每月 300 美元的錯誤
六個月前，我每月支付 49 美元給 Coursera Plus、39 美元給 DataCamp，還花了 199 美元買了兩套 Udemy 課程組合。我收集證書就像收集寶可夢卡牌一樣，但卻無法從頭開始建構任何東西。
後來我發現了一件事，徹底改變了一切：那些真正在打造 AI 的公司——Google、Anthropic、OpenAI——已經開始免費提供他們的訓練課程。不是那種偷工減料的入門影片，而是完整的課程，還有證書。與此同時，GitHub 上有一些星數超過 95,000 的儲存庫，它們的教學效果比我付費買的任何課程都要好。
我取消了所有訂閱。建立了一個能管理我早晨例行的 AI Agent。而這一切，我花了 0 美元。
這篇文章就是我當初希望擁有的完整系統。不是一串連結，不是「你永遠不會打開的 30 個資源」。這是一條逐步的路徑：先做這個，再做這個，然後建構這個。請依序進行。在 14 週內，你將從零開始，一路到部署真正的 AI 系統。
如何使用這份指南
規則 1：不要跳過進度。步驟 3 假設你已經完成了步驟 2。如果你在還不了解梯度（gradients）的情況下就跳到 LLM，你只會複製你不理解的程式碼。
規則 2：做筆記。我使用 Obsidian（免費、本地端、Markdown）。每次學習後，寫下三件事：你學到了什麼、什麼讓你驚訝、還有什麼不清楚。這點沒得商量。
規則 3：每一步都要動手建構。每個步驟結束時都有一個檢查點。如果你做不到，就回去重做。
開始前，先在 Obsidian 中建立這個資料夾結構：
步驟 1：設定你的環境（第 1 天）
在學習任何東西之前，先設定好你的工具。一個晚上就夠了。別想太多。
安裝你的工具
- Python 3.11+ - python.org/downloads。勾選「Add to PATH」。
- VS Code - code.visualstudio.com。安裝 Python 擴充功能。
- Git + GitHub - github.com。用於 fork 儲存庫和儲存專案。
- Obsidian - obsidian.md。建立上述的資料夾結構。
- Ollama - ollama.com。用於在本機執行模型。現在就安裝，你將從步驟 4 開始使用它。
建立你的免費帳號
- Anthropic Academy - anthropic.skilljar.com。16 堂免費課程，附證書。2026 年最被低估的 AI 學習平台。
- OpenAI Academy - academy.openai.com。免費工作坊、教學、AI 基礎課程。
- Google AI - grow.google/ai。Google AI 專業證書——7 個模組，透過 Coursera 審核模式免費。
- Coursera - coursera.org。審核模式 = 免費。用於 IBM ML 證書和 Google 課程。
Coursera 的審核模式
當 Coursera 要求你付費時，請在頁面底部尋找小小的「Audit this course」連結。這樣就能免費完整存取所有影片和教材。不會有 Coursera 證書，但你會直接從 Anthropic、OpenAI 和 Google 獲得證書。
檢查點：
Python + VS Code + Ollama 已安裝。GitHub 帳號已建立。Obsidian 筆記庫已準備就緒。已在 Anthropic Academy、OpenAI Academy、Google AI 和 Coursera 上註冊帳號。
步驟 2：AI 基礎——了解你在建構什麼（第 1–2 週）
為什麼這在 2026 年很重要：
AI 素養現在已成為招聘的篩選條件。2025 年世界經濟論壇（WEF）的分析發現，具備 AI 素養的勞工薪資溢價達 15–22%。了解基礎知識能讓你領先 90% 的求職者。
第 1 週：宏觀視野
首先 → Google AI 專業證書（模組 1–3）
grow.google/ai-professional - 最溫和的入門方式。無需程式碼。涵蓋：什麼是 AI、與 AI 腦力激盪、使用 AI 進行研究。為你提供詞彙基礎。
接著 → Anthropic Academy：AI 流暢度：框架與基礎
anthropic.skilljar.com - 4D AI 流暢度框架。與大學教授共同開發。需要 2–3 小時。這是 2026 年任何地方都能找到的最佳入門課程之一，而且這張證書在 LinkedIn 上看起來真的很不錯——它來自 Claude 背後的公司 Anthropic。
第 2 週：第一個程式碼 + 第一個概念
接著 → microsoft/generative-ai-for-beginners（第 1–6 課）
github.com/microsoft/generative-ai-for-beginners - 超過 95,000 顆星。21 堂課。Fork 這個儲存庫，並完成第 1–6 課：什麼是 GenAI、LLM 如何運作、使用提示詞、第一個聊天應用程式。
檢查點：
你能用自己的話解釋 LLM、token 和 transformer。第一個 Jupyter notebook 已成功執行。Obsidian 中有 4–6 則筆記。
步驟 3：機器學習基礎——學習魔法背後的數學（第 3–5 週）
為什麼這在 2026 年很重要：
機器學習基礎是區分「只會複製教學的人」和「能除錯模型的人」的關鍵。企業願意支付 15 萬美元以上的年薪給那些了解模型為何表現不佳的工程師，而不只是會呼叫 API 的人。
主要教材：microsoft/ML-For-Beginners
github.com/microsoft/ML-For-Beginners - 超過 44,900 顆星。12 週課程：迴歸、分類、聚類、NLP 基礎。包含測驗、notebook、挑戰。我們將其壓縮到 3 週，每天 2 堂課。
並行教材：Coursera 上的 IBM 機器學習
coursera.org/professional-certificates/ibm-machine-learning - 審核模式免費。更傳統的影片格式。與 Microsoft 儲存庫搭配使用——針對同一主題的兩種角度 = 更好的記憶保留。
數學參考：mlabonne/llm-course（基礎部分）
github.com/mlabonne/llm-course — 超過 40,000 顆星。第一部分：線性代數、微積分、機率。只包含與 ML 相關的數學。當你遇到不熟悉的內容時，請參考它。
第 5 週專案：從 Microsoft 儲存庫中選一個資料集。從頭開始建立你自己的分類模型。推送到 GitHub。
檢查點：
你了解迴歸、分類、聚類、梯度下降、損失函數、過度擬合。你已經在真實資料上訓練了一個模型。GitHub 上有一個專案。
步驟 4：深度學習與神經網路——從頭開始建構（第 6–8 週）
主要教材：karpathy/nn-zero-to-hero
karpathy.ai/zero-to-hero.html（影片）+ github.com/karpathy/nn-zero-to-hero（程式碼）
Andrej Karpathy，前 Tesla AI 總監、OpenAI 共同創辦人。他從完全零開始建構神經網路——沒有框架，只有 Python 和數學。你將建構：micrograd、makemore 和 nanoGPT。
- 第 6 週：第 1–3 講（micrograd + makemore）。跟著寫程式碼。暫停、逐行輸入、執行、弄壞它。
- 第 7 週：第 4–5 講（激活函數、BatchNorm、反向傳播）。內容密集——每天一講。詳細筆記。
- 第 8 週：第 6–7 講（從頭建構 GPT + tokenization）。回報：你建構了一個 transformer。
與 Ollama 並行實驗：
當你在建構 nanoGPT 時，在另一個終端機中執行 ollama run llama3.2:3b。將你的「玩具」模型的輸出與真實的 30 億參數模型進行比較。這能彌合「我理解理論」和「我能在本機執行模型」之間的差距。看到 30 億參數與你的 1000 萬參數對輸出品質的影響，會讓你大開眼界。
補充教材：microsoft/AI-For-Beginners（深度學習）
github.com/microsoft/AI-For-Beginners - 第 7–12 週：CNN、RNN。擴展了 Karpathy 的內容，特別是電腦視覺部分。
通往 API 的橋樑：Anthropic Academy - 使用 Claude API 建構
anthropic.skilljar.com - 既然你已經從內部了解了模型，現在學習如何透過 API 使用它們。涵蓋驗證、系統提示詞、工具使用、串流。從理論到產品的橋樑。
檢查點：
你已經從頭建構了一個神經網路。你了解反向傳播、注意力機制、transformer。你能解釋 GPT 如何運作。你能使用 Ollama 在本機執行模型。你了解 Claude API。
步驟 5：LLM 與提示詞工程——與真實模型協作（第 9–10 週）
深入學習：mlabonne/llm-course（LLM 科學家路線）
github.com/mlabonne/llm-course - 最全面的免費 LLM 課程。每個主題都有 Colab notebook。
- LLM 架構 - 與你在 Karpathy 課程中建構的內容相關聯
- 微調（LoRA、QLoRA） - 為特定任務自訂模型
- 量化 - 在本機執行模型（與你的 Ollama 設定相關聯）
- 評估 - 衡量你的模型是否真的夠好
提示詞工程
OpenAI Academy：academy.openai.com/public/content - 來自打造 ChatGPT 的團隊所開設的「提示詞工程入門」和「適用於任何角色的 ChatGPT」。
Anthropic 提示詞工程：docs.anthropic.com - 可以說是網路上寫得最好的提示詞工程指南。不是課程——是一份非常詳細的參考資料。
繼續：microsoft/generative-ai-for-beginners（第 7–21 課）
回去完成第 7–21 課。有了深入的知識，這些進階課程會變得容易理解：RAG、函式呼叫、設計模式、微調。
第 10 週專案：在你的 Obsidian 筆記上建構一個 RAG 系統
使用 ChromaDB 或 LanceDB（兩者皆免費、本機）來索引你的 AI 學習筆記庫。建構一個工具，能回答關於你所學一切的問題。你實際上是在你的第二個大腦之上建構第二個大腦。推送到 GitHub。
步驟 6：AI Agent——建構真實的東西（第 11–12 週）
主要教材：microsoft/ai-agents-for-beginners
github.com/microsoft/ai-agents-for-beginners - 12 堂課：工具使用、記憶、多 Agent 系統、編排。
深入學習：Anthropic Academy - MCP 課程
anthropic.skilljar.com - 「模型上下文協定（MCP）簡介」+「MCP：進階主題」。MCP 是 Anthropic 的開放標準，用於將 AI 連接到外部工具——2026 年 Agent 工具使用的標準。這些課程教你從頭建構 MCP 伺服器和客戶端。
框架：LangGraph（由 LangChain 開發）
花 2–3 個 session 在免費的 Colab notebook 中學習 LangGraph。它是建構有狀態、多步驟 Agent 工作流程最受歡迎的框架。與 Anthropic MCP 方法互補——LangGraph 負責編排，MCP 負責工具連接。
獎勵：Anthropic Cookbook
docs.anthropic.com/en/docs/about-claude/use-case-guides - 最好的工具使用和 MCP 模式的真實範例。像研究案例一樣研究它們。
最終 Agent 專案：
建構一個使用 MCP + Claude 來處理你本機檔案的 Agent。範例：一個能讀取你的 Obsidian 筆記庫、檢查網路上關於你正在學習的主題的最新資訊，並產生每日摘要發送到你的 Telegram 的 Agent。關於架構，請參考我的文章「我建構了一個管理我生活的 AI Agent」。
檢查點：
你已經建構了一個使用 MCP 的運作中 AI Agent。你了解 Agent 架構、工具使用和多步驟工作流程。你的作品集正在成長。
步驟 7：生產環境、作品集與負責任的 AI（第 13–14 週）
部署（全部免費）
將你最好的專案部署出去：
- Gradio + Hugging Face Spaces - 分享 ML 示範的最快方式。免費託管。
- Streamlit Community Cloud - 適用於資料導向的應用程式。免費方案。
- Vercel - 適用於基於網頁的 AI 工具。免費方案。
評估你的模型
一個已部署但未經評估的模型就是一個 liabilities。學習衡量品質：
- DeepEval - 用於 LLM 評估的開源框架。
- RAGAS - 專門用於評估 RAG 管線（你在步驟 5 中建立的 Obsidian RAG）。
- LLM-as-Judge - 使用一個 LLM 來評估另一個 LLM 的輸出。Claude 非常擅長這個。
負責任的 AI 與安全性
這是 90% 的免費指南失敗的地方。它們教你建構，但沒有教你負責任地建構。
- 憲法式 AI（Constitutional AI） - 了解現代模型是如何被對齊的。Anthropic 的核心方法。
- 提示詞注入防禦 - 如何保護你的應用程式免受對抗性輸入的攻擊。
- 紅隊演練（Red-teaming） - 如何在使用者之前對你自己的系統進行壓力測試。
資源：Anthropic 的官方安全指南 + Anthropic Academy 中的負責任 AI 課程。
作品集與職涯
在 AI 領域，你的 GitHub 個人檔案就是你的履歷。以下是如何讓它發揮作用：
- GitHub README - 專業的個人檔案 README + 專案 README，包含架構圖和即時示範連結。
- LinkedIn 案例 - 寫 2–3 篇關於你專案的簡短案例研究。問題是什麼、你建構了什麼、你學到了什麼。
- 職涯路徑 - 初級 AI 工程師（8–12 萬美元）→ 提示詞/Agent 工程師（12–18 萬美元）→ AI 產品工程師（15–25 萬美元）。
總結性專案：
建構一個能解決你生活中真實問題的生產級 AI Agent。已部署。附有評估系統。附有安全檢查。這就是你要向雇主展示的東西。這就是你要在 Twitter 上分享的東西。這就是證明。
檢查點：
你擁有已部署、已評估、已通過安全檢查的 AI 系統。專業的 GitHub 個人檔案。LinkedIn 案例研究。你已準備好就業。
維護模式：如何保持與時俱進
AI 發展迅速。以下是在完成路線圖後保持領先的每週例行公事：
- 週一：查看 Anthropic、OpenAI 和 Google 的發行說明。10 分鐘。
- 週三：瀏覽 arxiv-sanity-lite 尋找有趣的論文。閱讀 1 篇摘要。15 分鐘。
- 週五：觀看一部 Yannic Kilcher 或 1littlecoder 關於新論文/工具的影片。20 分鐘。
- 每月：使用新工具或新技術建構一個小型專案。推送到 GitHub。
總時間：每週約 1 小時。這能讓你保持在 AI 從業者的前 10%。
比較分析
這份路線圖與其他選項的誠實比較：
完整資源列表
免費課程（附證書）
• Anthropic Academy - anthropic.skilljar.com - 16 門課程，免費證書
• OpenAI Academy - academy.openai.com - 工作坊、教學、AI 基礎
• Google AI 專業證書 - grow.google/ai - 7 個模組
• Coursera 上的 IBM ML - 審核模式免費 - 完整的 ML 證書
• NVIDIA DLI - developer.nvidia.com/training - GPU 與深度學習
• DeepLearning.AI - Andrew Ng 的短課程，特別是「Agentic AI」和「LangChain for LLM Apps」
GitHub 儲存庫
• microsoft/generative-ai-for-beginners - 95K★ - 21 堂 GenAI 課程
• microsoft/ML-For-Beginners - 45K★ - 12 週經典 ML
• microsoft/AI-For-Beginners - 35K★ - 24 堂深度學習與 CV 課程
• karpathy/nn-zero-to-hero - Andrej Karpathy 從頭開始的神經網路
• mlabonne/llm-course - 40K★ - 完整的 LLM 路線圖 + Colab
• microsoft/ai-agents-for-beginners - 12 堂 AI Agent 課程
• ashishpatel26/500-AI-ML-DL-Projects - 500+ 個專案點子
工具（免費）
• Ollama + Open WebUI - 在本機執行模型，自託管的 ChatGPT 替代方案
• Anthropic Cookbook - docs.anthropic.com - 最好的工具使用和 MCP 範例
• Hugging Face 課程（2026 年版） - 特別是 Agent 和評估章節
• ChromaDB / LanceDB - 用於 RAG 專案的免費本機向量資料庫
YouTube（免費）
• Andrej Karpathy - 神經網路：從零到英雄
• 3Blue1Brown - 神經網路與線性代數視覺化
• Yannic Kilcher - AI 論文解析
• 1littlecoder - 最新的 AI 工具與實作（2026 年焦點）
• Matt Wolfe - AI 新聞與工具評測
今晚就開始
以下是接下來 60 分鐘內你該做的事：
- 安裝 Obsidian 並建立 AI 學習筆記庫。5 分鐘。
- 註冊 Anthropic Academy。開始 AI 流暢度課程。觀看第一個模組。寫下第一則筆記。30 分鐘。
- 在 GitHub 上 fork microsoft/generative-ai-for-beginners。打開第 1 課。閱讀它。20 分鐘。
就這樣。三件事。今晚。
2026 年真正會學會 AI 的人，不是那些收藏 50 篇文章的人。而是那些打開終端機並開始行動的人。
我曾經每月花 300 美元上那些教我複製貼上我不理解程式碼的課程。如今我為了樂趣建構 AI Agent，而整個教育成本是 0 美元。資源就在那裡。唯一的問題是，你是否願意開始。
請在 TG 上訂閱我 <3 - https://t.me/+y1dBeWEIm_plMGNi
