AI engineering from scratch es una ruta de ingeniería de IA publicada con licencia MIT en el repositorio rohitg00/ai-engineering-from-scratch. El README la presenta como un curso gratuito y de código abierto: implementar los componentes internos de un modelo, pipelines de recuperación y entornos de ejecución de agentes, probarlos, inspeccionar los fallos y conservar el código y los resultados de evaluación. El repositorio muestra unas 72 200 estrellas a mediados de octubre de 2026.
El proyecto no es una herramienta que instalar en producción ni un servicio: es un programa de aprendizaje. Este artículo describe la ruta tal como la presenta el repositorio, explica cómo empezar según el README y propone un enfoque de equipo: cómo usar este curso para formar ingenieros en la observabilidad de agentes.
span.observer no ha seguido esta ruta ni ha ejecutado su código para este artículo. Los extractos y la figura proceden del repositorio, con licencia MIT.
AI engineering from scratch: qué dice el repositorio
- Autor y licencia: el README indica que lo mantienen Rohit Ghumare y la comunidad; licencia MIT, «úsalo como quieras».
- Cifras revisadas el 22 de octubre de 2026 en la página del repositorio: unas 72 200 estrellas, unos 12 700 forks, 2 107 commits en la rama principal.
- Volumen anunciado: 542 lecciones repartidas en 20 fases, en Python, TypeScript, Rust y Julia (badges y cita del README).
- Tres formas de aprender: en el sitio aiengineeringfromscratch.com, con un agente de código como tutor, o ejecutando el código en local.
- Patrocinadores: el README muestra un banner de patrocinador y una página de apoyo; según él, el contenido de las lecciones sigue siendo libre.
El repositorio no es un producto de Dynatrace. Aun así toca nuestro tema: una de las fases trata de infraestructura y producción, y uno de los proyectos aborda las trazas de agentes. Lo que sigue vale para Dynatrace SaaS y para Dynatrace Managed en el sentido de que la formación precede a la herramienta de observabilidad.
La ruta: fases y caminos de aprendizaje
El README organiza las veinte fases como una pila: las matemáticas en la base, los agentes y la producción en la cima. Lista, entre otras, Setup y herramientas (fase 0), Math (1), ML (2), Deep learning (3), Vision, NLP, Audio, Transformers, GenAI, LLMs from scratch (10), LLM Engineering (11), Tools y protocols (13), Agent Engineering (14), Autonomous systems (15), Multi-agent (16), Infraestructura y producción (17), Ética y alineamiento (18) y proyectos de síntesis (19).
Para no recorrer las 542 lecciones, el README propone rutas según el objetivo y duraciones estimadas: unas 306 horas para un principiante completo desde la fase 0, unas 60 horas para un ingeniero sénior que solo quiere la fase 14 (agentes), unas 23 horas 15 minutos para el solo camino MCP. Estas duraciones son las del repositorio, no mediciones de span.observer.
La primera figura procede del README: una demostración de descenso de gradiente sobre una pérdida cuadrática, donde veinte puntos de partida convergen y la pérdida media disminuye en cada paso. Ilustra el estilo del curso, que privilegia visualizaciones cuyos parámetros se pueden ajustar.

Cada lección sigue el mismo árbol: una carpeta code/ para las implementaciones, docs/en.md para el relato, outputs/ para los prompts, skills, agentes o servidores MCP producidos. El README describe seis tiempos (lema, problema, concepto, «Build It» a mano, «Use It» con una biblioteca, «Ship It»).

Empezar paso a paso
Opción 1: en el sitio
Abre una lección en aiengineeringfromscratch.com; según el README, no hay que instalar ni clonar nada.
Opción 2: ejecutar el código en local
El README pide clonar el repositorio y lanzar después la verificación del entorno y una primera lección sin dependencias.
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.py
El README describe la verificación como un control que separa los requisitos necesarios ahora de los útiles más adelante, con un comando correctivo para cada fallo.
Opción 3: un agente de código como tutor
Con Node.js, npx y un agente compatible con skills, el README propone:
npx skills add rohitg00/ai-engineering-from-scratch
El instalador pregunta el host y el alcance. Los skills incluidos se llaman, por ejemplo, start-learning (prueba de nivel y plan guardado en LEARNING.md), learn, course-guide y check-understanding; la sintaxis de invocación depende del host (/start-learning en Claude Code).

Proyectos: un ejemplo orientado a trazas de agentes
El README propone tres proyectos con correctores locales. El «Agent Trace Debugger» (TypeScript, Node.js 22.18 o posterior, corrector en Python 3) parte de una traza proporcionada en la que la duración se mantiene en 100 ms pero el consumo total de tokens sube en 200 y un span falla. Pide leer un JSONL, validar los padres, calcular los intervalos y después producir una cronología HTML y un informe JSON de regresión. El README precisa que se conserven los tokens exclusivos por span para no contar dos veces al padre y al hijo.
Es un buen soporte de taller para un equipo SRE: retoma la lógica de las trazas y los spans descrita en observar los agentes MCP con OpenTelemetry, pero sobre un formato propio del ejercicio, no sobre OpenTelemetry en sí. El tercer proyecto, «Tool Call Firewall» (Rust), trabaja los controles de rol y los recibos de aprobación; el README precisa que no ofrece autorización persistente ni sandbox del sistema.
Límites y puntos abiertos
- Volumen: 542 lecciones es un programa de varios cientos de horas; elige una ruta.
- Sin release: el contenido evoluciona de forma continua; anota el commit que sigue tu equipo.
- Posible calidad desigual: el contenido es comunitario; verifica las lecciones críticas con una fuente primaria.
- Requisitos: el README espera que sepas escribir código, y Python ayuda.
- Datos y claves: algunas lecciones llaman a modelos o a APIs; usa claves de prueba y no las escribas nunca en el repositorio clonado.
Observar y monitorizar el trabajo del curso
No hay nada que monitorizar del lado del repositorio: no aloja ningún servicio. Si usas el tutor mediante un agente de código, la traza procede del cliente:
- el evento
claude_code.tool_resultde Claude Code (nombre de herramienta, estado, duración) y los tokens por sesión, consulta monitorizar un agente de código en la empresa; - el coste de la formación en tokens, consulta el coste de un agente de IA en tokens, útil si formas a un equipo entero con agentes;
- para las lecciones que lanzan modelos locales, el artículo sobre la pila de IA de código abierto autoalojada detalla qué hay que medir.
Cómo comprobar que funciona
verify.py --route beginnertermina sin fallos obligatorios.vectors.pyse ejecuta sin dependencias y muestra su salida, que el README invita a conservar como primera prueba.- Con el tutor, tu agente lista los skills instalados (
start-learning) en el lugar elegido durante la instalación.
Buenas prácticas
- Elige una ruta por persona en lugar del curso completo.
- Sigue la regla del repositorio: ejecutar, guardar la prueba (comando, salida, artefacto) y después cambiar un detalle.
- Trabaja en un clon dedicado y en una máquina sin secretos de producción.
- Revisa cada skill instalado con
npx skills addantes de activarlo: un skill es texto que dirige a tu agente.
Preguntas frecuentes
¿Por dónde empezar si ya conozco Python?
El README sugiere la fase 1 (matemáticas) si descubres el ML, o la fase 14 si solo quieres los agentes.
¿Hace falta una cuenta o una suscripción?
El README lo describe como gratuito y de código abierto; algunas lecciones pueden usar APIs de terceros, lo que hay que comprobar lección por lección.
¿Trata el curso de MCP?
Sí: el README indica un camino MCP de 17 lecciones. Para las bases, consulta nuestra explicación del Model Context Protocol.
Conclusión
AI engineering from scratch es un curso ambicioso y abierto, cuya fortaleza es hacer escribir primero la versión simple de cada componente. Para un equipo, el buen enfoque es extraer algunas rutas concretas y combinar los talleres (como el depurador de trazas) con tu práctica de observabilidad. Fuente: repositorio rohitg00/ai-engineering-from-scratch.
span.observer es un blog independiente de la comunidad, no afiliado a Dynatrace LLC ni a los proyectos citados, ni a Anthropic. Las marcas citadas pertenecen a sus propietarios. Las herramientas evolucionan rápido: comprueba los comandos y las opciones en su documentación oficial.