HenryNdubuaku/maths-cs-ai-compendium 拆解：一份把 AI/ML 研究工程师之路切成 18 个可执行阶段的 textbook 仓库

一句话判断

HenryNdubuaku/maths-cs-ai-compendium 是一份 Apache-2.0 协议的"AI/ML 研究工程师 textbook",18 章从 Vectors 一路写到 ML Systems Design,作者 Henry Ndubuaku 是去年进 Y Combinator 的从业者,描述里直接写 “Become a cracked AI/ML Research Engineer”。 它和 OSSU / fast.ai 的最大差别在于作者亲自整理并以"朋友在 DeepMind / OpenAI / Nvidia 通过面试"作为背书,且 18 章全部 Available(README 表格里 Status 列无 “Planned”),仓库还附带一个 MCP Server,让 Claude Code / Cursor / VS Code 直接把它当知识库用。

如果你正在从"会用 PyTorch 跑模型"过渡到"能独立设计一个训练 / 推理 / 部署闭环",或者在准备 DeepMind / OpenAI 级别的研究工程师面试,这份 18 章路径值得放进书单。但如果你只想 6 周速成 Transformer,它是错的工具。

系统地图

Compendium 的真实结构不是 README 顶部的 logo,而是按"作者背景 → 学习理念 → 18 章 syllabus → 学习方法论 → MCP 集成"五层组织的:

┌──────────────────────────────────────────────────────────────────────┐
│  顶层定位 (Author positioning)                                           │
│   作者: Henry Ndubuaku,去年进 Y Combinator                                │
│   背景: 在 AI/ML 行业工作多年,笔记本积累 intuition-first 笔记                │
│   背书: 2025 年朋友用这份笔记通过 DeepMind / OpenAI / Nvidia 面试            │
└─────────────────────────────────┬────────────────────────────────────┘
                                  │
┌─────────────────────────────────▼────────────────────────────────────┐
│  学习理念 (Pedagogy)                                                     │
│   - 不堆符号,从 intuition 出发                                            │
│   - 不假设读者已有先验知识                                                  │
│   - 真实世界语境,不做"为考试而学"的裁剪                                      │
│   - "你只需要 elementary maths + basic python,其他都现学"                   │
└─────────────────────────────────┬────────────────────────────────────┘
                                  │
┌─────────────────────────────────▼────────────────────────────────────┐
│  18 章 Syllabus (每一章都是 Available)                                    │
│   基础数学 (01–05):                                                     │
│     01 Vectors / 02 Matrices / 03 Calculus / 04 Statistics / 05 Probability│
│   AI/ML 核心 (06–12):                                                   │
│     06 ML / 07 NLP / 08 CV / 09 Audio / 10 Multimodal /                  │
│     11 Autonomous Systems / 12 GNN                                      │
│   系统与工程 (13–18):                                                     │
│     13 Computing & OS / 14 DS&A / 15 ProdSE / 16 SIMD & GPU /            │
│     17 AI Inference / 18 ML Systems Design                              │
└─────────────────────────────────┬────────────────────────────────────┘
                                  │
┌─────────────────────────────────▼────────────────────────────────────┐
│  学习方法论 (How to study better)                                          │
│   Phase 1 - Cumulative reading: 当天睡前读当天内容,下一讲从头再来补 gap          │
│   Phase 2 - Shadow reading: 读小标题→合书→写解释→对比缺失                     │
│             "类似 masked language modelling"                                  │
│             最终用代码实现每个概念 → 形成 muscle memory                       │
└─────────────────────────────────┬────────────────────────────────────┘
                                  │
┌─────────────────────────────────▼────────────────────────────────────┐
│  MCP Server 集成 (AI-Native 入口)                                         │
│   - Claude Code / Cursor / VS Code 等可直接挂载                             │
│   - 把 18 章 compendium 当作本地知识库                                       │
│   - 附教学用途的 tools + example implementations                             │
│   - 需要本地 clone 仓库                                                     │
└──────────────────────────────────────────────────────────────────────┘

这张图最重要的一条路径:“作者背书 → intuition-first pedagogy → 18 章 syllabus → 两阶段阅读法 → MCP 接入”。Compendium 之所以不是又一个 markdown 学习资料合集,是因为它有作者背景做锚 + 方法论做约束 + AI 原生入口做延伸——任何一个因素缺失都让它退化成"awesome-X"列表。

边界与角色划分

把 Compendium 拆成 6 组"不变项",可以一次性回答它和 OSSU、fast.ai、Hugging Face 课程、DeepLearning.AI 短课的差别:

要注意的几个边界:Compendium 不是学位——它没有学分、没有证书、不替代正式学位;它不是速成训练营——18 章每章都是严肃教材,完整读完至少半年;它不是论文集——它教你"够用的原理",不是 paper-by-paper 的 survey;它不替代教科书——遇到特别深的数学细节,作者鼓励你额外查资料补 gap。

关键机制:18 章到底在覆盖什么

把 README 里 18 章的 Summary 列原样梳理(已经过核验),按"数学基础 / AI 核心 / 系统工程"三段拆开:

第一段:数学基础 (01–05)

这段的关键判断:数学基础只到 5 章,作者不打算把你训练成数学家,而是"让你看到公式不害怕、能复现论文里的推导"。如果你的目标是发论文,读完这 5 章后还得补《Mathematics for Machine Learning》或更深的测度论。

第二段:AI/ML 核心 (06–12)

这段的关键判断:AI 核心不是按"模型分类"组织,而是按"数据模态"(语言/视觉/语音/多模态/机器人/图)组织——这是它和"按模型分类"的教科书最大的差别。这种组织方式的好处是当一个新模型出来时,你能马上定位它在哪个模态章节的延伸里(比如 Mamba 放 SSM,Gato/VLA 放 Autonomous Systems)。

第三段:系统与工程 (13–18)

这段的关键判断:13–18 章是 Compendium 和其他"AI 教科书"最大的差异点。大部分 AI 教科书到第 7 章 NLP 就结束了,Compendium 用 6 章把系统层、推理层、生产层串起来——这正是"研究工程师"(Research Engineer)和"ML 研究员"(Research Scientist)的分界线。

学习方法:两阶段阅读法

作者在 README “How To Study Better” 部分给了具体的、可立刻执行的方法,值得直接抄走:

Phase 1 - Cumulative reading after classes(累计阅读)

每天下课后、睡前把当天材料读一遍。下一讲开始时从头再来,直到读到当前进度,然后用额外研究补 gap。这让大脑把模式连起来。

Phase 2 - Shadow reading before exams(遮蔽式阅读)

读每个 slide / note 的小标题,合上书,然后在心里复述 + 写下那个概念的解释。只重读你漏掉的部分——类似 masked language modelling。最终用代码实现每个概念,形成 muscle memory。

几个关键 takeaway:

• Phase 1 是"重复模式识别",Phase 2 是"主动回忆"——这是认知科学里两个最有效的学习策略,Compendium 把它们工程化了
• Phase 2 的"写代码"环节不是可选——作者明确说"muscle memory 是终极目标",意味着每个概念都要落到实现
• 不靠视频——Compendium 是 markdown,所有学习都是"读 + 写",不依赖任何人讲解

如何本地使用 + MCP 接入

README 里说"This repo includes an MCP server that lets any AI assistant (Claude Code, Cursor, VS Code, etc.) use the compendium as a knowledge base." 也就是说仓库自带 MCP server,有以下使用方式:

方式 A: 在线阅读(零成本入门)

直接访问 henryndubuaku.github.io/maths-cs-ai-compendium(README 里给的链接),不需要 clone,适合先扫一遍判断是否适合自己。

方式 B: 本地 clone + 纯 markdown 阅读(推荐)

git clone https://github.com/HenryNdubuaku/maths-cs-ai-compendium.git
cd maths-cs-ai-compendium

然后按 01 → 18 顺序,用任意 markdown 阅读器(Typora / Obsidian / VS Code Markdown Preview)开始读。这种方式的优点:不被 LLM “二手转述"扭曲,直接读作者原文;缺点:没有 RAG 增强,跨章节检索要靠自己的笔记。

方式 C: MCP Server 接入 AI 助手(进阶)

仓库自带 MCP server,按 README 描述:“It requires a local clone of the repo. Comes with tools for educational purposes and example implementations.”

具体步骤:

1. 本地 clone(同方式 B)
2. 启动仓库自带的 MCP server(具体启动方式参考仓库内的 MCP 文档,README 未展开)
3. 在 Claude Code / Cursor / VS Code 里挂载这个 MCP server,把 compendium 当作知识库
4. 学习时遇到问题直接问 AI:“根据 compendium 第 7 章,Transformer 的 attention 公式是什么?",AI 会基于本地 markdown 回答

这种方式的优点:把 18 章内容当作 RAG 知识库,问答时可以精确定位章节;缺点:需要你配置 MCP(有学习成本),且 LLM 回答仍有幻觉风险,关键概念以原文为准。

适用边界:谁该用 / 谁不该用

推荐使用

• 想从"调参工程师"过渡到"研究工程师"的从业者——13–18 章的系统内容是这类人群的最大痛点
• 准备 DeepMind / OpenAI / Nvidia 面试的求职者——README 里明确说 2025 年朋友用这份笔记通过了这些面试,这是最强背书
• 在工作中遇到 ML Systems Design 题目但没系统训练过的工程师——第 18 章直接给"推荐/搜索/广告/反作弊"的系统设计案例
• 想从 inference 角度重新理解模型的工程师——第 17 章的 quantisation / speculative decoding / batching / edge inference 串成完整链路
• 想用 MCP 把学习资料 AI-Native 化的早期采用者——Compendium 的 MCP server 是同类项目里少见的"AI-first 入口”

不推荐使用

• 想 6 周速成 Transformer 的初学者——18 章里 Transformer 知识分布在第 6/7/10/16/17 章,跨度大,不适合赶进度
• 想读论文、写 paper 的学术研究员——Compendium 是工程师视角,不是 survey 视角,论文引用密度不够
• 想拿学位证的正规学生——Compendium 没学分、没证书,不能替代正式学位
• 只想学传统 CV 或传统 NLP 的人——第 7/8 章把传统方法和现代方法混在一起讲,如果你只想看 YOLO 历史,直接读论文更高效
• 不打算写代码的人——作者明确说"muscle memory"是终极目标,不写代码的纯阅读会浪费 Phase 2 的核心机制

阅读路径建议(三种 profile)

根据不同背景,Compendium 的最佳起点不一样:

Profile 1:已经有 ML 工程经验,想补系统层(8 周)

跳过 01–06,从 第 13 章 Computing & OS 开始 → 14 DS&A → 15 ProdSE → 16 SIMD/GPU → 17 Inference → 18 ML Systems Design。每章用 Phase 2 的方法,读完小标题后合书写代码。

Profile 2:数学基础不扎实,但会写 PyTorch(16 周)

从 第 01 章 Vectors 开始按顺序读到 06 ML,这一段严格用 Phase 1(累计阅读)巩固基础。然后从 07 开始按"数据模态"挑感兴趣的方向读(比如对 LLM 感兴趣就重点看 07,对自动驾驶感兴趣就重点看 11),最后回到 17/18 收尾。

Profile 3:零基础但有 Python(24 周以上)

完全按 01 → 18 顺序读,每周一章,严格 Phase 1 + Phase 2 交替,每章至少写 3 段代码验证概念。前 5 章(数学基础)可以放慢到每章 2 周,因为这是后续所有章节的地基。

通用建议

• 不要试图一次读完——18 章是 18 个独立项目,每个都能单独成书
• 跨章节笔记——第 6 章的"梯度方法"和第 17 章的"量化"会反复出现,做好交叉引用
• MCP 接入是放大器不是替代——AI 助手可以帮你定位章节、解释概念,但 Phase 2 的"自己写代码"环节不能省

仓库健康度(截至 2026-07-18)

关键判断:

• README 表格里 18 章全部 Available,没有 Planned / TODO 状态,这是教科书类项目最容易翻车的地方(承诺写一半没了)
• 作者本人在持续 push(2026-07-16 仍在更新),不是发完就跑的"毕业项目”
• Apache-2.0 协议比 MIT 更适合"教科书"——明确授予专利使用权,适合做企业培训
• 8 个 open issues——可能包含 typo / 章节补充请求,而不是结构性问题

总结

Compendium 的真正价值不在 6527 stars,而在它是少数把"研究工程师"当作完整职业路径来设计的 textbook——从 Vectors 到 ML Systems Design,18 章覆盖了数学、AI、CV/NLP/Audio/Multimodal/Robotics/GNN、SIMD/GPU、Inference、Systems Design 的全栈式路径,且每一章都自带作者背书 + intuition-first 教学法 + MCP AI-Native 入口。

它不是给所有人的——但如果你正在从"调参工程师"过渡到"独立设计训练/推理/部署闭环的研究工程师",它可能是 2026 年最值得系统读完的一份 syllabus。

参考链接

• 仓库: github.com/HenryNdubuaku/maths-cs-ai-compendium
• 在线阅读: henryndubuaku.github.io/maths-cs-ai-compendium
• License: Apache-2.0
• 创建时间: 2026-02-03
• 最新更新: 2026-07-16 push / 2026-07-17 metadata
• 引用: @book{ndubuaku2025compendium, year={2026}, publisher={GitHub}}