ai-engineering-from-scratch: análise crítica do curso open source em 2026

Repositório com nome de curso no GitHub costuma me deixar com um pé atrás. A promessa de “ai-engineering-from-scratch” é grande: 542 lições, 20 fases, trilha completa de matemática a agentes. Antes de recomendar qualquer coisa assim pra alguém, eu prefiro ler a estrutura de pastas e o README com atenção, separando o que é ensino estruturado do que é curadoria de links com nome bonito.

Vale deixar o escopo claro logo de cara: esta análise é sobre o que o README e a estrutura de pastas do rohitg00/ai-engineering-from-scratch documentam publicamente. Eu não cloniei o repositório pra rodar o notebook de otimização nem pra disparar os graders dos projetos, então boa parte das afirmações abaixo vem do que está escrito e versionado visivelmente, não de execução prática confirmada por mim. Isso importa porque muda a pergunta: não é “o curso funciona?”, é “a estrutura descrita é de curso ou de índice comentado?”. Com esse recorte em mente, dá pra ir às seções.

Mito: “from scratch” no nome significa que o repositório não assume nenhum pré-requisito

A leitura mais comum de “from scratch” é “não preciso saber nada antes de começar”. Pelo README, a primeira rota sugerida, “Model foundations”, começa em phases/00-setup-and-tooling/01-dev-environment, e existe uma fase separada chamada 01-math-foundations com uma lição sobre otimização (gradiente descendente, momentum, Adam). Isso é sinal positivo: o material não parte direto de “chame a API da OpenAI e pronto”. Há uma camada de fundamentos matemáticos antes da camada de LLM.

Só que a estrutura de rotas documentadas conta outra história. Existe uma trilha “LLM systems” que começa direto em phases/11-llm-engineering/01-prompt-engineering e uma trilha “Agents and delivery” que começa em phases/14-agent-engineering/01-the-agent-loop. O próprio projeto oferece atalhos que pulam as fases 1 a 10. Não é falha, é escolha de design razoável pra quem já tem base, mas desmonta o mito de que “from scratch” garante caminho único sem pré-requisito. Entrar pela rota de agentes sem passar pelas fases de matemática é assumir bagagem prévia, mesmo num repositório que se anuncia como “do zero”.

Antes de escolher uma rota, dá pra checar a seção “Prerequisites and study time” (referenciada no próprio README) e decidir conscientemente entre a trilha completa das 20 fases ou um atalho temático.

Mito: cobrir agents, computer vision e AI engineering no mesmo repositório é amplitude, não dispersão

Os tópicos listados no GitHub (agents, ai-agents, ai-engineering, computer-vision, deep-learning, generative-ai, llm, nlp, reinforcement-learning, transformers) formam, isolados, o tipo de lista que lembra exatamente o repositório disperso: aquele que tenta abraçar todo o campo de IA e acaba com um parágrafo raso por assunto. É a armadilha clássica do “curso completo de IA” que na prática é um sumário de Wikipedia com código de exemplo.

A diferença aqui é a escala declarada: 542 lições organizadas em 20 fases, com linguagens específicas por contexto (Python, TypeScript, Rust e Julia, segundo o próprio README). Isso sugere fase dedicada por tópico, não parágrafo de passagem. A fase de matemática, por exemplo, não é um link pra um curso de cálculo externo. Ela descreve uma lição interativa própria sobre otimização, com gráfico de perda e comparação entre GD, momentum e Adam, com código versionado em phases/01-math-foundations/08-optimization/code/optimizers.py. Eu não cheguei a baixar esse arquivo e rodar o script, mas o caminho existe no repositório público, o que já é mais concreto do que a maioria dos “cursos” que citam apenas links externos.

Isso não garante que as 542 lições tenham a mesma densidade do começo ao fim, só mostra que o núcleo de fundamentos foi tratado com código real, não com um parágrafo linkando pra fora.

Mito: “Build it, Ship it” garante que o código do repositório roda sem você caçar chave de API e dependência quebrada

A frustração mais comum de quem segue repositório educacional de IA é abrir o notebook “prático” e descobrir que ele só roda depois de configurar três chaves de API e resolver uma dependência desatualizada que ninguém mexe há meses. É o tipo de atrito que transforma uma hora de estudo em uma hora de debugging de ambiente.

O README descreve três projetos com “staged starters, reference implementations, and local graders”, rodados a partir da raiz do repositório após uma etapa de setup local. A frase mais reveladora do trecho é: “Starters fail until you implement the stages”. Isso indica avaliação automatizada local, não pseudocódigo pra você só ler e assentir. É um esqueleto que falha de propósito até você preencher a lacuna, pelo menos na descrição.

Fica como ponto em aberto (e eu recomendo que qualquer leitor confirme isso antes de se comprometer com uma fase inteira): quantas chaves de API externas esses projetos exigem de fato e quão atualizado está o requirements.txt de cada fase. Clonar o repo e rodar o grader do primeiro projeto listado seria o próximo passo natural pra transformar essa descrição em verificação real, algo que vale a pena fazer antes de investir tempo na trilha completa.

Mito: pastas numeradas e bem nomeadas são sinônimo de progressão pedagógica

Pasta numerada dá sensação de sequência, mas sequência de nome não é sequência de aprendizado. O padrão mais comum é o dev abrir a pasta 01, depois a 02, sem dependência pedagógica real entre elas: lista plana disfarçada de trilha, sem prática nem avaliação entre os módulos.

O indício mais forte contra esse mito é a existência dos graders locais nos projetos e do lab interativo de gradiente descendente, que pede pro leitor ajustar a taxa de aprendizado dentro da lição e observar o efeito. Há mecanismo de verificação embutido, não é só saltar de leitura em leitura. A ordem declarada das 20 fases (matemática, depois LLM engineering, depois agent engineering) reforça dependência intencional entre blocos, e as “Learning paths” indicam pontos de entrada diferentes conforme o objetivo do estudante.

Fica a dúvida sobre se esse rigor de avaliação se mantém em todas as 542 lições ou se fica concentrado nos exemplos “vitrine” (matemática e os três projetos) que aparecem logo no topo do README, prática comum em repositórios que mostram o melhor material primeiro pra gerar estrela.

A verdade: pra que esse tipo de repositório serve de fato

A leitura honesta, baseada no README e na estrutura pública, é que o ai-engineering-from-scratch foge do padrão mais comum de repositório “curso” no GitHub, que costuma ser curadoria de link com nome inflado. Ele tem elementos concretos de curso estruturado: fases numeradas com dependência declarada, lição interativa com código versionado, projetos com grader local que falha até você implementar a solução, e rotas de aprendizado diferenciadas por objetivo (fundamentos, LLM, agentes).

Ainda assim, ele não equivale a um curso pago com tutor e avaliação humana, e tem particularidades que pesam na decisão: parte da experiência depende do site externo aiengineeringfromscratch.com (o botão principal é “Start learning” apontando pra lá, não pra um notebook do repositório), o README mistura patrocínio comercial (SerpApi, NitroStack) no meio do conteúdo educacional, e o repositório é recente, sem histórico longo de manutenção pra confirmar se as 542 lições serão atualizadas no mesmo ritmo que a API de LLM muda.

Pra quem já tem alguma base e quer um mapa estruturado com prática verificável (ao menos no papel), ele serve bem como espinha dorsal de estudo. Pra quem espera zero pré-requisito e tudo rodando localmente sem depender de site externo, vale ajustar a expectativa antes de começar, e melhor ainda: rodar um grader antes de se comprometer com a trilha inteira.

Checklist pra decidir se vale colocar esse repositório na sua trilha de estudo

Antes de adotar qualquer “curso open source de IA” como roteiro principal, eu aplicaria estes filtros:

• Tem grader ou teste automatizado nos exercícios, ou é só leitura seguida de “tente você mesmo” sem feedback? Aqui, os três projetos descritos têm starters que falham de propósito, o que é bom sinal, mas vale confirmar rodando localmente.
• O conteúdo prático está versionado no repositório (arquivo .py, .ts, notebook) ou só existe no site externo? Dá pra checar se roda localmente sem depender 100% da plataforma.
• Existe dependência declarada de chave de API paga pra seguir os módulos? Procure o requirements.txt ou instruções de setup antes de comprar uma fase inteira.
• As rotas de entrada pulam fundamentos? Se sim, assuma que “from scratch” é relativo à rota escolhida, não ao repositório inteiro.
• Quando o repositório foi criado e qual foi a última atualização? Recente demais pode não ter maturidade de manutenção; parado demais sem commit pode estar abandonado.
• Os tópicos cobertos têm fase própria com profundidade ou é um parágrafo linkando pra fora? Abra pelo menos três módulos de fases diferentes e, se der, rode um deles antes de confiar na trilha inteira.

Minha posição final: estrela alta ou nome ambicioso no GitHub não substitui a leitura da estrutura de pastas, muito menos substitui rodar o código de verdade. Esse repositório específico passa em boa parte do teste de leitura crítica, mas a verificação completa (clonar, instalar dependências, rodar um grader) ainda está em aberto. O hábito de checar antes de assumir vale pra qualquer “curso from scratch” que aparecer pela frente, inclusive os próximos que eu for avaliar aqui no blog.

Fontes consultadas

• Repositório: rohitg00/ai-engineering-from-scratch, README, estrutura de pastas e metadados públicos (tópicos, linguagens, licença MIT).
• Site do projeto referenciado no README: aiengineeringfromscratch.com.