esto. No es un plugin que te hace el trabajo. No es un CLI que instalás y te olvidás. Es un curriculum — tenés que sentarte a construir de verdad.
Lo que lo hace valer tu tiempo incluso si ya pasaste la etapa de “aprender IA” es el pipeline de artifacts. Los skills, los MCP servers, las definiciones de agentes — esos son genuinamente útiles sin importar cuánta teoría ya sepas. Podés cherry-pickear: saltás directo a las fases de agent engineering o tools, construís los MCP servers, y te vas con tooling para tu stack sin tocar el álgebra lineal.
Arrancar es un solo clone:
git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
cd ai-engineering-from-scratch
De ahí podés correr el código de cualquier lección directo, o instalar los outputs en tu agente con SkillKit.
Es gratis, es MIT, y el peor caso es que te vas con una carpeta de skills y MCP servers que construiste vos mismo. Es un peor caso bastante bueno.
¿Vos arrancarías de las matemáticas o saltarías directo a la fase de agentes para armar tus MCP servers? Contanos por dónde empezarías.