零基础学 AI ↗
选读 AI 概念、工具、提示词与使用边界；技术原理章节暂时跳过。
先修：无
运行条件：浏览器；实践需可用的 AI 工具。
替代方式：本页通识阶段的任务可独立完成。
你想用 AI 做什么？
默认从应用开发路线开始。切换路线会调整学习顺序并保留任务记录；会编程的人可通过验收后跳过基础阶段。
费用说明：优先选免费开放材料，但工具订阅、API、算力和部分课程作业或证书可能收费。Coursera 免费预览不等于完整旁听，具体范围以账号页面为准。查看官方机制说明 ↗。时间为学习规划估计，包含练习；不是熟练掌握或就业承诺。
我的学习计划
当前路线 · 按已验收任务计数
今天开始做什么
记录保存在当前浏览器。移动文件、换浏览器或清理数据可能影响记录，建议定期导出备份。导入会替换本页记录；旧版整阶段勾选不会自动转换为新版任务验收。
00
AI 通识与工具上手
分清 AI、机器学习和大模型；练习“目标—资料—约束—输出格式”；理解幻觉、隐私与核验。
默认主线 · 零基础学 AI
学习任务
完成并检查结果后勾选；需要复习时可取消。
验收标准保存一份提示词与输出对照记录，说明至少一个错误、一个改进，以及哪些步骤必须由人检查。
第一步：用 30 分钟整理一段公开资料：要求输出五条要点，再逐条对照原文。
01
日常工作流实践
练习公开文件问答、写作修改和表格解释。选自己需要的场景，不要求写代码或学习 RAG 框架。
默认主线 · 零基础学 AI
零基础学 AI ↗
选读 AI 概念、工具、提示词与使用边界；技术原理章节暂时跳过。
先修：无
运行条件：浏览器；实践需可用的 AI 工具。
替代方式：本页通识阶段的任务可独立完成。
学习任务
完成并检查结果后勾选；需要复习时可取消。
验收标准交付两张可重复使用的工作流卡；记录节省的时间和仍需人工处理的错误。
第一步：选一个你每周重复做的任务，先记下人工完成需要多久。
02
Python 与开发环境
变量、函数、循环、列表与字典、异常、文件读写、基础测试；补充终端、路径、pip、虚拟环境及 Git 保存版本。
默认主线 · CS50P：Python 编程
CS50P：Python 编程 ↗
按官方 Week 0–9 学习，完成练习与一个结课项目；以做题时间安排进度。
先修：无
运行条件：浏览器或本机 Python；提交反馈按官网注册。
替代方式：中文备查：Python 官方教程。
备选与查阅材料 · 遇到问题再打开
Python 官方中文教程 ↗
查阅数据结构、模块、文件读写和异常；作为字典，不要求通读。
先修：Python 入门
运行条件：本机 Python。
替代方式：CS50P 对应章节。
学习任务
完成并检查结果后勾选；需要复习时可取消。
验收标准独立启动脚本、解释核心逻辑、处理空输入和错误路径；保存运行说明。证书可选。
第一步：运行第一段 Python，修改输入和输出，并找到保存的脚本文件。
03
数据处理与 API 基础
CSV/JSON、缺失值与重复数据、基础统计和绘图；应用路线补 HTTP、环境变量、API 返回值与失败处理。
默认主线 · pandas 入门教程
pandas 入门教程 ↗
选学表格读写、筛选、统计和绘图；练习处理缺失值与重复数据。
先修：Python 基础
运行条件：Python、pandas；按当前文档安装依赖。
替代方式：先用 Python 的 csv/json 模块完成简化版。
备选与查阅材料 · 遇到问题再打开
Python 官方中文教程 ↗
查阅数据结构、模块、文件读写和异常；作为字典，不要求通读。
先修：Python 入门
运行条件：本机 Python。
替代方式：CS50P 对应章节。
Datawhale LLM Cookbook ↗
应用阶段选提示工程、问答系统；RAG 阶段选个人数据、检索与评估。其余按需选修。
先修：Python、Notebook
运行条件：需要可用 LLM API；调用可能收费，模型与依赖版本需检查。
替代方式：无 API 时先做规则基线和模拟输出，真实模型验收留待接入后完成。
学习任务
完成并检查结果后勾选；需要复习时可取消。
验收标准交付一个可重跑的数据脚本；注明依赖、输入格式和错误处理。不得把密钥写入代码或提交仓库。
第一步：创建一个十行 CSV，统计一列的均值，并解释空值如何处理。
04
第一个 AI 应用
先用直接 API 调用理解输入输出，再按需使用框架。学习提示模板、结构化输出、简单界面、日志及成本记录。
默认主线 · Datawhale LLM Cookbook
Datawhale LLM Cookbook ↗
应用阶段选提示工程、问答系统；RAG 阶段选个人数据、检索与评估。其余按需选修。
先修：Python、Notebook
运行条件：需要可用 LLM API；调用可能收费，模型与依赖版本需检查。
替代方式：无 API 时先做规则基线和模拟输出，真实模型验收留待接入后完成。
学习任务
完成并检查结果后勾选；需要复习时可取消。
验收标准在新样例上演示，说明哪些输入可靠、哪些会失败；代码能按说明重新运行。
第一步：写下应用只解决的一个问题，准备五条真实但不含敏感信息的样例。
05
文档问答与效果评估
理解 RAG：文档分块→检索→带证据生成。先判断是否需要检索；重点学习引用、拒答与错误定位。
默认主线 · Datawhale LLM Cookbook
Datawhale LLM Cookbook ↗
应用阶段选提示工程、问答系统；RAG 阶段选个人数据、检索与评估。其余按需选修。
先修：Python、Notebook
运行条件：需要可用 LLM API；调用可能收费，模型与依赖版本需检查。
替代方式：无 API 时先做规则基线和模拟输出，真实模型验收留待接入后完成。
学习任务
完成并检查结果后勾选；需要复习时可取消。
验收标准交付带引用的文档问答工具与评估表；逐一解释失败案例。降低温度不能替代事实核查，RAG 也不能保证没有幻觉。
第一步：从一篇公开文档写出三个有答案的问题和一个无答案的问题。
06
机器学习与数学
线性模型、树模型、聚类、基线、验证与调参；向量矩阵、导数、概率统计按需学。训练数据的处理不能泄漏测试信息。
默认主线 · Scikit-learn MOOC
Scikit-learn MOOC ↗
按顺序学习预测管线、模型验证、调参、线性模型与树模型；配合练习。
先修：Python、数据处理
运行条件：Python、Notebook、scikit-learn。
替代方式：中文理解辅助：动手学深度学习的线性回归部分。
备选与查阅材料 · 遇到问题再打开
3Blue1Brown：线性代数 ↗
选向量、线性组合、矩阵与线性变换；配手算和 NumPy 小练习。
先修：基础代数
运行条件：浏览器；本站链接为英文入口，字幕按具体视频确认。
替代方式：动手学深度学习第 2 章线性代数。
吴恩达：机器学习专项 ↗
可作为机器学习主线替代；先确认当前账号可访问范围，再决定是否采用。
先修：Python、基础代数
运行条件：免费预览不等于完整课程；作业、证书与资助以平台为准。
替代方式：免费主线：Scikit-learn MOOC。
学习任务
完成并检查结果后勾选；需要复习时可取消。
验收标准报告包含问题定义、数据来源、拆分方式、基线、最终测试结果与局限。统计选修：在明确假设下估计总体均值的置信区间。
第一步：选一个小数据集，先说明要预测什么，以及什么结果才有用。
07
深度学习与方向深化
用 PyTorch 学张量、自动求导、训练与验证；从 MLP 到 CNN。NLP 方向再学注意力与 Transformer，训练和微调按需求选择。
默认主线 · 动手学深度学习
动手学深度学习 ↗
选择 PyTorch 版本：第 2 章基础，随后线性回归、MLP、训练与 CNN；注意力按方向选学。
先修：Python；数学按需补
运行条件：按教材环境安装；先做 CPU 小实验，大模型训练需另评估硬件。
替代方式：遇到环境问题先完成公式与小规模代码练习。
备选与查阅材料 · 遇到问题再打开
Hugging Face LLM Course ↗
选 Transformers、数据处理与预训练模型使用；训练与微调放入进阶。
先修：Python；建议有深度学习基础
运行条件：Python；下载模型及运行实验受网络、内存和算力限制。
替代方式：Happy-LLM 原理章节。
Happy-LLM ↗
先读 NLP、Transformer 和预训练原理，再选择模型搭建与训练实践；不是无编程门槛的通识书。
先修：Python、深度学习基础
运行条件：各章独立依赖；训练前查看硬件要求。
替代方式：动手学深度学习对应基础章节。
李宏毅：机器学习 2025 ↗
选修 Agent、LLM 内部机制、Mamba、微调、推理和模型融合；不作为传统机器学习入门主线。
先修：机器学习与深度学习基础
运行条件：讲义与公开视频；作业平台访问及算力需另确认。
替代方式：Happy-LLM 相关章节。
Hugging Face Trending Papers ↗
用于发现论文；继续到原论文和作者仓库核对方法、代码与许可。
先修：完成对应方向基础
运行条件：论文能阅读不代表代码或算力免费。
替代方式：从所学教材参考文献找一篇可复现的基础论文。
学习任务
完成并检查结果后勾选；需要复习时可取消。
验收标准交付可复现项目；不把完整复现 Transformer 或训练大模型作为应用开发的前置条件。论文优先选范围适合且代码可运行的项目。
第一步：在小规模数据上运行一次前向计算，打印张量形状并解释各维度。
让学习真正留下成果
每次只推进一件事一门主线配一个项目。看完一小节，关闭示例，独立复现并修改一个需求。
让 AI 帮你理解先自己尝试，再请 AI 解释报错或给提示。接受代码前运行验证，并用自己的话解释关键步骤。
基础按需要补不必先学完所有数学。算法路线遇到梯度、矩阵或统计时补概念和小练习；应用路线先解决输入、输出与评估。
用失败案例复盘每周记录：完成了什么、哪里出错、如何验证、下周改变什么。进度代表任务完成，不等于能力已永久掌握。
资源索引
主线已在各阶段选好。这里用于查阅和替换，不是必须逐一学完的清单。
| 资源 | 语言 | 免费范围 | 先修 / 使用方式 | 核对记录 |
|---|---|---|---|---|
| 零基础学 AI | 中文 | 免费教材 | 无；选读 AI 概念、工具、提示词与使用边界；技术原理章节暂时跳过。 浏览器；实践需可用的 AI 工具。 | 2026-09-19：官网内容核对 |
| CS50P：Python 编程 | 英文 | 免费课程 | 无；按官方 Week 0–9 学习，完成练习与一个结课项目；以做题时间安排进度。 浏览器或本机 Python；提交反馈按官网注册。 | 2026-09-19：官网内容核对 |
| Python 官方中文教程 | 中文 | 免费文档 | Python 入门；查阅数据结构、模块、文件读写和异常；作为字典，不要求通读。 本机 Python。 | 官方入口；具体课程权限未核验 |
| pandas 入门教程 | 英文 | 免费文档 | Python 基础；选学表格读写、筛选、统计和绘图；练习处理缺失值与重复数据。 Python、pandas；按当前文档安装依赖。 | 2026-09-19：官网内容核对 |
| Datawhale LLM Cookbook | 中文 | 免费教材 | Python、Notebook；应用阶段选提示工程、问答系统；RAG 阶段选个人数据、检索与评估。其余按需选修。 需要可用 LLM API；调用可能收费，模型与依赖版本需检查。 | 2026-09-19：官网内容核对 |
| Scikit-learn MOOC | 英文 | 免费课程 | Python、数据处理；按顺序学习预测管线、模型验证、调参、线性模型与树模型；配合练习。 Python、Notebook、scikit-learn。 | 2026-09-19：官网内容核对 |
| 3Blue1Brown：线性代数 | 英文 | 免费视频 | 基础代数；选向量、线性组合、矩阵与线性变换；配手算和 NumPy 小练习。 浏览器；本站链接为英文入口，字幕按具体视频确认。 | 2026-09-19：官网内容核对 |
| 动手学深度学习 | 中文 | 免费教材 | Python；数学按需补；选择 PyTorch 版本：第 2 章基础，随后线性回归、MLP、训练与 CNN；注意力按方向选学。 按教材环境安装；先做 CPU 小实验，大模型训练需另评估硬件。 | 2026-09-19：官网内容核对 |
| Hugging Face LLM Course | 英文 | 免费课程 | Python；建议有深度学习基础；选 Transformers、数据处理与预训练模型使用；训练与微调放入进阶。 Python；下载模型及运行实验受网络、内存和算力限制。 | 2026-09-19：官网内容核对 |
| Happy-LLM | 中文 | 免费教材 | Python、深度学习基础；先读 NLP、Transformer 和预训练原理，再选择模型搭建与训练实践；不是无编程门槛的通识书。 各章独立依赖；训练前查看硬件要求。 | 2026-09-19：官网内容核对 |
| 李宏毅：机器学习 2025 | 中文 | 公开课程 | 机器学习与深度学习基础；选修 Agent、LLM 内部机制、Mamba、微调、推理和模型融合；不作为传统机器学习入门主线。 讲义与公开视频；作业平台访问及算力需另确认。 | 2026-09-19：官网内容核对 |
| 吴恩达：机器学习专项 | 英文 | 预览/付费 | Python、基础代数；可作为机器学习主线替代；先确认当前账号可访问范围，再决定是否采用。 免费预览不等于完整课程；作业、证书与资助以平台为准。 | 官方入口；具体课程权限未核验 |
| Hugging Face Trending Papers | 英文 | 免费阅读入口 | 完成对应方向基础；用于发现论文；继续到原论文和作者仓库核对方法、代码与许可。 论文能阅读不代表代码或算力免费。 | 2026-09-19：官网内容核对 |
没有匹配资源，请调整筛选条件。
核对说明：核对公开页面的定位与学习范围，不代表已测试每个视频、账号权限或所有代码环境。课程材料免费不代表实验运行免费；开始实践前检查依赖版本和服务费用。Papers With Code 的旧入口已转向 Hugging Face Papers；Apache Answer 不再列为 LLM 必修项目。