A maioria dos repositórios de “aprenda IA” te dá sempre a mesma coisa: uma pilha de notebooks, uma lista de leituras e a sensação vaga de que você aprendeu algo. Você termina, fecha a aba e uma semana depois não conseguiria reconstruir nada daquilo. Nada fica.
ai-engineering-from-scratch faz exatamente o oposto. É um currículo gratuito, com licença MIT — centenas de aulas práticas ao longo de 20 fases, desde álgebra linear até swarms de agentes autônomos. Mas a parte que importa para a gente não é o conteúdo. É o que cada aula deixa para trás: um artefato real que você coloca direto no seu coding agent.
A regra “build it, then use it”
Tudo se sustenta em uma única disciplina: construa a versão pequena na mão primeiro, depois rode a mesma coisa através do framework de produção.
Você escreve um tokenizer com um for loop antes de importar tiktoken. Implementa backprop antes de PyTorch aparecer. Codifica o attention mechanism na mão antes de chamar uma biblioteca de transformers. Quando o framework aparece, ele deixa de ser uma caixa preta — você já escreveu a versão pequena, então sabe exatamente o que ele está fazendo por baixo.
Cada aula segue os mesmos seis passos: a ideia central, por que importa, o conceito com diagramas, build it do zero, use it com frameworks reais, e ship it — o prompt, skill ou agente que essa aula produz.
Esse último passo é o que muda tudo.
O output é um toolkit, não um certificado
Aqui está a estrutura que deveria te interessar. Cada aula joga algo reutilizável em uma pasta outputs/:
outputs/
├── prompts/ Templates de prompt para cada tarefa de IA
├── skills/ Arquivos SKILL.md para AI coding agents
├── agents/ Definições de agentes prontos para deploy
└── mcp-servers/ Servidores MCP que você construiu durante o curso
Não são exemplos de brinquedo. São ferramentas reais que você instala com SkillKit e conecta no Claude Code, Cursor ou qualquer agente que leia SKILL.md. Você não termina com “aprendi sobre MCP”. Você termina com servidores MCP que você escreveu, sentados em uma pasta, prontos para conectar na sua stack.
Então o currículo funciona também como uma fábrica do seu próprio tooling de agentes. Cada conceito que você aprende é entregue como algo que seu Claude Code pode usar no dia seguinte.
As fases que mais colem
As 20 fases descem até o fundo — fundações matemáticas, ML clássico, deep learning, computer vision, NLP, speech, transformers, generative AI, RL, LLMs do zero. Tudo construído na mão antes dos frameworks.
Mas se você vive em Claude Code e Cursor, tem algumas fases que vão parecer que foram escritas para você:
- Tools & Protocols — function calling, padrões de tool-use, e construção de servidores e clientes MCP do zero. Se MCP foi uma caixa preta até agora, aqui deixa de ser.
- Agent Engineering — o agent loop em si, tool dispatch, planning com DAGs, memory (short-term, long-term, episódica), subagentes, skills loading, e hooks (PreToolUse, PostToolUse). Basicamente cada detalhe interno que você se perguntou enquanto usava um coding agent.
- Autonomous Systems — loops autônomos, agentes self-healing, execução cost-aware, limites de segurança, tudo coroado com a construção de um coding agent autônomo.
- Multi-Agent & Swarms — equipes de agentes, protocolos de coordenação, shared state, e orquestração. O mais forward-looking.
O código aterrissa em Python, TypeScript, Rust e Julia de acordo com o que se encaixa melhor ao conceito — então as fases de agentes e tooling se inclinam para TS e Rust, que é exatamente onde esse trabalho acontece de verdade.
Onde se encaixa — e onde não
Sejamos claros sobre o que é isso. Não é um plugin que faz o trabalho para você. Não é um CLI que você instala e esquece. É um currículo — você tem que se sentar e construir de verdade.
O que torna isso digno do seu tempo mesmo se você já passou da fase de “aprender IA” é o pipeline de artefatos. Os skills, os servidores MCP, as definições de agentes — esses são genuinamente úteis não importa quanto de teoria você já sabe. Você pode escolher à la carte: pula direto para as fases de agent engineering ou tools, constrói os servidores MCP, e sai com tooling para sua stack sem tocar em álgebra linear.
Comçar é um único clone:
git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
cd ai-engineering-from-scratch
De lá você pode rodar o código de qualquer aula direto, ou instalar os outputs no seu agente com SkillKit.
É grátis, é MIT, e o pior caso é que você sai com uma pasta de skills e servidores MCP que você construiu. É um pior caso bem legal.
Você começaria pelas matemáticas ou pularia direto para a fase de agentes para montar seus servidores MCP? Nos conta por onde você começaria.