Traduzione assistita dall’IA; struttura e terminologia verificate. Fa fede la versione inglese · aiengineeringfromscratch.com
Implementa i componenti interni dei modelli, le pipeline di recupero e gli ambienti di esecuzione degli agenti. Testali, esamina i guasti e conserva il codice e i risultati della valutazione.
Inizia a imparare · Scegli un percorso · Prova un laboratorio · Realizza un progetto · Consulta il programma
Gratuito, open source, con licenza MIT. Impara sul sito, con un agente di programmazione o eseguendo codice locale.
542 lezioni. 20 fasi. Python, TypeScript, Rust, Julia.
Leggi nella tua lingua
🇬🇧 English · 🇨🇳 简体中文 · 🇹🇼 繁體中文（台灣） · 🇯🇵 日本語 · 🇰🇷 한국어 · 🇵🇹 Português · 🇧🇷 Português (Brasil) · 🇪🇸 Español · 🇩🇪 Deutsch · 🇫🇷 Français · 🇮🇹 Italiano · 🇳🇱 Nederlands · 🇵🇱 Polski · 🇨🇿 Čeština · 🇷🇴 Română · 🇭🇺 Magyar · 🇬🇷 Ελληνικά · 🇸🇪 Svenska · 🇩🇰 Dansk · 🇳🇴 Norsk · 🇫🇮 Suomi · 🇷🇺 Русский · 🇺🇦 Українська · 🇹🇷 Türkçe · 🇮🇱 עברית · 🇸🇦 العربية · 🇮🇷 فارسی · 🇮🇳 हिन्दी · 🇧🇩 বাংলা · 🇵🇰 اردو · 🇹🇭 ไทย · 🇻🇳 Tiếng Việt · 🇮🇩 Bahasa Indonesia · 🇵🇭 Tagalog
Il tuo sostegno mantiene ogni lezione gratuita e open source. Vedi tutti i sostenitori · Diventa uno sponsor
| Percorso | Lezione iniziale |
|---|---|
| Fondamenti dei modelli | Configurazione e strumenti |
| Sistemi LLM | Ingegneria dei prompt |
| Agenti e rilascio | Il ciclo dell’agente |
Confronta i percorsi professionali · Prerequisiti e tempo di studio
Venti punti iniziali seguono la discesa del gradiente su una funzione di perdita quadratica. Il grafico mostra le loro posizioni e la perdita media dopo ogni aggiornamento.
Regola il tasso di apprendimento nella lezione · Confronta GD, momentum e Adam nel codice
Tre progetti con codice iniziale per fasi, implementazioni di riferimento e valutatori locali. Esegui i comandi dalla radice del repository dopo la configurazione. Il codice iniziale non supera i controlli finché non implementi le fasi.
01 · Laboratorio di valutazione del recupero · Python · Metriche di graduatoria e controlli di regressione
Un sistema candidato migliora l’NDCG medio mentre una query colloca più in basso la sua evidenza più rilevante. Realizza un confronto per query che segnali la regressione e possa far fallire un controllo di rilascio.
Usa Python 3.10+. Ripassa RAG e valutazione dei modelli. Implementa la validazione delle graduatorie, precisione e richiamo, metriche sensibili alla posizione e infine il confronto tra sistemi.
python3 scripts/project_test.py retrieval-evaluation-lab \
--init learning-artifacts/retrieval-evaluation-lab
python3 scripts/project_test.py retrieval-evaluation-lab \
--stage 1 --path learning-artifacts/retrieval-evaluation-lab --strict
python3 scripts/project_test.py retrieval-evaluation-lab \
--all --path learning-artifacts/retrieval-evaluation-lab --strictConserva: un confronto riproducibile con variazioni per query e i giudizi usati per valutarle. Le metriche descrivono quei giudizi; non dimostrano la correttezza delle risposte.
Inizia il progetto · Esamina il riferimento · Esegui sui tuoi dati
02 · Debugger delle tracce degli agenti · TypeScript · Parsing delle tracce e tempi
Una traccia fornita impiega ancora 100 ms, ma l’uso totale aumenta di 200 token e uno span inizia a fallire. Separa il lavoro sovrapposto degli span figli dal tempo di esecuzione del padre e produci un rapporto che mostri la variazione.
Usa Node.js 22.18+ e Python 3 per il valutatore. Implementa il parsing JSONL, la validazione dei legami padre-figlio, l’aritmetica degli intervalli e una sequenza temporale ispezionabile.
python3 scripts/project_test.py agent-trace-debugger \
--init learning-artifacts/agent-trace-debugger
python3 scripts/project_test.py agent-trace-debugger \
--stage 1 --path learning-artifacts/agent-trace-debugger --strict
python3 scripts/project_test.py agent-trace-debugger \
--all --path learning-artifacts/agent-trace-debugger --strictConserva: la traccia di ingresso, una sequenza temporale HTML e un rapporto di regressione JSON. Mantieni conteggi esclusivi dei token per span per evitare di contare due volte l’uso del padre e dei figli.
Inizia il progetto · Esamina il riferimento · Esplora i tempi in modo interattivo
03 · Firewall delle chiamate agli strumenti · Rust · Controlli dei ruoli e ricevute di approvazione
Una scrittura cambia dopo la revisione o un’approvazione viene riutilizzata. Valida l’involucro della chiamata, verifica ruolo e percorso del chiamante e consuma un’approvazione legata alla richiesta e al contenuto esatti.
Usa Rust e Python 3.10+. Ripassa progettazione degli schemi degli strumenti e confini di sicurezza. L’applicazione chiamante fornisce l’identità; il modello propone un’operazione.
python3 scripts/project_test.py tool-call-firewall \
--init learning-artifacts/tool-call-firewall
python3 scripts/project_test.py tool-call-firewall \
--stage 1 --path learning-artifacts/tool-call-firewall --strict
python3 scripts/project_test.py tool-call-firewall \
--all --path learning-artifacts/tool-call-firewall --strictConserva: una ricevuta di audit che mostri l’operazione richiesta e la decisione della policy. Le approvazioni sono monouso all’interno di una singola invocazione; questo progetto non offre autorizzazione persistente né una sandbox del sistema operativo.
Inizia il progetto · Esamina il riferimento · Esplora i confini delle approvazioni
Sfoglia tutti i progetti · Guida alla pratica professionale
Apri una lezione su aiengineeringfromscratch.com oppure espandi una fase nell’indice. Non servono configurazioni né clonazioni.
Se hai già installato Node.js, npx e un agente di coding che supporta le skill, puoi trasformarlo nel tuo tutor. Non serve clonare il repository per installare o consultare il tutor. Per eseguire i laboratori dei percorsi mirati serve python3. I laboratori di Agent Skills richiedono anche un host selezionato e un ambito utente o progetto scrivibile.
npx skills add rohitg00/ai-engineering-from-scratchScegli host e ambito quando lo richiede il programma di installazione. Usa start-learning in Codex, /start-learning in Claude Code oppure chiedi al tuo host di usare la skill per nome.
Configurazione del tutor e comandi dell’ambiente
Per prima cosa, verifica i requisiti locali:
node --version
npx --version
python3 --versionskills installa i file nell’host e nell’ambito scelti, per esempio .claude/skills/, .cursor/skills/ o .codex/skills/. Verifica che l’host selezionato rilevi proprio quel percorso.
La sintassi di invocazione dipende dall’host, non dal formato portabile SKILL.md:
| Applicazione ospitante | Avvia il corso | Avvia il percorso Model Context Protocol (MCP) | Avvia il percorso Agent Skills | Fai un quiz di fase |
|---|---|---|---|---|
| Codex | start-learning oppure selezionala da /skills |
learn-mcp oppure selezionala da /skills |
learn-agent-skills oppure selezionala da /skills |
check-understanding 13 oppure selezionala da /skills |
| Claude Code | /start-learning |
/learn-mcp |
/learn-agent-skills |
/check-understanding 13 |
| Altri host compatibili | Use start-learning to begin the course. |
Use learn-mcp to start the Model Context Protocol (MCP) path. |
Use learn-agent-skills to start the Agent Skills Engineering path. |
Use check-understanding to quiz me on Phase 13. |
Un quiz di orientamento di dieci domande individua la fase da cui partire in base alle tue conoscenze e salva un piano di studio personalizzato in LEARNING.md. Da quel momento, la skill learn insegna una lezione per sessione seguendo quattro passaggi: concetto, matematica, codice e quiz. La skill course-guide ti indirizza alla lezione esatta che affronta il problema su cui ti sei bloccato. In Codex, avvia queste skill con learn e course-guide; in Claude Code, usa /learn e /course-guide. Sugli altri host compatibili, chiedi di usare la skill per nome.
Ti interessa solo il Model Context Protocol (MCP)? Usa l’istruzione MCP corrispondente al tuo host. Verrà creato MCP-LEARNING.md e seguirai un percorso di 17 lezioni: richieste senza stato, trasporti, operazioni bidirezionali, sicurezza, affidabilità, governance dei registri e prove di conformità. L’ordine e i punti di verifica sono definiti nel manifesto del percorso MCP.
Ti interessano solo le Agent Skills? Usa l’istruzione corrispondente al tuo host. Verrà creato AGENT-SKILLS-LEARNING.md e seguirai un percorso coerente di cinque lezioni: contratto, discovery, invocazione, limiti della sandbox, valutazione prima del rilascio e portabilità tra host reali. Inizia sul web dal percorso Agent Skills.
L’installer elenca gli host che può configurare e ti chiede dove installare le skill. Se non hai ancora Node.js, npx, python3, un host supportato o un ambito scrivibile, consulta il sito web o leggi docs/en.md. Imparerai i concetti, ma dovrai rimandare le prove di discovery, invocazione, esecuzione degli script e disinstallazione sull’host reale finché non saranno disponibili i requisiti preliminari. Consulta aiengineeringfromscratch.com.
| Abilità | Funzione |
|---|---|
start-learning |
Onboarding iniziale: perché studi, quiz di orientamento e piano personalizzato salvato in LEARNING.md. |
learn |
Il ciclo del tutor: ripasso iniziale, lezione successiva insegnata in modo interattivo, quindi quiz; registra i progressi e gli argomenti da ripassare. |
course-guide |
Instrada verso gli argomenti: «Dove posso imparare l’attenzione?» o «la mia loss è NaN» → indica le lezioni esatte e i relativi link. |
learn-mcp |
Tutor dedicato al Model Context Protocol (MCP). Crea MCP-LEARNING.md, segue il manifesto del percorso di 17 lezioni e registra le prove relative al protocollo, alla sicurezza, all’affidabilità e alla conformità. |
learn-agent-skills |
Tutor dedicato alle Agent Skills. Crea AGENT-SKILLS-LEARNING.md, insegna le lezioni 22, 24, 25, 26 e 27 e registra le prove raccolte su un host reale. |
learn-reverse-engineering |
Tutor dedicato al reverse engineering. Crea REVERSE-ENGINEERING-LEARNING.md, insegna le lezioni dalla 32 alla 45 della fase 13 su programmi che compili tu stesso e registra le prove raccolte in laboratorio. |
claude-certification |
Tutor per le certificazioni. Sceglie tra CCAO-F, CCDV-F, CCAR-F e CCAR-P; insegna ogni lezione; svolge i laboratori; esamina gli artefatti; propone prove diagnostiche e simulazioni; salva i progressi. |
mcpa-certification |
Tutor MCPA. Segue il percorso di 34 lezioni mcpa-f sul protocollo del 2026-07-28; insegna ogni lezione, esegue i laboratori e il validatore del protocollo, propone la prova diagnostica e tre simulazioni e salva i progressi. |
find-your-level |
Quiz di orientamento in dieci domande: identifica la fase iniziale più adatta e crea un percorso personalizzato con una stima delle ore di studio. |
check-understanding <phase> |
Quiz di fase in otto domande con feedback e indicazioni precise sulle lezioni da ripassare. Usa la sintassi per Codex o Claude Code, oppure la formulazione in linguaggio naturale riportata nella tabella sopra. |
git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
cd ai-engineering-from-scratch
python3 phases/00-setup-and-tooling/01-dev-environment/code/verify.py --route beginner
python3 phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.pyIl controllo preliminare distingue i requisiti necessari subito dagli strumenti utili più avanti. Per ogni requisito mancante indica la causa rilevata e un comando per correggerla. Il comando vectors.py avvia una lezione senza dipendenze e mostra, alla fine, che il prodotto di una matrice per un vettore è l’operazione eseguita in uno strato di una rete neurale. Salva l’output del terminale come prima prova.
Segui ogni lezione nello stesso modo
- Leggi
docs/en.mde spiega l’idea centrale con parole tue. - Scrivi e costruisci il codice importante, senza trattare il blocco di codice come un ornamento.
- Esegui il comando della lezione dalla radice del repository, cioè la cartella che contiene
README.mdephases/. - Conserva le prove: il comando, la cartella di lavoro, il codice di uscita, i risultati significativi e l’artefatto che hai modificato o creato.
- Prosegui solo quando sai spiegare il risultato e apportare una piccola modifica senza andare a tentativi.
I comandi nelle lezioni usano percorsi relativi alla radice del repository, salvo diversa indicazione esplicita. Se una lezione offre più linguaggi, esegui l’implementazione nel linguaggio che stai studiando.
Non serve scorrere tutte le 542 lezioni prima di cominciare. Scegli un obiettivo: ogni link apre lo stesso programma su GitHub o sul sito web, e le due versioni usano lo stesso codice delle lezioni.
| Il tuo obiettivo | Su GitHub | Sul sito web |
|---|---|---|
| Parto da zero e voglio acquisire tutte le basi | Fase 0: Configurazione e strumenti | Ambiente di sviluppo |
| Conosco Python e voglio acquisire le basi matematiche e di apprendimento automatico | Fase 1: Fondamenti matematici | Intuizione dell’algebra lineare |
| Voglio creare applicazioni LLM pronte per la produzione | Fase 11: Ingegneria degli LLM | Ingegneria dei prompt |
| Voglio creare agenti | Fase 14: Ingegneria degli agenti | Il ciclo dell’agente |
| Voglio usare agenti di programmazione su repository reali | Percorso di ingegneria assistita da agenti | Ingegneria assistita da agenti |
| Voglio definire la soluzione giusta prima di implementarla | Percorso di definizione del prodotto e di consegna | Definire il prodotto e consegnarlo |
Non sai da dove cominciare? Usa il tutor di orientamento start-learning oppure consulta la guida ai prerequisiti del sito web.
Confronta quattro aree fondamentali e sei percorsi professionali nella guida ai percorsi di apprendimento in AI Engineering.
Percorsi mirati MCP, Agent Skills e reverse engineering
| Il tuo obiettivo | Su GitHub | Sul sito web |
|---|---|---|
| Voglio creare applicazioni con il Model Context Protocol (MCP) | Percorso Model Context Protocol (MCP) | Percorso Model Context Protocol (MCP) |
| Voglio scrivere e distribuire Agent Skills | Percorso mirato di Agent Skills | Percorso Agent Skills |
| Voglio leggere programmi compilati | Percorso di reverse engineering | Percorso di reverse engineering |
Prerequisiti e tempo di studio
- Sai scrivere codice in qualsiasi linguaggio (Python è utile).
- Vuoi capire come funziona davvero l’IA, non limitarti a chiamare le API.
| Esperienza | Inizia da | Durata stimata |
|---|---|---|
| Nuovo alla programmazione e all’IA | Fase 0 — Configurazione | ~306 ore |
| Conosci Python, ma sei alle prime armi con il machine learning | Fase 1 — Fondamenti matematici | ~270 ore |
| Conosci il machine learning, ma sei alle prime armi con il deep learning | Fase 3 — Fondamenti di deep learning | ~200 ore |
| Conosci il deep learning e vuoi approfondire LLM e agenti | Fase 10 — Costruire LLM da zero | ~100 ore |
| Ingegnere senior interessato solo all’ingegneria degli agenti | Fase 14 — Ingegneria degli agenti | ~60 ore |
| Vuoi solo creare sistemi MCP per la produzione | Percorso Model Context Protocol (MCP) | ~23 ore e 15 min |
| Vuoi solo creare Agent Skills pronte per la produzione | Percorso di ingegneria Agent Skills | ~9,5 ore |
| Vuoi solo imparare il reverse engineering | Percorso di reverse engineering | ~32,5 ore |
Le venti fasi si costruiscono l’una sull’altra. La matematica è la base; gli agenti e la messa in produzione sono il livello più alto. Se conosci già i livelli inferiori, puoi andare avanti; se li salti, però, non stupirti se gli argomenti più avanzati ti risultano ostici.
%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'12px'}}}%%
flowchart TB
P0["Fase 0: Configurazione e strumenti"] --> P1["Fase 1 : Fondamenti matematici"]
P1 --> P2["Fase 2 : Fondamenti di machine learning"]
P2 --> P3["Fase 3 : Fondamenti di deep learning"]
P3 --> P4["Fase 4 : Visione artificiale"]
P3 --> P5["Fase 5 : Elaborazione del linguaggio naturale: dalle basi agli argomenti avanzati"]
P3 --> P6["Fase 6 : Voce e audio"]
P3 --> P9["Fase 9 : Reinforcement learning"]
P5 --> P7["Fase 7 : Approfondimento sui Transformer"]
P7 --> P8["Fase 8 : IA generativa"]
P7 --> P10["Fase 10 : Costruire LLM da zero"]
P10 --> P11["Fase 11 : Ingegneria degli LLM"]
P10 --> P12["Fase 12 : IA multimodale"]
P11 --> P13["Fase 13 : Strumenti e protocolli"]
P13 --> P14["Fase 14 : Ingegneria degli agenti"]
P14 --> P15["Fase 15 : Sistemi autonomi"]
P15 --> P16["Fase 16 : Sistemi multi-agente e sciami"]
P14 --> P17["Fase 17 : Infrastruttura e produzione"]
P15 --> P18["Fase 18 : Etica, sicurezza e allineamento"]
P16 --> P19["Fase 19 : Progetti conclusivi"]
P17 --> P19
P18 --> P19
Fai clic su una fase per espandere l’elenco delle lezioni.
Prepara l’ambiente per tutto ciò che segue.
| # | Lezione | Tipo | Linguaggio |
|---|---|---|---|
| 01 | Ambiente di sviluppo | Costruire | Python |
| 02 | Git e collaborazione | Imparare | — |
| 03 | Configurare GPU e servizi cloud | Costruire | Python |
| 04 | API e chiavi | Costruire | Python |
| 05 | Notebook Jupyter | Costruire | Python |
| 06 | Ambienti Python | Costruire | Shell |
| 07 | Docker per l’IA | Costruire | Docker |
| 08 | Configurazione dell’editor | Costruire | — |
| 09 | Gestione dei dati | Costruire | Python |
| 10 | Terminale e shell | Imparare | — |
| 11 | Linux per l’IA | Imparare | — |
| 12 | Debug e profiling | Costruire | Python |
| 13 | Python per l’ingegneria dell’IA | Costruire | Python |
Fase 1 — Fondamenti matematici 22 lezioni L’intuizione alla base di ogni algoritmo di IA, spiegata attraverso il codice.
Fase 2 — Fondamenti di machine learning 21 lezioni Il machine learning classico è ancora alla base della maggior parte dei sistemi di IA in produzione.
Fase 3 — Fondamenti di deep learning 13 lezioni Reti neurali dai principi fondamentali, senza framework finché non ne avrai costruito uno.
| # | Lezione | Tipo | Linguaggio |
|---|---|---|---|
| 01 | Il percettrone: l’inizio di tutto | Costruire | Python |
| 02 | Reti multistrato e passaggio in avanti | Costruire | Python |
| 03 | Backpropagation da zero | Costruire | Python |
| 04 | Funzioni di attivazione: ReLU, sigmoide, GELU e perché servono | Costruire | Python |
| 05 | Funzioni di perdita: MSE, entropia incrociata e loss contrastiva | Costruire | Python |
| 06 | Ottimizzatori: SGD, momentum, Adam e AdamW | Costruire | Python |
| 07 | Regolarizzazione: dropout, weight decay e BatchNorm | Costruire | Python |
| 08 | Inizializzazione dei pesi e stabilità dell’addestramento | Costruire | Python |
| 09 | Scheduler del learning rate e warmup | Costruire | Python |
| 10 | Costruisci il tuo mini-framework | Costruire | Python |
| 11 | Introduzione a PyTorch | Costruire | Python |
| 12 | Introduzione a JAX | Costruire | Python |
| 13 | Debug delle reti neurali | Costruire | Python |
Fase 4 — Visione artificiale 28 lezioni Dai pixel alla comprensione: immagini, video, 3D, modelli vision-language e modelli del mondo.
Fase 5 — Elaborazione del linguaggio naturale: dalle basi agli argomenti avanzati 29 lezioni Il linguaggio è l’interfaccia dell’intelligenza.
Fase 6 — Voce e audio 17 lezioni Ascoltare, capire, parlare.
Fase 7 — Approfondimento sui Transformer 16 lezioni L’architettura che ha cambiato tutto.
| # | Lezione | Tipo | Linguaggio |
|---|---|---|---|
| 01 | Perché i Transformer: i limiti delle RNN | Imparare | Python |
| 02 | Self-attention da zero | Costruire | Python |
| 03 | Attenzione multi-head | Costruire | Python |
| 04 | Codifica posizionale: sinusoidale, RoPE e ALiBi | Costruire | Python |
| 05 | Il Transformer completo: encoder e decoder | Costruire | Python |
| 06 | BERT: masked language modeling | Costruire | Python |
| 07 | GPT: causal language modeling | Costruire | Python |
| 08 | T5 e BART: modelli encoder-decoder | Imparare | Python |
| 09 | Vision Transformer (ViT) | Costruire | Python |
| 10 | Transformer audio: architettura di Whisper | Imparare | Python |
| 11 | Mixture of Experts (MoE) | Costruire | Python |
| 12 | KV cache, FlashAttention e ottimizzazione dell’inferenza | Costruire | Python |
| 13 | Scaling law | Imparare | Python |
| 14 | Costruisci un Transformer da zero | Costruire | Python |
| 15 | Varianti dell’attenzione: finestra scorrevole, sparsa e differenziale | Costruire | Python |
| 16 | Speculative decoding: proposta, verifica, ripetizione | Costruire | Python |
Fase 8 — IA generativa 15 lezioni Crea immagini, video, audio, oggetti 3D e molto altro.
| # | Lezione | Tipo | Linguaggio |
|---|---|---|---|
| 01 | Modelli generativi: tassonomia e storia | Imparare | Python |
| 02 | Autoencoder e VAE | Costruire | Python |
| 03 | GAN: generatore e discriminatore | Costruire | Python |
| 04 | GAN condizionali e Pix2Pix | Costruire | Python |
| 05 | StyleGAN | Costruire | Python |
| 06 | Modelli di diffusione: DDPM da zero | Costruire | Python |
| 07 | Diffusione latente e Stable Diffusion | Costruire | Python |
| 08 | ControlNet, LoRA e condizionamento | Costruire | Python |
| 09 | Inpainting, outpainting e modifica delle immagini | Costruire | Python |
| 10 | Generazione video | Costruire | Python |
| 11 | Generazione audio | Costruire | Python |
| 12 | Generazione 3D | Costruire | Python |
| 13 | Flow matching e rectified flow | Costruire | Python |
| 14 | Valutazione: FID e CLIP Score | Costruire | Python |
| 19 | Modellazione autoregressiva visiva (VAR): previsione della scala successiva | Costruire | Python |
Fase 9 — Reinforcement learning 12 lezioni Le basi del RLHF e dell’IA per i videogiochi.
| # | Lezione | Tipo | Linguaggio |
|---|---|---|---|
| 01 | MDP: stati, azioni e ricompense | Imparare | Python |
| 02 | Programmazione dinamica | Costruire | Python |
| 03 | Metodi Monte Carlo | Costruire | Python |
| 04 | Q-learning e SARSA | Costruire | Python |
| 05 | Deep Q-Network (DQN) | Costruire | Python |
| 06 | Policy gradient: REINFORCE | Costruire | Python |
| 07 | Actor-critic: A2C e A3C | Costruire | Python |
| 08 | PPO | Costruire | Python |
| 09 | Modellazione delle ricompense e RLHF | Costruire | Python |
| 10 | Reinforcement learning multi-agente | Costruire | Python |
| 11 | Trasferimento dalla simulazione al mondo reale | Costruire | Python |
| 12 | Reinforcement learning per i videogiochi | Costruire | Python |
Fase 10 — Costruire LLM da zero 24 lezioni Costruisci, addestra e comprendi i grandi modelli linguistici.
Fase 11 — Ingegneria degli LLM 17 lezioni Porta gli LLM in produzione.
| # | Lezione | Tipo | Linguaggio |
|---|---|---|---|
| 01 | Prompt engineering: tecniche e schemi | Costruire | Python |
| 02 | Few-shot, chain-of-thought (CoT) e tree-of-thought | Costruire | Python |
| 03 | Output strutturati | Costruire | Python |
| 04 | Embedding e rappresentazioni vettoriali | Costruire | Python |
| 05 | Context engineering | Costruire | Python |
| 06 | RAG: generazione aumentata dal recupero | Costruire | Python |
| 07 | RAG avanzato: chunking e reranking | Costruire | Python |
| 08 | Fine-tuning con LoRA e QLoRA | Costruire | Python |
| 09 | Chiamata di funzioni e uso degli strumenti | Costruire | Python |
| 10 | Valutazione e test | Costruire | Python |
| 11 | Caching, rate limiting e costi | Costruire | Python |
| 12 | Guardrail e sicurezza | Costruire | Python |
| 13 | Creare un’applicazione LLM per la produzione | Costruire | Python |
| 14 | Model Context Protocol (MCP) | Costruire | Python |
| 15 | Caching di prompt e contesto | Costruire | Python |
| 16 | Macchine a stati per agenti: grafi, nodi e checkpoint | Costruire | Python |
| 17 | Compromessi tra framework per agenti | Imparare | Python |
Fase 12 — IA multimodale 25 lezioni Vedere, ascoltare, leggere e ragionare tra modalità diverse: dai patch ViT agli agenti che usano il computer.
Fase 13 — Strumenti e protocolli 45 lezioni Le interfacce tra l’IA e il mondo reale.
Le lezioni dalla 06 alla 18 e dalla 28 alla 31 compongono il percorso mirato Model Context Protocol (MCP). L’ordine previsto dal manifesto è 06, 07, 08, 09, 10, 11, 12, 13, 14, 15, 16, 18, 17, 28, 29, 30, 31. Avvia il percorso con l’invocazione learn-mcp specifica per il tuo host. La lezione 23 è l’unico progetto conclusivo facoltativo e richiede anche le lezioni 19 e 20.
Le lezioni 22 e dalla 24 alla 27 compongono il percorso di apprendimento Agent Skills, dal contratto del pacchetto ai controlli di rilascio su un host reale. Avvialo con l’invocazione learn-agent-skills indicata sopra; non seguire la navigazione numerica dalla lezione 22 alla 23.
Fase 14 — Ingegneria degli agenti 54 lezioni Costruire agenti dai principi fondamentali, usare in modo affidabile gli agenti di coding e definire il lavoro prima di implementarlo.
Ogni lezione della fase 14 (dalla 31 alla 42) fornisce un file mission.md che prepara l’agente prima che apra la documentazione completa della lezione.
Le lezioni dalla 31 alla 46 compongono il percorso di ingegneria assistita da agenti. L’ordine del manifesto unisce i fondamenti dell’ambiente di lavoro alla definizione delle attività, alla pianificazione, alla delega e a un ciclo persistente di feedback. Le lezioni dalla 47 alla 54 compongono il percorso di definizione del prodotto e di consegna, che parte dalla definizione del risultato e prosegue con evidenze, rischi, ambito, misurazione, rilascio graduale e responsabilità del feedback.
Fase 15 — Sistemi autonomi 22 lezioni Agenti a lungo orizzonte, auto-miglioramento e stack di sicurezza del 2026.
Fase 16 — Sistemi multi-agente e sciami 25 lezioni Coordinamento, comportamenti emergenti e intelligenza collettiva.
Fase 17 — Infrastruttura e produzione 29 lezioni Porta l’IA nel mondo reale.
Fase 18 — Etica, sicurezza e allineamento 30 lezioni Costruire un’IA che aiuti l’umanità. Non è facoltativo.
Fase 19 — Progetti conclusivi 85 lezioni 17 prodotti completi e 9 percorsi di sviluppo approfondito. 20–40 ore per progetto; 4–12 lezioni per percorso.
Percorsi di costruzione approfondita — sequenze di lezioni per costruire da zero un sottosistema completo.
Leggi il programma di base come un libro
Il programma di base in 20 fasi, contenuto in phases/, è pubblicato anche in una serie di sei volumi. I file EPUB e PDF vengono creati dalla CI usando le stesse lezioni e sono allegati a ogni release GitHub; i link qui sotto puntano sempre alla versione più recente. I numeri identificano i volumi della serie, non le versioni: ogni copia riporta la data dell’edizione, mentre quelle precedenti restano disponibili nella rispettiva release.
I programmi di certificazione non vengono convertiti in libri: il tutor IA, i laboratori eseguibili, le figure interattive, le prove diagnostiche e le simulazioni a tempo restano disponibili su GitHub e sul sito web.
| Vol. | Titolo | Fasi | Scaricamento |
|---|---|---|---|
| 1 | Fondamenti · Matematica, strumenti e machine learning classico | 00-02 | EPUB · PDF |
| 2 | Deep learning · Reti, visione e linguaggio | 03, 04, 06 | EPUB · PDF |
| 3 | Linguaggio · Fondamenti di NLP e Transformer | 05, 07 | EPUB · PDF |
| 4 | Large language model · Generazione, reinforcement learning, pre-training e ingegneria | 08-11 | EPUB · PDF |
| 5 | Agenti · Multimodalità, protocolli, autonomia e sciami | 12-16 | EPUB · PDF |
| 6 | Produzione · Infrastruttura, sicurezza e progetti conclusivi | 17-19 | EPUB · PDF |
Il libro è un’istantanea; questo repository è l’edizione in continua evoluzione. Ogni capitolo rimanda alle figure animate, al quiz e al codice eseguibile della lezione. Per generare il libro in locale, esegui python3 scripts/build_book.py (serve Pandoc); i dettagli della pipeline sono in book/README.md.
Preparati alle certificazioni Claude
La Claude Certification Academy è un programma gratuito e open source per prepararsi a tutti e quattro i percorsi ufficiali di certificazione Claude: Associate Foundations, Developer Foundations, Architect Foundations e Architect Professional. Ogni percorso comprende lezioni allineate al programma d’esame, laboratori eseguibili, una prova diagnostica, un progetto conclusivo e un esame di simulazione originale a lunghezza completa.
Segui la guida introduttiva per GitHub basata sull’IA con Claude Code, Codex, ChatGPT, Cursor o un altro agente. Avvia claude-certification in Codex, /claude-certification in Claude Code oppure chiedi a un altro host di usare claude-certification. La skill ti fa scegliere un percorso, crea un piano persistente in CLAUDE-CERTIFICATION.md, insegna un passaggio alla volta, esegue i laboratori reali e fornisce feedback basato sugli artefatti. Il programma è disponibile anche sul sito delle certificazioni.
L’Academy è un programma di studio indipendente basato sugli obiettivi d’esame pubblici. Non è affiliata ad Anthropic, non riproduce domande d’esame reali e non può garantire il superamento dell’esame.
Preparati alla certificazione MCP Associate (MCPA)
Il programma di certificazione MCPA è un percorso gratuito e open source per prepararsi all’esame MCP Associate della Agentic AI Foundation, erogato tramite Linux Foundation Training. Le 34 lezioni trattano il protocollo senza stato del 2026-07-28 e coprono i cinque ambiti d’esame: _meta per richiesta e server/discover al posto del vecchio handshake, richieste con più round trip, sottoscrizioni, caching, estensioni Tasks e MCP Apps, autorizzazione OAuth, registri e SDK. Ogni lezione include un laboratorio eseguibile con la sola libreria standard e controlli sulla struttura del messaggio prevista dal protocollo. Il percorso comprende inoltre una prova diagnostica, un progetto conclusivo e tre simulazioni originali a lunghezza completa, con domande distribuite secondo i pesi del programma ufficiale.
Segui la guida introduttiva per GitHub basata sull’IA con Claude Code, Codex, ChatGPT, Cursor o un altro agente. Avvia mcpa-certification in Codex, /mcpa-certification in Claude Code oppure chiedi a un altro host di usare mcpa-certification. La skill crea un piano persistente in MCPA-CERTIFICATION.md, insegna un passaggio alla volta, esegue i laboratori reali e fornisce feedback basato sugli artefatti. Consulta la pagina del percorso MCPA.
Il programma è un materiale di studio indipendente basato sugli obiettivi d’esame pubblici. Non è affiliato alla Agentic AI Foundation o alla Linux Foundation, non riproduce domande d’esame reali e non può garantire il superamento dell’esame.
Ogni lezione produce un artefatto riutilizzabile. Installalo nel tuo agente oppure usa gli script seguenti dalla radice del repository.
Struttura delle lezioni e artefatti riutilizzabili
Ogni lezione si trova nella propria cartella e segue la stessa struttura in tutto il programma:
phases/<NN>-<phase-name>/<NN>-<lesson-name>/
├── code/ implementazioni eseguibili (Python, TypeScript, Rust, Julia)
├── docs/
│ └── en.md contenuto didattico della lezione
└── outputs/ prompt, skill, agenti o server MCP prodotti dalla lezione
Ogni lezione segue sei passaggi. La sequenza Build It / Use It ne è il fulcro: prima implementi l’algoritmo da zero, poi esegui la stessa operazione con la libreria usata in produzione. Avendo scritto tu stesso una versione più semplice, capisci cosa fa il framework.
%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'13px'}}}%%
flowchart LR
M["IDEA CHIAVE<br/><sub>il principio in una riga</sub>"] --> Pr["PROBLEMA<br/><sub>una difficoltà concreta</sub>"]
Pr --> C["CONCETTO<br/><sub>diagrammi e intuizione</sub>"]
C --> B["COSTRUISCILO<br/><sub>matematica di base, senza framework</sub>"]
B --> U["USALO<br/><sub>lo stesso in PyTorch / sklearn</sub>"]
U --> S["PUBBLICALO<br/><sub>istruzione · abilità · agente · MCP</sub>"]
Altri programmi si concludono con: «Congratulazioni, hai imparato X». Qui ogni lezione produce uno strumento riutilizzabile che puoi installare o inserire nel tuo flusso di lavoro quotidiano.
 FIG_001 · A PROMPT |
 FIG_001 · B SKILL |
 FIG_001 · C Agenti |
 FIG_001 · D SERVER MCP |
|---|---|---|---|
| Incolla il prompt in qualsiasi assistente IA per ricevere aiuto esperto su un compito specifico. | Installa la skill in Claude, Cursor, Codex, OpenClaw, Hermes o qualsiasi agente che legga SKILL.md. |
Distribuiscilo come agente autonomo: il ciclo lo hai implementato tu nella fase 14. | Collegalo a qualsiasi client compatibile con MCP. Il server MCP viene costruito da zero nella fase 13. |
Installare gli artefatti delle lezioni
Artefatti delle lezioni. Il repository include 414 skill e 100 prompt in phases/**/outputs/; installali con scripts/install_skills.py. È necessario clonare il repository. Lo script supporta filtri per tag, simulazioni senza scrittura e layout per agente:
python3 scripts/install_skills.py <target> # every skill, default --layout skills (nested)
python3 scripts/install_skills.py <target> --layout skills # same as above, explicit
python3 scripts/install_skills.py <target> --type all # skills + prompts + agents
python3 scripts/install_skills.py <target> --phase 14 # one phase only
python3 scripts/install_skills.py <target> --tag rag # filter by tag
python3 scripts/install_skills.py <target> --layout flat # flat files
python3 scripts/install_skills.py <target> --dry-run # preview without writing
python3 scripts/install_skills.py <target> --force # overwrite existing files<target> è la cartella delle skill del tuo agente (per esempio ~/.claude/skills/, ~/.cursor/skills/, ~/.config/openclaw/skills/, .skills/ o qualsiasi percorso leggibile dal tuo agente).
Per impostazione predefinita, lo script non sovrascrive i file esistenti e restituisce il codice 1 dopo aver elencato tutti i percorsi in conflitto. Usa --dry-run per visualizzare i conflitti oppure --force per sovrascrivere i file. Ogni esecuzione effettiva scrive nel percorso di destinazione un manifest.json con l’inventario completo, suddiviso per tipo e fase. Scegli il layout supportato dal tuo agente:
--layout |
Percorso creato |
|---|---|
skills |
<target>/<name>/SKILL.md (struttura annidata supportata da Claude, Cursor, Codex, OpenClaw e Hermes) |
by-phase |
<target>/phase-NN/<name>.md |
flat |
<target>/<name>.md |
Aggiungi l’ambiente di lavoro dell’agente al tuo repository
Il progetto conclusivo della fase 14 fornisce un kit riutilizzabile per l’ambiente di lavoro degli agenti (AGENTS.md, schemi e script di inizializzazione, verifica e passaggio di consegne). Aggiungilo a qualsiasi repository con:
python3 scripts/scaffold_workbench.py path/to/your-repo # full pack + seeds
python3 scripts/scaffold_workbench.py path/to/your-repo --minimal # skip docs/
python3 scripts/scaffold_workbench.py path/to/your-repo --dry-run # preview only
python3 scripts/scaffold_workbench.py path/to/your-repo --force # overwriteAvrai sette componenti dell’ambiente già configurati, un file iniziale task_board.json e un nuovo agent_state.json con schema_version: 1. Poi modifica l’attività e AGENTS.md, esegui scripts/init_agent.py e passa il contratto all’agente. Il kit originale si trova in phases/14-agent-engineering/42-agent-workbench-capstone/outputs/agent-workbench-pack/.
Consulta l’intero programma in formato JSON
scripts/build_catalog.py esamina ogni fase, lezione e artefatto presente sul disco e scrive catalog.json nella cartella principale del repository. Un unico file raccoglie l’intero programma.
python3 scripts/build_catalog.py # writes <repo>/catalog.json
python3 scripts/build_catalog.py --stdout # to stdout, do not touch repo
python3 scripts/build_catalog.py --out path/to/file.jsonIl catalogo viene generato dal file system, non dal README, quindi il numero di elementi corrisponde sempre ai contenuti effettivi. Usalo per generare il sito, per gli strumenti a valle o per verificare che il README non riporti conteggi obsoleti. Lo schema è documentato all’inizio dello script.
Il flusso del programma genera catalog.json come artefatto temporaneo ignorato da Git. Non includerlo nei commit. Lo stesso flusso esegue audit_lessons.py come controllo bloccante.
Esegui un controllo rapido del codice Python delle lezioni
scripts/lesson_run.py compila in bytecode ogni file .py nella cartella code/ di ogni lezione. Per impostazione predefinita controlla solo la sintassi: non esegue il codice e non richiede chiavi API né dipendenze ML pesanti. Intercetta gli errori più spesso introdotti nelle modifiche (indentazione errata, f-string non valide, modifiche accidentali).
python3 scripts/lesson_run.py # syntax-check the whole curriculum
python3 scripts/lesson_run.py --phase 14 # one phase only
python3 scripts/lesson_run.py --json # JSON report on stdout
python3 scripts/lesson_run.py --strict # exit 1 if any lesson fails
python3 scripts/lesson_run.py --execute # actually run, 10s timeout per lesson--execute esegue il file code/main.py di ogni lezione (oppure il primo file .py) con un limite di 10 secondi. Salta le lezioni il cui file iniziale contiene un commento # requires: pkg1, pkg2 con dipendenze esterne alla libreria standard, indicando needs <deps>. Lo script è facoltativo e non è collegato alla CI.
Solo libreria standard, Python 3.10 o successivo. Imposta LINK_CHECK_SKIP=domain1,domain2 per sostituire l’elenco di domini esclusi per impostazione predefinita (twitter.com, x.com, linkedin.com, instagram.com, medium.com), che bloccano aggressivamente le richieste HEAD/GET automatizzate.
Articoli e protocolli fondamentali
- Attention Is All You Need — Vaswani et al., 2017 → Fase 7
- Language Models are Few-Shot Learners (GPT-3) → Fase 10
- Denoising Diffusion Probabilistic Models → Fase 8
- InstructGPT / RLHF → Fase 10
- Direct Preference Optimization → Fase 10
- Chain-of-Thought Prompting → Fase 11
- ReAct: Reasoning + Acting in LLMs → Fase 14
- Model Context Protocol — Anthropic → Fase 13
| Obiettivo | Da consultare |
|---|---|
| Contribuire a una lezione o correggere un problema | CONTRIBUTING.md |
| Crea un fork per il tuo team o la tua scuola | FORKING.md |
| Modello per le lezioni | LESSON_TEMPLATE.md |
| Segui i progressi | ROADMAP.md |
| Glossario | glossary/terms.md |
| Codice di condotta | CODE_OF_CONDUCT.md |
Prima di inviare una lezione, esegui il controllo degli invarianti:
python3 scripts/audit_lessons.py # full curriculum
python3 scripts/audit_lessons.py --phase 14 # single phase
python3 scripts/audit_lessons.py --json # CI-friendly outputIl codice di uscita è diverso da zero se una regola non viene rispettata. Le regole L001–L010 verificano la struttura delle cartelle, la presenza di docs/en.md e di un titolo H1, che code/ non sia vuota, lo schema di quiz.json (rifiutando le vecchie chiavi q/choices/answer all’origine del problema #102) e i link relativi nei documenti delle lezioni.
114,584 lettori · 181,995 visualizzazioni di pagina negli ultimi 30 giorni · a partire da 2026-08-29
Gratuito, con licenza MIT, 542 lezioni. Grazie agli sponsor e ai sostenitori che rendono possibile questo lavoro. Vedi tutti gli sponsor e i sostenitori.
Vuoi sostenere il progetto? Consulta le opzioni di sponsorizzazione, incluse le sponsorizzazioni hardware, oppure sostienilo su GitHub.
Se questa guida ti è stata utile, aggiungi una stella al repository: aiuta il progetto a crescere.
MIT. Usalo come vuoi: forkalo, insegnalo, vendilo, pubblicalo. L'attribuzione è gradita, ma non obbligatoria.
Mantenuto da Rohit Ghumare e dalla community.
@ghumare64 · aiengineeringfromscratch.com · Segnala un problema / Invia un suggerimento