Bonsai-27B-GGUF
lmstudio-community · 工具包
面向 LM Studio 的 27B Bonsai 模型 GGUF 转换版,含 3.80 GB 的 Q1_0 语言文件和 0.93 GB 的 BF16 视觉投影器。已测试文本、视觉和并行工具调用。

Rohit Ghumare 做的免费课程,采用 MIT 许可证,分二十个阶段,从数学一路教到智能体和生产部署。Claude Code、Codex 和 Cursor 的导师技能带你一节课一节课地学。安装说明涵盖网站、克隆仓库、导师技能、聚焦路线、项目和认证。
AI Engineering from Scratch 是一款 GitHub 上的开源项目,属于教育类,由 Mindket 上架。可免费获取。当前为第 2 版,最近更新于 。按它的 README 从 GitHub 安装。Mindket 的设置说明可在你的 Mindket 账户获取,以 zip 压缩包下载。
npx skills add rohitg00/ai-engineering-from-scratch
AI Engineering from Scratch 是 Rohit Ghumare 做的一门免费课程,以 GitHub 仓库的形式发布,采用 MIT 许可证。它的 README 开头就说了目标:实现模型内部结构、检索流水线和智能体运行时,测试它们,检查失败,并留下代码和评估结果。课程分成二十个阶段,从环境准备、数学和经典机器学习,经过深度学习、Transformer 和大语言模型,到工具与协议、智能体、生产部署和综合项目。代码用 Python、TypeScript、Rust 和 Julia 写。每节课都按同样的六个环节走:座右铭、问题、概念、Build It、Use It 和 Ship It。你先自己写出小版本,再用生产级的库跑同一件事。每节课结束时你会留下一样东西,比如一个提示词、一项技能、一个智能体或一个 MCP 服务器。
会写任何一种语言的代码,想弄懂 AI 怎么运作,而不只是怎么调用接口的人。README 的前提条件就是这么写的,还说会 Python 更有帮助。你不必从头开始。它的表格把会 Python 的开发者指向第 1 阶段,懂机器学习的人指向第 3 阶段,只想学智能体的资深工程师指向第 14 阶段。
| 行业 | 谁在用 | 怎么用 | 例子 |
|---|---|---|---|
| 自学 | 调用过模型接口、想看看里面是什么的开发者 | 从 README 的表格里选一个起点,运行每节课的代码 | 一位 Python 开发者从第 1 阶段起步,在仓库根目录运行 vectors.py 这一课,并把输出留作证据。 |
| 智能体开发 | 交付智能体和工具集成的工程师 | 直接学第 14 阶段,或者走第 13 阶段里聚焦的 MCP 或 Agent Skills 路线 | 一位资深工程师按 README 表格允许的做法,直接跳到第 14 阶段,智能体工程。 |
| 职业 | 想走向 AI 岗位的人 | 按职业练习指南选一个职业方向,把同一个项目贯穿四个核心领域 | 一位学习者选 Agent Systems Engineering,做一个在一次性工作区里提出有限改动的仓库维护智能体,并按指南留下证据包。 |
| 教学 | 老师、训练营和公司培训负责人 | 按 FORKING.md 的说明,在 MIT 许可下复刻并裁剪课程 | 一位团队负责人复刻仓库,删掉团队用不到的阶段。 |
| 认证备考 | 备考 Claude 认证或 MCP Associate 考试的人 | 使用认证导师,它们从仓库里运行实验和模拟考试 | 一位考生向 MCPA 导师要诊断测验,导师把学习计划记进 MCPA-CERTIFICATION.md。 |
如果你只需要在应用里调用一个模型接口,可以不用它。README 说这门课是给想弄懂 AI 怎么运作的人的,而不只是调用接口的人。
课程内容是 Markdown、代码和测验,所以你可以在网站上读,通过编程智能体来学,或者在自己的电脑上运行。
大多数课程在 CPU 上就能跑,Dev Environment 这一课是这么说的。
点“获取”会把一个装有 Mindket 安装说明的 zip 压缩包存进你的下载文件夹,里面有制作方页面上的步骤。看网站什么都不用装。导师技能用 npx 安装,课程代码则要克隆仓库。
| 需要 | 说明 |
|---|---|
| 看网站不需要任何东西 | 在浏览器里打开一节课。README 说不用安装,也不用克隆 |
| Node.js 和 npx | 用来装导师技能。Agent Skills 预检查要求 Node.js 20 或更高版本,Agent Trace Debugger 项目要求 22.18 或更高版本,Dev Environment 这一课装的是 22 |
| Python 3 | 环境预检查要求 3.11 或更高版本,这一课用 uv 装 3.12。README 的三个项目里有两个写的是 3.10 或更高 |
| Git | 用来克隆仓库 |
| 支持技能的编程智能体 | Claude Code、Codex、Cursor 或别的会读 SKILL.md 的智能体,另外要有一个可写的技能文件夹 |
| GPU | 可选。大多数课程在 CPU 上就能跑 |
npx skills add rohitg00/ai-engineering-from-scratch
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
用名字启动导师。README 给每个宿主各自的写法,技能文件还说不要把 Claude Code 的斜杠命令当成通用写法。
| 你想做什么 | Claude Code | Codex |
|---|---|---|
| 开始课程 | /start-learning | start-learning |
| Model Context Protocol (MCP) 路线 | /learn-mcp | learn-mcp |
| Agent Skills 路线 | /learn-agent-skills | learn-agent-skills |
| 一个阶段的测验 | /check-understanding 13 | check-understanding 13 |
在别的宿主里,用一句话请它去做,比如“Use start-learning to begin the course.”
start-learning 会问你为什么学、有多少时间、想做出什么,然后做一份十道题的分级测验,并在你当前的文件夹里写出 LEARNING.md。之后,learn 每次会话教一节课:概念、数学、代码、测验。README 里学任何一节课的方法是:
你是一位 Python 开发者,有一个空闲的晚上。你克隆仓库,运行预检查,再运行第一节数学课:
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.py
预检查会区分现在就需要的东西和以后才需要的东西,缺了必需的,会打印一条纠正命令。vectors 脚本没有任何依赖,结尾会演示矩阵乘以向量,就是神经网络一层里做的那个运算。把输出存下来,README 把它叫作你的第一份证据。然后打开这节课的 docs/en.md,读读脚本刚刚给你看的东西。
新手:阶段是同一主题下的一组课,第 0 到第 19 阶段从环境准备一路叠到综合项目。技能是一个叫 SKILL.md 的 Markdown 文件,告诉编程智能体怎么做一件事,这里是怎么给你当导师。MCP,也就是 Model Context Protocol,是把 AI 工具连到其他软件的一个标准。第 0 阶段设置你的电脑,预检查会告诉你缺什么、怎么补。如果安装导师觉得太麻烦,就在网站上打开第一节课,读就行。
专家:每个导师把状态存在你工作文件夹里的一个文件中:LEARNING.md、MCP-LEARNING.md、AGENT-SKILLS-LEARNING.md、REVERSE-ENGINEERING-LEARNING.md、CLAUDE-CERTIFICATION.md 和 MCPA-CERTIFICATION.md。聚焦路线按 learning-paths 下的 JSON 清单走,而不是第 13 阶段的数字顺序。MCP 路线面向 2026-07-28 的无状态协议版本:每个请求在 _meta 里带上自己的协议版本和客户端能力,不用先握手。
预检查为每个目标准备了一条路线:beginner、ml-foundations、llm-engineering、agents、mcp、agent-skills 和 certification。三个项目带有用 scripts/project_test.py 和 --strict 运行的评分器。scripts/install_skills.py 按 skills、by-phase 或 flat 布局安装各课产出的东西,scripts/scaffold_workbench.py 把第 14 阶段的智能体工作台包放进另一个仓库。
网站不用安装。导师在你自己的编程智能体里运行,课程代码则用 python3 等运行时在你自己的电脑上运行。
这个工具包里只有安装说明,由 Mindket 编写。课程、课程的各节课、代码、技能和网站都留在 Rohit Ghumare 的仓库里,地址是 https://github.com/rohitg00/ai-engineering-from-scratch
这些说明不是 Rohit Ghumare 写的,也没有得到他的认可。GitHub 把这个仓库描述为“Learn AI Engineering! Learn it. Build it. Ship it for others.”。README 的开头是“Implement model internals, retrieval pipelines, and agent runtimes. Test them, inspect failures, and keep the code and evaluation results.”,意思是:实现模型内部结构、检索流水线和智能体运行时,测试它们,检查失败,并留下代码和评估结果。这些说明根据 2026 年 11 月 3 日读到的 README、它链接的页面和仓库里的文件写成。
许可证:MIT。LICENSE 文件(https://github.com/rohitg00/ai-engineering-from-scratch/blob/main/LICENSE)写的是“Copyright (c) 2026 Rohit Ghumare”。README 说你可以随意使用它:复刻、教学、出售、发布,署名受欢迎,但不是必须。
README 说它免费、开源,采用 MIT 许可证,你可以在网站上学,用编程智能体学,或者运行本地代码。课程用 Python、TypeScript、Rust 和 Julia 写,分成二十个阶段。README 说数学是地基,智能体和生产是屋顶,如果你已经懂下面几层,可以跳着学。README 里的课程数量和学习时长估计会随课程增加而变,所以这些说明没有写,请去 README 里看。来源见 https://github.com/rohitg00/ai-engineering-from-scratch/blob/main/README.md
每节课都在自己的文件夹里,整个课程的布局相同:
phases/<NN>-<phase-name>/<NN>-<lesson-name>/
├── code/ runnable implementations (Python, TypeScript, Rust, Julia)
├── docs/
│ └── en.md lesson narrative
└── outputs/ prompts, skills, agents, or MCP servers this lesson produces
在第 0 到第 18 阶段,README 的表格把每节课标成“Learn”课或“Build”课。第 19 阶段的表格列的是综合项目和构建方向,没有这个标记。README 说每节课都有六个环节:座右铭、问题、概念、Build It、Use It 和 Ship It。
阶段名称抄自 README。文件夹名称抄自仓库里 check-understanding 技能的阶段对照表:https://github.com/rohitg00/ai-engineering-from-scratch/blob/main/skills/check-understanding/SKILL.md
| # | 阶段 | phases/ 下的文件夹 |
|---|---|---|
| 0 | Setup & Tooling | 00-setup-and-tooling |
| 1 | Math Foundations | 01-math-foundations |
| 2 | ML Fundamentals | 02-ml-fundamentals |
| 3 | Deep Learning Core | 03-deep-learning-core |
| 4 | Computer Vision | 04-computer-vision |
| 5 | NLP: Foundations to Advanced | 05-nlp-foundations-to-advanced |
| 6 | Speech & Audio | 06-speech-and-audio |
| 7 | Transformers Deep Dive | 07-transformers-deep-dive |
| 8 | Generative AI | 08-generative-ai |
| 9 | Reinforcement Learning | 09-reinforcement-learning |
| 10 | LLMs from Scratch | 10-llms-from-scratch |
| 11 | LLM Engineering | 11-llm-engineering |
| 12 | Multimodal AI | 12-multimodal-ai |
| 13 | Tools & Protocols | 13-tools-and-protocols |
| 14 | Agent Engineering | 14-agent-engineering |
| 15 | Autonomous Systems | 15-autonomous-systems |
| 16 | Multi-Agent & Swarms | 16-multi-agent-and-swarms |
| 17 | Infrastructure & Production | 17-infrastructure-and-production |
| 18 | Ethics, Safety & Alignment | 18-ethics-safety-alignment |
| 19 | Capstone Projects | 19-capstone-projects |
README 的“Where to start”表,2026 年 11 月 3 日读到的版本。每一行它还给了一个小时数估计,这些说明没有写。
| 背景 | 从哪里开始 |
|---|---|
| 刚接触编程和 AI | 第 0 阶段,Setup |
| 会 Python,刚接触机器学习 | 第 1 阶段,Math Foundations |
| 懂机器学习,刚接触深度学习 | 第 3 阶段,Deep Learning Core |
| 懂深度学习,想学大语言模型和智能体 | 第 10 阶段,LLMs from Scratch |
| 资深工程师,只想学智能体工程 | 第 14 阶段,Agent Engineering |
| 只想做生产级 MCP 系统 | MCP 路线 |
| 只想做生产级 Agent Skills | Agent Skills Engineering 路线 |
| 只想学逆向工程 | Reverse Engineering 路线 |
README 的“Choose a learning path”表给每个目标一个链接,比如“I want to build agents”从第 14 阶段开始,“I want to build production LLM applications”从第 11 阶段开始。不确定自己在哪一档?README 指向 start-learning 分级导师和网站的前提条件指南:https://aiengineeringfromscratch.com/prereqs.html
SKILL.md 的智能体,以及 ChatGPT。读到的页面没有给出导师技能的更新或卸载步骤。复刻的仓库可以用 FORKING.md 给出的远程仓库和合并命令保持更新,见 setup/books-and-forks.md。页面没有给出普通克隆的更新步骤。skills 安装程序会写入你选的宿主和范围,所以要删的就是安装程序提到的那个文件夹,比如 .claude/skills/。这句话是 Mindket 的,不是 Rohit Ghumare 的。
README.md 7 KB setup/books-and-forks.md 4 KB setup/claude-code.md 5 KB setup/codex.md 3 KB setup/focused-paths.md 9 KB setup/lesson-artifacts.md 4 KB setup/local-python.md 7 KB setup/other-agents.md 4 KB setup/projects.md 5 KB setup/website.md 3 KB
Updated by Mindket to the current version of this kit.
同一分类里与本产品共有主题最多的已上架 GitHub 项目。
| 产品 | 星标 | 活跃度 | 语言 | 许可证 | 最近更新 |
|---|---|---|---|---|---|
| AI Engineering from Scratch 本页 | 77,834 | — | — | MIT | — |
| Build a Large Language Model 从零构建大模型共有 from-scratch · deep-learning · generative-ai | 107,934 | — | — | — | — |
| 微软 AI 入门课共有 computer-vision · deep-learning · machine-learning | 70,626 | — | — | MIT | — |
| LLM Course 大语言模型课程共有 course · llm · machine-learning | 84,938 | — | — | Apache-2.0 | — |
| 微软生成式 AI 入门课共有 generative-ai · ai | 123,169 | 活跃 | Jupyter Notebook | MIT |
Hacker News、Bluesky、X、Reddit、Facebook 和 YouTube 上提到这个项目的帖子和评论,来自每周一次的搜索和 Trendshift。它们不是 Mindket 写的,也未经核实,点开即可在原帖处阅读。
lmstudio-community · 工具包
面向 LM Studio 的 27B Bonsai 模型 GGUF 转换版,含 3.80 GB 的 Q1_0 语言文件和 0.93 GB 的 BF16 视觉投影器。已测试文本、视觉和并行工具调用。
LibertAIDAI · 工具包
以每权重 2.9 位的 EXL3 量化运行 DeepSeek-V4.1-Flash-1017,这是一份 196 GiB 的副本,适合在自己硬件上部署大模型的人。困惑度与原模型相差不大。
facebook · 工具包
根据文字描述或音频提示生成短音乐片段,是 facebook MusicGen 的 small 检查点。适合想在自己电脑上试用文字生成音乐的开发者和音乐爱好者。
rasbt · 工具包
Sebastian Raschka 所著那本书的官方代码,教你用 PyTorch 一章一章搭出一个类 GPT 的大语言模型。笔记本涵盖文本数据、注意力、预训练和微调。安装说明涵盖 uv、pixi、Conda、Docker、Lightning 和 Colab。
microsoft · 工具包
微软出的免费 AI 课程,为期 12 周、共 24 节课,配有测验、Jupyter 笔记本和实验。内容从 AI 的历史和专家系统,讲到神经网络、计算机视觉和语言模型,最后是伦理。安装说明涵盖 Miniconda、容器、Codespaces 和 Binder。
NousResearch · 工具包
Nous Research 做的开源智能体,可以在终端、桌面应用或聊天软件里使用。它有记忆,会从经验里写出技能,能跑定时任务,用哪家模型提供商由你选。