作者逐一核对了 10 门免费或部分免费的 AI 学习课程，并按学习阶段分为四站：零基础入门（吴恩达 AI for Everyone、Google 生成式 AI 路径）、提升 AI 使用能力（OpenAI Prompting 指南、Karpathy How I use LLMs）、补编程基础（哈佛 CS50x/CS50P/CS50AI）、动手实践（微软 Generative AI for Beginners、Claude Code in Action、n8n 搭 AI Agent）。每门课均附出品方、时长、费用、证书等详细信息和链接。作者建议不必全学，根据自己的阶段挑选两门深耕即可。
REA 团队发布的一份实用逆向工程（Reverse Engineering Anything, REA）学习路线图，涵盖官方仓库与网站、安装与 Agent 配置、首个调查示例、MCP 提示词等入门资源。内容还包括配套教程视频（软件克隆、Pi Coding Agent、Ghidra、Frida、pwn.college）、真实调查案例（Notes 导出、Notion 剪贴板、DX-Ball、Aegis APK 等）、GitHub 精选仓库、逆向工程经典书籍、反编译相关研究论文以及免费课程与练习平台，并给出建议的学习顺序。
Ilya 曾推荐一份包含 30 篇论文的 AI 学习清单，称读懂即可掌握当下 AI 90% 的要点。30u30 项目将这份清单拆成 30 天课程，一天一篇，从 RNN、LSTM 学到 Transformer，最终到 ChatGPT 背后的 RLHF。每篇配有大白话讲解、'讲给 5 岁小孩听'的速览、从零实现的代码及配图，每天还附 5 道练习题。代码可在普通电脑 CPU 上运行，适合想转 AI 方向的学生或想理解 ChatGPT 原理的用户跟随学习。
文章以地铁图为比喻，为大模型学习者规划了一条清晰的学习路线。主干线按演进顺序设置八站：前置基础、Transformer、GPT-2（强调亲手实现作为锚点）、预训练、ChatGPT 时刻（RLHF）、LLaMA、MoE 稀疏专家、推理模型（o1/R1），终点是能独立读懂新论文。五条支线按兴趣选修：推理优化（KV Cache、FlashAttention、量化）、训练（Scaling Law、分布式并行）、对齐（SFT、LoRA、DPO、GRPO）、架构（RMSNorm、RoPE、MLA）、应用（RAG、Agent）。最后给出建议：GPT-2 必须亲手写一遍，主干加一至两条支线即可入门，学习原理时动手推算。
作者整理了一份 ESP32 免费开源学习资源清单，涵盖官方 ESP-IDF 编程指南与框架仓库、Arduino-ESP32 入门库、Random Nerd Tutorials 教程站、立创实战派 S3 开源文档，以及 awesome-esp、esp-iot-solution 等开源项目合集。文章按权威手册、新手教程、灵感合集分类，并给出不同人群的学习路径建议：零基础从 Arduino + 立创文档起步，进阶再用 ESP-IDF。作者还分享了自己的玩法：把文档链接丢给 Claude Code 等 Agent，让其读手册配环境写代码、调试报错。
作者面试一家 AI+Web3 公司失败后，获得面试官分享的《Agent工程师入门指南》，并结合自己的学习心得整理成一条完整的 Agent 工程师学习路线。内容涵盖 LLM 基础（Transformer、Token、上下文窗口、采样参数、API 协议、流式输出、结构化输出、工具调用、Embedding）、Prompt Engineering（Zero-shot/Few-shot、CoT、ReAct、Reflexion）以及 RAG（文档解析、分块、检索与重排）等核心知识。每个知识点都附有学习文档链接、项目要求和验收标准，帮助学习者系统掌握 AI 应用开发技能并检验学习成果。
作者分享如何解决X书签收藏过多、难以复习的问题：先开发开源工具X Bookmarks Archive Skill，将书签稳定保存到本地并支持断点续存；再用多Agent协作平台Teamily AI，让Market Research和Webpage Developer在同一共享上下文中筛选资料并生成可勾选的七天学习网页。通过限定每天20分钟、只保留必要练习等硬性约束，最终产出一个每天可打开、可勾选进度、可记笔记的学习页面，并总结出一套可复用的书签打捞学习方法。
作者因厌倦在YouTube、Google和大学网站间费力搜寻AI学习资源，整理了一份完全免费的AI课程大全，涵盖350多门课程和5000多个讲座。内容按主题分类，包括深度学习、机器学习基础、优化、强化学习、概率图模型、贝叶斯深度学习、医学影像、图神经网络、NLP、语音识别、计算机视觉等14个方向。课程来源包括Geoffrey Hinton、Andrew Ng、Andrej Karpathy、Richard Socher等名师在多伦多大学、斯坦福、牛津、MIT、CMU、DeepMind等机构的经典课程，并附有课件和视频链接。
Anthropic 将 22 门 Claude 课程全部免费开放。作者逐一浏览后按从零基础到进阶的学习路径整理分类：一是入门课程如 Claude 101 和协作入门；二是面向开发者的 Claude Code 101、实战、Agent 技能与 Subagents；三是 API 开发路线，涵盖 Claude 平台、API 开发、MCP 入门与进阶及 Amazon Bedrock、Vertex AI 集成；四是面向开发者、小企业、学生、教育者等不同人群的 AI 素养课程。作者提醒读者不要只收藏不学习，建议今晚就挑一门课开始学习，真正掌握 Claude 的价值。
文章为零基础小白提供了一条不花钱买课的 AI 入门路线图。作者梳理了 AI 的四类核心能力（理解表达、生成内容、处理信息、调用工具），解释了 AI 输出不稳定的四大原因，并强调提示词即任务说明，需包含目标、材料、边界和完成标准。文章还介绍了知识库的适用场景、工具/Agent/API/MCP 的区别，以及何时把流程沉淀为 Skill。最后通过七天案例带读者做出一份可持续更新的学习包，并附上可直接使用的入门教练提示词，以及小白最常问的 10 个问题解答。
作者结合实际工作经验，整理出一份 AI Harness 开发的 11 条技能清单，涵盖后端与系统设计、RAG 与向量数据库、记忆与上下文管理、工具调用与 MCP、Agent 编排、护栏校验、评测、可观测性、模型路由降级、排队负载均衡以及推理部署引擎。作者指出 Harness 开发是硅谷热门方向（如 YC Demo Day 上大量项目），建议普通开发者从 AI 应用入手，把模型接入具体业务，并给出将清单交给 AI 逐项学习的 prompt 方法。
程序员鱼皮在收到B站100万粉丝奖牌后，整理了征集到的40多个热门问题的完整文字版回答。内容涵盖9个部分：自己的编程启蒙经历、日常使用的AI编程工具（Cursor、Codex、Claude Code等）、Vibe Coding时代如何提升编程能力、给学生和求职者的建议、如何坚持编程之路、创业历程与公司经营情况等。文章传递了拥抱AI编程趋势、多动手实践、持续学习适应变化的核心理念。
本文面向零编程基础的初学者，系统介绍 AI Coding 的完整学习路线。作者指出 AI Coding 的核心不是让 AI 写完所有代码，而是人负责目标设定、判断与验证，AI 辅助开发各环节。文章将学习路线分为五个阶段：学会控制 AI、做出第一个网页、读懂 AI 生成的代码、把网页变成带登录和数据的小产品、处理上线后的问题，并给出 30/60/90 天实践计划、四个新手练习项目、可直接复用的提示词模板、上线前检查清单以及按阶段整理的学习资源（MDN、freeCodeCamp、CS50、Claude Code 等），帮助新手从生成代码走向做出可维护、可发布的产品。
本文为零基础学习者提供 GitHub 和 Hugging Face 两套可执行的学习路线。GitHub 路线分 3 阶段：第 1 周入门（核心概念与图形化工具操作）、第 2-3 周进阶（Git 命令、团队工作流、Pull Request 与开源参与）、第 4 周实战（搭建个人作品集）。Hugging Face 路线也分 3 阶段：第 1 周平台认知与在线体验、第 2-4 周本地调用 Transformers 库与简单微调、第 5-6 周开发并部署 AI 应用。文章还给出不同基础学习者的时间分配建议，所有推荐资源均免费，每天学习 1-1.5 小时即可从 0 到 1 完成入门。
面向新手的避坑指南，总结了 GitHub 和 Hugging Face 各 5 个常见误区。GitHub 方面包括：只用 ZIP 下载不用 clone、乱建仓库缺 README、只会 Star 不读源码、commit message 混乱、盲目追求 rebase 等高阶命令。Hugging Face 方面包括：盲目下载超出硬件能力的大模型、只会复制示例代码不懂参数、混淆 Models/Datasets/Spaces 用途、环境配置困难、贪多求全不深入。文章针对每个坑给出现象、危害和正确做法，帮助新手少走弯路。
文章阐述了GitHub对普通人的价值：它不仅是程序员网盘，更是全球1.8亿开发者沉淀的经验库。GitHub保存了项目的完整决策过程，允许人们复用前人成果、避免重复踩坑；同时它是可验证的能力公证处和低成本的创业基础设施。借助AI，不会写代码的人也能利用GitHub管理资产、部署工具。文章给出了小白七天入门路线，强调会用GitHub的人把一次劳动变成可复用资产，普通人与高手的差距在于是否持续积累可验证的作品。
文章介绍了开源项目 awesome-agentic-ai-zh 提供的 AI Agent 学习地图，将学习路径分为两条：路线 A（CLI Power User）面向只想用好现成 Agent 的用户，学习 Claude Code、Codex、MCP、Skills 和工作流搭建；路线 B（Agent Builder）面向想开发 Agent 的工程师，需深入 Tool Use、Agent Framework、Memory、RAG 和 Multi-Agent。作者强调不要跳级学习，先补齐 Terminal、Git、API、JSON 等基础，普通人学好路线 A 已能解决大量实际问题。
文章基于2026年AI工程师岗位数据分析，指出传统机器学习岗位仅占1.2%，而72.9%的工作涉及RAG、Agent等AI系统构建。文章详细拆解了LLM应用、AI平台、ML模型及研究四条职业路径的技能要求、实际工作内容与学习资源，强调AI工程师已演变为全栈角色。
本文是2026年成为LLM工程师的实用指南，涵盖核心技能（RAG、Agents、生产部署）、学习路线、推荐工具及项目构建建议，帮助读者系统掌握大模型应用开发与工程化能力。
本文提供了一个为期6个月的12阶段AI工程师学习路线图。文章首先阐述了代理工程师的核心是构建能自主决策的系统，而非编写固定逻辑。前两个阶段重点介绍了Python异步编程的基础（解决API调用阻塞问题）和LLM的基本原理（如上下文限制、成本控制和模型路由）。随后详细讲解了工具调用与结构化输出的实现方法，强调使用Pydantic验证数据及构建可恢复的Agent循环。
文章指出 2026 年 AI 工程师的门槛已变，不再看重学历，而是看重作品集与交付能力。作者拆解了 AI 工程师的三个核心能力：软件工程、LLM 使用及产品思维，并规划了一份为期 12 个月的六阶段实战路线图，涵盖 Python 基础、LLM API、RAG、Agent 系统开发、评估部署及求职准备。
文章详细阐述了掌握人工智能和机器学习所需的三大数学支柱：统计学与概率、线性代数以及微积分。作者不仅解释了每个领域的核心概念（如贝叶斯定理、矩阵分解和梯度优化），还强调了它们在 AI 模型（如神经网络、回归）中的实际应用。最后，作者分享了一条个性化的学习路线图，推荐了 3Blue1Brown、Coursera 课程及《统计学习导论》等优质资源，帮助读者从直观理解过渡到理论实践。
本文提供了 2026 年成为 AI 工程师的 12 个月路线图。作者区分了模型研究员与 AI 工程师，强调后者更看重实战能力而非高学历。路线图涵盖 Python 基础、大模型 API 调用、RAG 系统构建、Agent 开发以及 MLOps 评估与部署。通过完成三个核心项目（RAG 应用、多 Agent 系统、带监控的上线系统），建立能胜任工作的作品集，即使没有 CS 学位也能入行。
文章指出，成为AI工程师无需计算机学位，作品集比文凭更重要。AI工程师是连接大模型与现实产品的构建者。文章提供了为期9个月的四阶段自学路径：掌握Python编程、精通LLM API（含工具调用）、构建RAG系统以及开发Agent。强调实战部署和解决实际问题的能力，而非深奥的数学研究。
文章指出许多人学习 AI Agent 时陷入了“工具焦虑”，盲目追逐 LangChain、MCP 等框架，却忽视了 Agent 的本质是一套围绕目标运行的系统。作者强调，真正的难点在于系统设计——理解工具调用、记忆、反馈修正及工程化约束，而非仅仅跑通 Demo。文章推荐 GitHub 项目 agent_learning，主张从 LLM 基础、Prompt 等底层原理开始，逐步构建从基础到工程化的完整知识体系，最终实现 Agent 在真实环境中的稳定运行。
文章提出了一个基于项目的 2026 年 LLM 工程学习路线图。作者主张通过从零构建系统来掌握技术栈，路径涵盖从基础的 Tokenizer、Embedding、Positional Encoding、Attention 机制，到 Transformer 模块构建、训练循环、KV Cache、MoE、量化、服务部署、RAG 及 Agent 等高级系统。该指南强调“实现、绘制、破坏、解释”的学习闭环，旨在帮助读者深入理解大模型原理并具备工程构建能力。
本文是一份详尽的 Vibe Coding（氛围编程）学习指南。作者 Avid 定义了 Vibe Coding 为通过自然语言描述意图、让 AI 生成代码的开发方式。文章指出新手常陷入“无止境修 Bug”的困境，并针对性地提出了解决方案。内容涵盖从零基础到高手的 6 个月路线图，详细列出了第一个月必学的三大基础：Web 工作原理（HTTP、API）、Git/GitHub 版本控制以及 HTML/CSS/JS 基础。文章强调必须亲手构建项目，并推荐了 MDN、freeCodeCamp 等精选资源，帮助读者掌握 Cursor、Claude Code 等工具。
本文提供了一个为期14周的实战型AI工程师学习路线图，旨在解决初学者“只学不做”的困境。文章从环境搭建开始，详细列出了从AI基础、机器学习、深度学习到现代LLM工程及Agent开发的最佳免费资源（如OpenAI/Anthropic官方课程、Karpathy的教程等）。路线强调通过GitHub项目实践来理解原理，最终掌握部署与评估技能，真正从零开始构建可用的AI系统。
本文针对2026年的行业现状，驳斥了通过传统机器学习理论入行的误区，提出了6个月速成AI工程师的实战路线图。作者强调无需深奥数学，而应从Python和API调用起步。核心路径涵盖：深入掌握LLM原理与提示工程，精通RAG（检索增强生成）及语义分块、重排序等进阶技术，最终构建结合Agent与生产级思维的复杂AI系统。文章指出，唯有动手解决实际问题、构建高可用系统，而非单纯考取证书，才是成为合格AI工程师的关键。
文章基于 2000 余份职位描述，规划了一条务实的 AI 工程师学习路径。重点指出 AI 工程并非从零训练模型，而是构建以 LLM 为核心的系统。核心技能包括 LLM 基础、RAG 检索增强、Agent 智能体、测试评估及监控部署。此外，文章还梳理了 Python、Web 开发、云原生及数据库等支撑性技能，并推荐了学习优先级与主流技术栈，旨在帮助开发者构建可靠、可落地的生产级 AI 系统。
