从零到 AI 工程师：学习路线图

每月 300 美元的代价

六个月前，我每月支付 49 美元订阅 Coursera Plus，39 美元订阅 DataCamp，还花了 199 美元买了两个 Udemy 课程包。我像收集宝可梦卡片一样收集证书，却连一个能从头搭建的东西都做不出来。

后来我发现了一件改变一切的事：那些真正在构建 AI 的公司——Google、Anthropic、OpenAI——已经开始免费提供培训。不是缩水的入门视频，而是完整的课程，还附带证书。与此同时，GitHub 上那些拥有 95,000+ 星标的仓库，比我付费的任何课程都教得更好。

我取消了所有订阅。构建了一个管理我晨间 routine 的 AI Agent。而且这一切花费是 0 美元。

这篇文章就是我刚开始时希望拥有的完整系统。不是一堆链接，不是“你永远不会打开的 30 个资源”。这是一条逐步路径：先做这个，再做这个，然后构建这个。按顺序执行。14 周后，你将从头开始，到部署真正的 AI 系统。

如何使用本指南

规则 1：不要跳步。第 3 步假设你已经完成了第 2 步。如果你在不理解梯度的情况下直接跳到 LLM，你只会复制你不懂的代码。

规则 2：做笔记。我用 Obsidian（免费、本地、Markdown）。每次学习后，写下三件事：你学到了什么，让你惊讶的是什么，还有什么不清楚。这是必须的。

规则 3：每一步都要动手构建。每一步都有一个检查点。如果你做不到，就退回去。

开始前，在 Obsidian 中建立以下文件夹结构：

第 1 步：搭建环境（第 1 天）

在学习任何东西之前，先设置好你的工具。一个晚上搞定，别想太多。

安装你的工具

1. Python 3.11+ - python.org/downloads。勾选“Add to PATH”。

1. VS Code - code.visualstudio.com。安装 Python 扩展。

1. Git + GitHub - github.com。用于 fork 仓库和保存项目。

1. Obsidian - obsidian.md。创建上面的文件夹结构。

1. Ollama - ollama.com。用于本地运行模型。现在安装，第 4 步会用到。

创建你的免费账户

1. Anthropic Academy - anthropic.skilljar.com。16 门免费课程，附带证书。2026 年最被低估的 AI 学习平台。

1. OpenAI Academy - academy.openai.com。免费工作坊、教程、AI 基础课程。

1. Google AI - grow.google/ai。Google AI 专业证书——7 个模块，通过 Coursera 旁听免费。

1. Coursera - coursera.org。旁听模式 = 免费。用于 IBM ML 证书和 Google 课程。

Coursera 旁听模式

当 Coursera 要求你付费时，在底部寻找“旁听此课程”的小链接。可以免费访问所有视频和资料。没有 Coursera 证书，但你可以直接从 Anthropic、OpenAI 和 Google 获得证书。

检查点：

Python + VS Code + Ollama 已安装。GitHub 账户已创建。Obsidian 库已就绪。Anthropic Academy、OpenAI Academy、Google AI 和 Coursera 的账户已注册。

第 2 步：AI 基础——理解你在构建什么（第 1-2 周）

为什么这在 2026 年很重要：

AI 素养现在是一个招聘筛选条件。2025 年世界经济论坛分析发现，具备 AI 素养的工人薪资溢价 15-22%。理解基础让你领先 90% 的求职者。

第 1 周：大局观

首先 → Google AI 专业证书（模块 1-3）

grow.google/ai-professional - 最温和的入门。无需代码。涵盖：什么是 AI、用 AI 进行头脑风暴、用 AI 进行研究。给你词汇量。

然后 → Anthropic Academy：AI 素养：框架与基础

anthropic.skilljar.com - 4D AI 素养框架。与大学教授共同开发。需要 2-3 小时。这是 2026 年全球最好的入门课程之一，而且这个证书在 LinkedIn 上看起来确实不错——它来自 Anthropic，Claude 背后的公司。

第 2 周：第一个代码 + 第一个概念

然后 → microsoft/generative-ai-for-beginners（第 1-6 课）

github.com/microsoft/generative-ai-for-beginners - 95,000+ 星标。21 课。Fork 这个仓库，学习第 1-6 课：什么是 GenAI、LLM 如何工作、使用提示、第一个聊天应用。

检查点：

你可以用自己的话解释 LLM、token 和 transformer。第一个 Jupyter notebook 已运行。Obsidian 中有 4-6 条笔记。

第 3 步：机器学习基础——学习魔法背后的数学（第 3-5 周）

为什么这在 2026 年很重要：

ML 基础是区分只会复制教程的人和能调试模型的人的关键。公司愿意支付 15 万美元以上给那些理解模型为何表现不佳的工程师，而不仅仅是会调用 API 的人。

主要：microsoft/ML-For-Beginners

github.com/microsoft/ML-For-Beginners - 44,900+ 星标。12 周课程：回归、分类、聚类、NLP 基础。包含测验、notebook、挑战。我们压缩到 3 周，每天 2 课。

并行：Coursera 上的 IBM 机器学习

coursera.org/professional-certificates/ibm-machine-learning - 旁听模式免费。更传统的视频格式。与 Microsoft 仓库一起使用——同一主题的两个角度 = 更好的记忆保持。

数学参考：mlabonne/llm-course（基础部分）

github.com/mlabonne/llm-course — 40K+ 星标。第一部分：线性代数、微积分、概率。只包含与 ML 相关的数学。遇到不熟悉的概念时参考它。

第 5 周项目：从 Microsoft 仓库中选择一个数据集。从头构建你自己的分类模型。推送到 GitHub。

检查点：

你理解回归、分类、聚类、梯度下降、损失函数、过拟合。你在真实数据上训练了一个模型。GitHub 上有一个项目。

第 4 步：深度学习与神经网络——从头构建（第 6-8 周）

主要：karpathy/nn-zero-to-hero

karpathy.ai/zero-to-hero.html（视频）+ github.com/karpathy/nn-zero-to-hero（代码）

Andrej Karpathy，前特斯拉 AI 总监、OpenAI 联合创始人。他从零开始构建神经网络——没有框架，只有 Python 和数学。你将构建：micrograd、makemore 和 nanoGPT。

1. 第 6 周：讲座 1-3（micrograd + makemore）。跟着编码。暂停，逐行输入，运行，破坏它。

1. 第 7 周：讲座 4-5（激活函数、BatchNorm、反向传播）。密集——每天一课。详细笔记。

1. 第 8 周：讲座 6-7（从零构建 GPT + 分词）。回报：你构建了一个 transformer。

用 Ollama 并行实验：

在构建 nanoGPT 的同时，在另一个终端运行 ollama run llama3.2:3b。将你的“玩具”模型的输出与真正的 30 亿参数模型进行比较。这弥合了“我理解理论”和“我能在本地运行模型”之间的差距。看到 30 亿参数与你的 1000 万参数对输出质量的影响，会让你大开眼界。

补充：microsoft/AI-For-Beginners（深度学习）

github.com/microsoft/AI-For-Beginners - 第 7-12 周：CNN、RNN。扩展了 Karpathy 的内容，特别是计算机视觉方面。

连接 API：Anthropic Academy - 使用 Claude API 构建

anthropic.skilljar.com - 既然你已经从内部理解了模型，现在学习如何通过 API 使用它们。涵盖认证、系统提示、工具使用、流式传输。从理论到产品的桥梁。

检查点：

你从头构建了一个神经网络。你理解反向传播、注意力机制、transformer。你能解释 GPT 的工作原理。你能用 Ollama 在本地运行模型。你了解 Claude API。

第 5 步：LLM 与提示工程——使用真实模型（第 9-10 周）

深入：mlabonne/llm-course（LLM 科学家路线）

github.com/mlabonne/llm-course - 最全面的免费 LLM 课程。每个主题都有 Colab notebook。

1. LLM 架构 - 与你用 Karpathy 构建的内容相关联

1. 微调（LoRA、QLoRA） - 为特定任务定制模型

1. 量化 - 在本地运行模型（与你设置的 Ollama 关联）

1. 评估 - 衡量你的模型是否真的优秀

提示工程

OpenAI Academy：academy.openai.com/public/content - “提示工程入门”和“面向任何角色的 ChatGPT”，由构建 ChatGPT 的团队提供。

Anthropic 提示工程：docs.anthropic.com - 可以说是互联网上写得最好的提示工程指南。不是课程——是一份非常详细的参考。

继续：microsoft/generative-ai-for-beginners（第 7-21 课）

回去完成第 7-21 课。有了深入的知识，这些高级课程会变得清晰：RAG、函数调用、设计模式、微调。

第 10 周项目：在你的 Obsidian 笔记上构建一个 RAG

使用 ChromaDB 或 LanceDB（两者都免费、本地）来索引你的 AI 学习库。构建一个工具，回答你学过的所有内容的问题。你实际上是在你的第二大脑之上构建另一个第二大脑。推送到 GitHub。

第 6 步：AI Agent——构建真实的东西（第 11-12 周）

主要：microsoft/ai-agents-for-beginners

github.com/microsoft/ai-agents-for-beginners - 12 课：工具使用、记忆、多 Agent 系统、编排。

深入：Anthropic Academy - MCP 课程

anthropic.skilljar.com - “模型上下文协议简介” + “MCP：高级主题”。MCP 是 Anthropic 的开放标准，用于将 AI 连接到外部工具——2026 年 Agent 工具使用的标准。这些课程教你从头构建 MCP 服务器和客户端。

框架：LangGraph（由 LangChain 开发）

花 2-3 个 session 在免费的 Colab notebook 上学习 LangGraph。它是构建有状态、多步骤 Agent 工作流最流行的框架。补充 Anthropic MCP 方法——LangGraph 用于编排，MCP 用于工具连接。

额外：Anthropic Cookbook

docs.anthropic.com/en/docs/about-claude/use-case-guides - 最好的工具使用和 MCP 模式的实际示例。像研究案例一样研究它们。

最终 Agent 项目：

构建一个使用 MCP + Claude 处理本地文件的 Agent。例如：一个读取你的 Obsidian 库、检查你正在学习的主题的网页更新、并生成每日摘要发送到 Telegram 的 Agent。关于架构，请参考我的文章“我构建了一个管理我生活的 AI Agent”。

检查点：

你构建了一个使用 MCP 的可用 AI Agent。你理解 Agent 架构、工具使用和多步骤工作流。你的作品集在增长。

第 7 步：生产、作品集与负责任 AI（第 13-14 周）

部署（全部免费）

将你最好的项目部署：

1. Gradio + Hugging Face Spaces - 分享 ML 演示的最快方式。免费托管。

1. Streamlit Community Cloud - 用于数据驱动的应用。免费层。

1. Vercel - 用于基于 Web 的 AI 工具。免费层。

评估你的模型

一个部署了但没有评估的模型就是负债。学习衡量质量：

1. DeepEval - 用于 LLM 评估的开源框架。

1. RAGAS - 专门用于评估 RAG 管道（你在第 5 步构建的 Obsidian RAG）。

1. LLM-as-Judge - 用一个 LLM 评估另一个的输出。Claude 在这方面非常出色。

负责任 AI 与安全

这是 90% 的免费指南失败的地方。他们教你构建，但不教你负责任地构建。

1. 宪法 AI - 理解现代模型是如何对齐的。Anthropic 的核心方法。

1. 提示注入防御 - 如何保护你的应用免受对抗性输入。

1. 红队测试 - 如何在用户之前对你的系统进行压力测试。

资源：Anthropic 的官方安全指南 + Anthropic Academy 中的负责任 AI 课程。

作品集与职业

你的 GitHub 个人资料就是你在 AI 领域的简历。以下是如何让它有价值：

1. GitHub README - 专业的个人资料 README + 项目 README，包含架构图和在线演示链接。

1. LinkedIn 案例 - 写 2-3 篇关于你项目的简短案例研究。什么问题、你构建了什么、你学到了什么。

1. 职业路径 - 初级 AI 工程师（8-12 万美元）→ 提示/Agent 工程师（12-18 万美元）→ AI 产品工程师（15-25 万美元）。

毕业项目：

构建一个解决你生活中真实问题的生产级 AI Agent。已部署。带有评估系统。带有安全检查。这是你向雇主展示的东西。这是你在推特上发的东西。这是证明。

检查点：

你拥有一个已部署、已评估、已安全检查的 AI 系统。专业的 GitHub 个人资料。LinkedIn 案例研究。你已经准备好找工作了。

维护模式：如何保持最新

AI 发展很快。以下是完成路线图后保持领先的每周例行：

1. 周一：查看 Anthropic、OpenAI 和 Google 的发布说明。10 分钟。

1. 周三：浏览 arxiv-sanity-lite 寻找有趣的论文。阅读一篇摘要。15 分钟。

1. 周五：观看一个 Yannic Kilcher 或 1littlecoder 关于新论文/工具的视频。20 分钟。

1. 每月：用新工具或新技术构建一个小项目。推送到 GitHub。

总时间：大约每周 1 小时。这让你保持在 AI 从业者的前 10%。

对比

本路线图与替代方案的诚实对比：

完整资源列表

免费课程（含证书）

• Anthropic Academy - anthropic.skilljar.com - 16 门课程，免费证书

• OpenAI Academy - academy.openai.com - 工作坊、教程、AI 基础

• Google AI 专业证书 - grow.google/ai - 7 个模块

• Coursera 上的 IBM ML - 旁听模式免费 - 完整 ML 证书

• NVIDIA DLI - developer.nvidia.com/training - GPU 与深度学习

• DeepLearning.AI - Andrew Ng 的短期课程，特别是“Agentic AI”和“LangChain for LLM Apps”

GitHub 仓库

• microsoft/generative-ai-for-beginners - 95K★ - 21 课 GenAI

• microsoft/ML-For-Beginners - 45K★ - 12 周经典 ML

• microsoft/AI-For-Beginners - 35K★ - 24 课深度学习与 CV

• karpathy/nn-zero-to-hero - Andrej Karpathy 的神经网络从零开始

• mlabonne/llm-course - 40K★ - 完整 LLM 路线图 + Colab

• microsoft/ai-agents-for-beginners - 12 课 AI Agent

• ashishpatel26/500-AI-ML-DL-Projects - 500+ 项目创意

工具（免费）

• Ollama + Open WebUI - 本地运行模型，自托管 ChatGPT 替代品

• Anthropic Cookbook - docs.anthropic.com - 最佳工具使用和 MCP 示例

• Hugging Face 课程（2026）- 特别是 Agent 和评估部分

• ChromaDB / LanceDB - 免费本地向量数据库，用于 RAG 项目

YouTube（免费）

• Andrej Karpathy - 神经网络：从零到英雄

• 3Blue1Brown - 神经网络与线性代数可视化

• Yannic Kilcher - AI 论文解读

• 1littlecoder - 最新 AI 工具与实现（2026 年重点）

• Matt Wolfe - AI 新闻与工具评测

今晚就开始

以下是接下来 60 分钟要做的具体事情：

1. 安装 Obsidian 并创建 AI-Learning 库。5 分钟。

1. 注册 Anthropic Academy。开始 AI 素养课程。观看第一个模块。写下第一条笔记。30 分钟。

1. 在 GitHub 上 fork microsoft/generative-ai-for-beginners。打开第 1 课。阅读。20 分钟。

就这些。三件事。今晚。

2026 年真正学会 AI 的人，不是那些收藏 50 篇文章的人。而是那些打开终端并开始行动的人。

我曾经每月花 300 美元上那些教我复制粘贴我不懂代码的课程。现在我为了乐趣构建 AI Agent，而整个教育成本是 0 美元。资源就在那里。唯一的问题是，你是否会开始。

请在 TG 上订阅我 <3 - https://t.me/+y1dBeWEIm_plMGNi