作者整理推荐了四套值得学习的 Agent 相关课程：斯坦福 MS&E 435《AI 超级周期的经济学》从产业和经济学角度拆解 AI Stack 的价值分布；斯坦福 CS329A《自我提升型 AI 智能体》探讨 Agent 通过反馈、强化学习和记忆实现自我提升的闭环；Hamel Husain 的 AI Product Engineering 系列聚焦 Evals、Context 和 Systems，讲解如何把 AI Demo 变成可靠产品；CMU 11-768 则把 Agent 当作完整系统，涵盖 Harness、Evaluation、训练与安全。四套课程分别对应产业、研究、产品工程和系统工程四个视角，可拼成一张完整的 Agent 学习地图。其中三套已烧录双语字幕上传 B 站供大家学习。
作者分享了一个100天100个IoT项目的开源项目集，覆盖ESP32、ESP8266、树莓派Pico全系列，每个项目配有代码、电路图和详细说明。项目基于MicroPython，会Python即可上手，涵盖DHT11、PIR、超声波等主流传感器，讲解ADC、PWM、Wi-Fi、WebSocket、蓝牙等核心概念，包含Web服务器、Blynk IoT、Telegram通知等实用场景，并支持Wokwi浏览器仿真，无需硬件即可练习。该项目获得Adafruit、Hackster.io等社区推荐。
本文面向非程序员，介绍如何在 GitHub 上高效发现有价值的项目。作者解释了 GitHub 已从代码托管网站演变为全球开源项目数据库与产品发现平台，详细讲解了 Star、README、Releases、Issues、Fork、Contributors、License 等关键指标的解读方法，强调 Star 高不等于项目好，需综合判断维护状态。文章还分享了通过作者链路、GitHub 雷达及第三方工具挖掘新爆发项目、使用搜索语法精确筛选的技巧，并指出 GitHub 对独立开发者发现商业机会、对普通人学习各领域知识的价值。
本文旨在解决GitHub上海量AI仓库的导航难题，为AI工程师提供一份经过验证的仓库地图。文章按实际工作流程组织，从基础原理学习（如micrograd、nanoGPT）、本地模型运行（llama.cpp、ollama、vLLM）到图工程等专业领域，逐一介绍关键仓库，并强调许可证、入门成本和贡献机会等实用信息。
本文介绍了 Andrej Karpathy 的 GitHub 上五个最具教育价值的仓库：micrograd、nanoGPT、minGPT、llm.c 和 nanochat。这些仓库以极简和清晰著称，帮助学习者从零理解神经网络、反向传播、GPT 架构、底层实现和完整的 LLM 系统。文章强调了主动学习的重要性，并提供了实践学习路径，帮助读者从基础原理到实际应用建立直觉。
文章推荐了6个比刷X更有价值的网站，包括GitHub Trending、Product Hunt、Google AI Studio、Hugging Face Spaces、MIT OpenCourseWare和Figma Community，强调利用这些工具获取实用信息和技能，而非浪费时间在碎片化资讯上。
文章推荐了12个值得长期关注的AI与LLM博客，涵盖了研究综述、模型原理、工程实践、可视化学习及前沿趋势。作者强调深入理解AI的重要性，并精选了Lilian Weng、Sebastian Raschka等博主，帮助读者建立系统化的AI认知。
文章 curated 了 22 个高质量网站，涵盖信息源头（Twitter、Hacker News）、技术开发（GitHub、Kaggle）、学习成长（YouTube、arXiv）、深度写作（Substack）、设计灵感（Behance）、创业产品（Product Hunt）及优质中文社区（少数派、即刻）等类别。作者主张利用这些工具进行自我积累而非消耗，以此来构建认知壁垒，成为更好的自己。
本文提供了2026年成为AI/Agent工程师的详细路线图。作者指出，核心在于掌握Harness Engineering（上下文工程与工具编排），而非追逐各种框架。文章介绍了LangGraph和Claude Agent SDK两大主流技术栈，并推荐了包括工程博客、免费课程及Newsletter在内的优质学习资源。通过17周的集中学习和实战项目，读者可以掌握构建、评估及部署生产级Agent系统的能力。
这是一份2026年AI学习资源清单，包含7个精选的GitHub开源仓库。内容覆盖从初学者指南到高级LLM路线图，包括微软的GenAI课程、从零构建ChatGPT的PyTorch教程、Karpathy的nanoGPT训练、OpenAI与Anthropic的实战Cookbook以及AI Agents构建指南。所有资源均免费，旨在帮助学习者掌握Prompt、RAG、微调及Agent等核心技术。
本文作者 Smartpig 指出，学习 AI 不应局限于二手总结，而应关注来自创业者、研究员和工程师的一手信息。文章推荐了 YouTube 上的 5 类核心资源：行业大佬访谈（如 Lex Fridman）、技术大会录像（如 YC）、官方机构频道（如 OpenAI）、实战工具教程以及 Andrej Karpathy 的深度技术解析。作者建议将 YouTube 视为信息库而非娱乐流，通过长期追踪和分析，建立独立判断和认知优势。
