AI Engineering from Scratch 學習路線：523 節 AI 工程課程怎麼學？Python、LLM、RAG 與專案實戰需要什麼配置？

已有 Python 基礎的工程師，應按目標專案選擇 AI Engineering from Scratch 學習路線，而不是把 523 節全部當成必須依序完成的清單；只有在課程實驗確實需要較多運算資源時，才評估雲端環境。這套做法適合想進入 LLM 工程、補足先修能力，或準備把可展示專案放進作品集的學習者。

已有 Python 經驗、想轉向 LLM 應用的開發者，可依目標挑選階段。
零基礎學習者，應先對照課程的先修關係補足程式設計、數學與機器學習基礎。
需要作品集的工程師，則應先確認課程產出能否對應自己的展示目標。

最後更新於 2026 年 9 月 30 日；課程節數與內容核對自官方課程儲存庫、官方學習路徑及版本發布記錄。課程更新後，應重新確認目錄與實驗依賴。

先依學習者背景選擇 AI Engineering from Scratch 學習路線

課程目錄可用來確認涵蓋的主題，但目錄順序不必自動等同個人進度。先寫下想完成的成果，再檢查自己欠缺的能力，能避免熟練者重複入門單元，也能讓初學者不會太早卡在模型與部署環節。官方學習路徑可用來核對主題安排及建議先後關係。

學習者狀況	建議起點	先確認的能力	階段成果
熟悉 Python，目標是 LLM 應用	由課程中 LLM 工程與專案相關內容切入，再回補不熟悉的基礎	能拆分程式模組、處理資料並除錯	可執行的 LLM 小型應用與測試紀錄
有程式經驗，但機器學習基礎薄弱	先補模型、資料與評估概念，再進入 LLM 實作	能理解訓練資料、特徵與評估方式	能解釋模型輸入、輸出與評估結果
Python 與程式設計都在起步	先完成基礎編程與數學、機器學習先修內容	能撰寫小程式、讀懂錯誤訊息並操作資料	可獨立完成小型資料處理練習

沒有 Python 基礎，適合直接開始嗎？
可以先查看課程官方目錄與先修安排，但不宜把 LLM 專案當作第一個編程練習。先用 Python 官方教學文件練習變數、流程控制、函式、資料結構與檔案處理；若尚不能獨立寫出小程式並找出常見錯誤，就先補這些能力，再進入機器學習內容。這是學習安排建議，不代表課程保證提供特定程度的初學者教學。

注意：課程規模不能直接推出硬體門檻。是否需要 GPU，應逐項核對實驗文件中的模型、套件與執行方式，而不是依節數或課程名稱猜測。

依作品目標安排 LLM、RAG 與 Agent 學習內容

學 LLM 和 RAG，先從哪類內容開始？
先理解模型與資料處理，再進入檢索和應用工程；如果已具備相關基礎，就從目標專案需要的缺口開始補，不必為了遵守目錄順序重做熟悉內容。RAG 不只是把文件送進模型：資料切分、檢索結果與生成輸出都需要分開檢查。可參照檢索增強生成模型文件確認 RAG 的模型概念，再用小型、可檢查的資料集驗證檢索和回答是否符合預期。

以 RAG 為目標時，先做一個資料範圍清楚、結果能人工核對的小型應用；確認檢索結果與回答品質後，再擴充資料來源或調整流程。若一開始就加入大量文件、複雜索引和多種模型，錯誤可能來自資料、檢索或生成，排查成本也會提高。

目標專案	優先理解的環節	建議驗收方式	暫時不必先做的事
LLM 應用	模型輸入輸出、提示設計、錯誤處理與測試	固定測試案例能重複執行，並記錄失敗情況	未驗證需求前追求大型模型或複雜架構
RAG 應用	資料清理、檢索、生成與來源核對	能展示查到的資料片段，並比較答案與來源是否一致	在小型流程尚未驗證時擴大資料量
Agent 與工具使用	工具邊界、權限、錯誤處理及執行紀錄	工具呼叫可追蹤，失敗時能重現並檢查	只以完成課程比例代替測試與驗收
生產部署	設定管理、監控、測試與部署流程	能說明部署方式、已知限制與回退處理	未確認需求便增加服務與運算資源

Agent 和生產部署的學習應依官方目錄中相關主題的關聯順序安排；完成單元本身，不代表已能安全地讓 Agent 操作真實工具。應先在受控範圍驗證工具呼叫，再留下測試案例、錯誤紀錄與權限設定說明，讓成果可以重現和檢查。

先用小練習檢查先修能力，再投入完整課程

零基礎或機器學習經驗不足的學習者，可用練習結果決定是否進入下一段，而不是只看課程進度。先嘗試自行讀取一份資料、做基本整理，再完成一個簡單分類練習；若遇到問題時只能複製程式、無法說明輸入與輸出，就先回到編程或機器學習基礎。scikit-learn 的入門文件可作為理解基本模型流程的參考，不應將其內容誤認為課程必備硬性要求。

怎麼依目標而不是目錄順序規劃？
把目標拆成可驗證的成果，對照官方目錄找出相關內容，再標記已掌握、需補課與需實作的部分。若目標是作品集，應優先保留能展示的端到端專案；若目標是 Agent 或部署，則要預留時間記錄工具行為、錯誤處理和環境設定。每完成一段就用成果判斷是否繼續，而不是只累計看完多少課。

可以把每個專案設成以下驗收點：

• [ ] 能從乾淨環境依照說明重現執行結果。
• [ ] 能解釋資料來源、輸入輸出，以及主要設計選擇。
• [ ] 有可重複執行的測試案例，並記錄失敗時的表現。
• [ ] RAG 專案能檢查檢索到的內容，不只展示生成答案。
• [ ] Agent 專案能說明工具權限、呼叫紀錄與失敗處理。
• [ ] 專案文件明確列出依賴、執行方式與已知限制。

按實驗依賴決定本地、託管筆記本或遠端環境

完成課程專案一定要獨立 GPU 嗎？
不一定。程式練習、資料處理與 API 呼叫，通常可先在本地或託管筆記本完成；是否能執行模型實驗，則要看官方實驗指定的套件、模型及資源需求。PyTorch 的本地安裝指南列有依平台與運算需求選擇安裝方式的說明，應以實驗依賴和實際環境相符為準。

執行方式	適合的工作	主要限制與隱性成本	何時選用
本地輕量環境	Python 練習、資料處理、API 串接與小型測試	套件版本可能互相影響；本機資源不足時需縮小實驗	課程沒有要求本地執行大型模型或訓練
託管筆記本	快速驗證教學範例、測試短期實驗	資源供應與連線條件可能變動；要留意工作階段及檔案保存方式	想先驗證程式能否執行，又不想先配置本機
遠端開發環境	需持續保留環境，或實驗依賴本機欠缺的運算資源	需管理遠端連線、資料傳輸、套件版本與使用成本	已確認本地或託管環境無法滿足特定實驗

託管筆記本是否提供所需資源、資源如何分配及工作階段如何限制，可能依服務狀態與使用條件改變；開始前應閱讀託管筆記本環境常見問題，不要假設每次都能取得相同資源。若選本地環境，可用 Python 官方的虛擬環境說明隔離專案依賴，避免不同實驗的套件版本互相干擾。

實驗類型	先檢查的條件	資源判斷	執行選擇
編程與演算法練習	Python 版本、套件與範例資料	不因課程規模預設 GPU 必要	優先本地虛擬環境
API 應用	API 權限、金鑰保存、網路連線與請求限制	主要確認連線與外部 API 條件	本地或可安全保存設定的遠端環境
模型推論或訓練	實驗文件指定的模型、框架與運算裝置	先按實驗確認本地是否可執行，再找替代環境	本地、託管筆記本或遠端環境擇一
Agent 與部署實驗	工具權限、服務依賴、日誌與部署方式	先做受控測試，避免直接連接重要資料或服務	依隔離與持續運行需求選環境

經驗上，排查問題時應先固定程式版本與輸入資料，再更換執行環境；否則同時改動程式、套件與運算平台，容易把環境差異誤判為模型問題。

開始實作前可按以下順序檢查：

• [ ] 打開官方課程儲存庫，確認目前目錄、學習入口與相關實驗文件。
• [ ] 寫下預計完成的成果，並標出自己已具備和欠缺的先修能力。
• [ ] 建立隔離的 Python 專案環境，依實驗文件安裝需要的套件。
• [ ] 先執行不依賴大型模型的範例，保存輸入、輸出與錯誤紀錄。
• [ ] 若執行受阻，依實驗要求判斷問題是套件、模型、權限、記憶體或運算資源。
• [ ] 只有確認本地或託管環境無法滿足需求後，才評估遠端資源與資料傳輸方式。
• [ ] 完成後整理重現步驟、測試案例與限制，作為下一階段的驗收依據。

以可重現作品調整進度，而非追逐完成比例

課程長度只能描述內容規模，不能直接證明學習者已掌握工程能力，也不能保證就業結果。更可靠的做法，是依目前基礎、可投入時間和作品檢查結果，調整路線：若程式練習尚不能獨立完成，就回補編程；若 LLM 範例能執行但無法解釋失敗，就先補測試與錯誤處理；若 RAG 或 Agent 專案可重現且能說明限制，再擴展到更複雜的資料或部署情境。

官方儲存庫若有新版本或實驗依賴變動，應重新核對發布記錄，不要沿用過期安裝步驟。這也能避免把舊範例的環境問題，誤當成自己硬體不足。

對於只做 Python、資料整理或 API 練習的學習者，先用本地環境通常較容易掌握依賴；若實驗明確要求遠端運算、需要保留隔離環境，或必須從不同裝置連線，才值得比較本地與 Mac 雲端方案。本地設備需要自行維護套件與資源，臨時託管環境則可能受工作階段及資源供應限制；遠端 Mac 也不適合需要長期固定重負載或實體介面的工作。若你的課程實驗已確認需要遠端環境，可先比較本地、託管筆記本與遠端環境的限制，再透過支援中心了解環境使用與連線方面的說明，按實際實驗判斷是否需要遠端資源。

延伸閱讀

• 打造 RAG 文件知識庫：PDF 文字擷取與 OCR 工具怎麼選？
• 從 JSON Schema 到工具執行：Function Calling 實作與安全邊界
• AI 開發環境怎麼配？依模型記憶體與工作負載挑選 Mac