# 策展 · X (Twitter) 🔥

> 作者：self.dll (@seelffff) · 平台：X (Twitter) · 日期：2026-05-16

> 原始來源：https://x.com/seelffff/status/2054991798519656789

## 中文摘要

# 成為 AI 工程師：從零開始的路線圖

# 每月 300 美元的錯誤

六個月前，我每個月花 49 美元訂閱 Coursera Plus，39 美元訂閱 DataCamp，還在 Udemy 的兩套課程組合包上花了 199 美元。我像收集寶可夢卡片一樣收集證書，卻連一個東西都沒辦法從零開始做出來。

後來，我發現了一件改變一切的事：那些真正開發 AI 的公司——Google、Anthropic、OpenAI——已經開始免費提供他們的培訓課程。不是那種內容空洞的入門影片，而是完整的課程並附帶證書。與此同時，GitHub 上有著超過 95,000 顆星的專案庫，教得比我付費買的任何課程都還要好。

我取消了所有訂閱。我開發了一個管理我晨間例行公事的 AI Agent。這一切，我只花了 0 美元。

這篇文章就是我當初開始時最希望擁有的系統。它不是一堆連結的清單，也不是「你永遠不會打開的 30 個資源」。這是一條循序漸進的路徑：先做這個，再做那個，然後動手開發這個。請按順序執行。在 14 週內，你將從零開始，直到部署出真正的 AI 系統。

# 如何使用本指南

規則 1：不要跳過步驟。步驟 3 的前提是你已經完成了步驟 2。如果你在不理解梯度（gradients）的情況下直接跳到 LLM，你只會是在複製自己看不懂的程式碼。

規則 2：做筆記。我使用 Obsidian（免費、本地端、支援 Markdown）。每次學習後，寫下三件事：你學到了什麼、什麼讓你感到驚訝、還有什麼是不清楚的。這是絕對必要的。

規則 3：在每個步驟都要動手開發。每個步驟結束時都有一個檢查點（checkpoint）。如果你做不到，就回頭重做。

## 在開始之前，請在 Obsidian 中建立這樣的資料夾結構：

```plaintext
AI-Learning/
├── 00-setup/
│   └── accounts-and-tools.md
├── 01-fundamentals/
│   ├── notes.md
│   └── key-concepts.md
├── 02-ml-foundations/
│   ├── notes.md
│   └── projects/
├── 03-deep-learning/
│   ├── notes.md
│   └── karpathy-exercises/
├── 04-llms-and-prompting/
│   ├── notes.md
│   └── projects/
├── 05-agents/
│   ├── notes.md
│   └── my-agent/
├── 06-production/
│   ├── deploy-notes.md
│   └── eval-results/
├── 07-portfolio/
│   ├── github-readme-draft.md
│   └── linkedin-cases.md
└── resources.md
```

# 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。花一個晚上就好，不要想太多。

安裝你的工具

1. Python 3.11+ - python.org/downloads。勾選「Add to PATH」。

2. VS Code - code.visualstudio.com。安裝 Python 擴充功能。

3. Git + GitHub - github.com。用於 fork 專案庫和儲存專案。

4. Obsidian - obsidian.md。建立上述的資料夾結構。

5. Ollama - ollama.com。用於在本地端執行模型。現在就安裝，你從步驟 4 開始就會用到。


![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1778975535561-iaHISv4VcXoAA6KfUjpg.jpg)

建立你的免費帳號

1. Anthropic Academy - anthropic.skilljar.com。提供 16 門免費課程並附帶證書。這是 2026 年最被低估的 AI 學習平台。

2. OpenAI Academy - academy.openai.com。提供免費工作坊、教學與 AI Foundations 課程。

3. Google AI - grow.google/ai。Google AI 專業證書 — 7 個模組，可透過 Coursera 的「旁聽（Audit）」模式免費學習。

4. Coursera - coursera.org。旁聽模式 = 免費。用於 IBM ML 證書和 Google 課程。

 Coursera 的旁聽模式

當 Coursera 要求你付費時，請尋找底部那個小小的「Audit this course（旁聽此課程）」連結。你可以免費完整存取所有影片和教材。雖然沒有 Coursera 的證書，但你將直接獲得來自 Anthropic、OpenAI 和 Google 的證書。

## 
檢查點：

Python + VS Code + Ollama 已安裝。GitHub 帳號已建立。Obsidian 知識庫已準備就緒。已在 Anthropic Academy、OpenAI Academy、Google AI 和 Coursera 建立帳號。

# 步驟 2：AI 基礎 - 理解你正在開發什麼（第 1–2 週）

 為什麼這在 2026 年很重要：

AI 素養現在是招聘的篩選條件。2025 年世界經濟論壇（WEF）的一項分析發現，具備 AI 素養的員工薪資溢價高出 15–22%。理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 Professional Certificate（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、如何與 AI 腦力激盪、如何利用 AI 進行研究。這能為你建立專業詞彙庫。

接著 → Anthropic Academy: AI Fluency: Framework & Foundations

anthropic.skilljar.com - 4D AI 流暢度框架。與大學教授共同開發。只需 2–3 小時。這是 2026 年任何地方能找到最好的入門課程之一，而且證書在 LinkedIn 上看起來非常有說服力——因為它來自 Claude 的開發公司 Anthropic。

## 第 2 週：第一段程式碼 + 第一個概念

接著 → microsoft/generative-ai-for-beginners（課程 1–6）

github.com/microsoft/generative-ai-for-beginners - 超過 95,000 顆星。共 21 堂課。Fork 這個專案庫並完成第 1–6 課：什麼是 GenAI、LLM 如何運作、使用 Prompt、第一個聊天應用程式。

```
## 學習筆記：[日期] - [主題]

### 我學到了什麼
- ...

### 什麼讓我感到驚訝
- ...

### 仍然不清楚的地方
- ...

### 關鍵術語
- LLM: ...
- Transformer: ...
- Token: ...

```

##  檢查點：

你能用自己的話解釋 LLM、token 和 transformer。已執行過第一個 Jupyter notebook。Obsidian 中已有 4–6 篇筆記。

# 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（ML）基礎是「只會複製教學的人」與「能除錯模型的人」之間的區別。企業願意支付 15 萬美元以上的年薪給那些理解「為什麼模型效能不佳」的工程師，而不僅僅是會呼叫 API 的人。

主要資源：microsoft/ML-For-Beginners

github.com/microsoft/ML-For-Beginners - 44,900 顆星。12 週課程：迴歸（regression）、分類（classification）、分群（clustering）、NLP 基礎。包含測驗、notebook 和挑戰。我們將其壓縮為 3 週，每天 2 堂課。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1778975535765-iaHISttedWYAADRssjpg.jpg)

平行資源：Coursera 上的 IBM Machine Learning

coursera.org/professional-certificates/ibm-machine-learning - 旁聽模式免費。更傳統的影片格式。與 Microsoft 的專案庫搭配使用——從兩個角度看同一個主題 = 更好的記憶效果。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1778975535381-diaHIStTyWkAADmMVjpg.jpg)

數學參考：mlabonne/llm-course（基礎部分）

github.com/mlabonne/llm-course — 40K 顆星。第一部分：線性代數、微積分、機率。只包含與機器學習相關的數學。每當遇到不熟悉的內容時就查閱它。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1778975535550-iaHISuIvcW4AEMUryjpg.jpg)

第 5 週專案：從 Microsoft 的專案庫中挑選一個資料集。從零開始建立你自己的分類模型。推送到 GitHub。

檢查點：

你理解迴歸、分類、分群、梯度下降（gradient descent）、損失函數（loss functions）、過擬合（overfitting）。你已經在真實資料上訓練過模型。GitHub 上有一個專案。

# 步驟 4：深度學習與神經網路 - 從零開始建構（第 6–8 週）

主要資源：karpathy/nn-zero-to-hero

karpathy.ai/zero-to-hero.html（影片）+ github.com/karpathy/nn-zero-to-hero（程式碼）

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1778975535388-iaHISvUYkXMAAQHqojpg.jpg)

Andrej Karpathy，前 Tesla AI 總監、OpenAI 共同創辦人。他從絕對的零開始建構神經網路——不使用任何框架，只有 Python 和數學。你將建構：micrograd、makemore 和 nanoGPT。

1. 第 6 週：課程 1–3（micrograd + makemore）。跟著寫程式。暫停、輸入每一行、執行它、弄壞它。

2. 第 7 週：課程 4–5（激活函數、BatchNorm、反向傳播）。內容紮實——每天一堂課。做詳細筆記。

3. 第 8 週：課程 6–7（從零開始建構 GPT + tokenization）。成果：你將親手建構一個 transformer。

與 Ollama 的平行實驗：

當你在建構 nanoGPT 時，在另一個終端機執行 `ollama run llama3.2:3b`。比較你的「玩具」模型輸出與真正的 3B 參數模型。這能彌補「我理解理論」與「我能在本地端執行模型」之間的差距。看到 30 億參數與你那 1000 萬參數在輸出品質上的差異，會讓你大開眼界。

補充資源：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，特別是在電腦視覺方面。


![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1778975535475-iaHISvhCfWEAAYcphjpg.jpg)

通往 API 的橋樑：Anthropic Academy - 使用 Claude API 進行開發

anthropic.skilljar.com - 現在你已經從內部理解了模型，學習如何透過 API 使用它們。涵蓋驗證、系統 Prompt、工具使用、串流（streaming）。這是從理論走向產品的橋樑。

## 檢查點：

你已經從零開始建構了一個神經網路。你理解反向傳播、注意力機制（attention）、transformers。你可以解釋 GPT 的運作原理。你可以使用 Ollama 在本地端執行模型。你熟悉 Claude API。

# 步驟 5：LLM 與 Prompt 工程 - 與真實模型協作（第 9–10 週）

深入研究：mlabonne/llm-course（LLM 科學家路徑）

github.com/mlabonne/llm-course - 最全面的免費 LLM 課程。每個主題都有 Colab notebook。

1. LLM 架構 - 與你用 Karpathy 課程建構的內容連結。

2. 微調（Fine-tuning，如 LoRA、QLoRA） - 為特定任務自訂模型。

3. 量化（Quantization） - 在本地端執行模型（與你的 Ollama 設定連結）。

4. 評估（Evaluation） - 衡量你的模型是否真的好用。

Prompt 工程

OpenAI Academy: academy.openai.com/public/content - 由打造 ChatGPT 的團隊提供的「Prompt 工程入門」與「ChatGPT 職涯應用」。


![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1778975535667-iaHISwUOPX0AAQJdzjpg.jpg)

Anthropic Prompt 工程：docs.anthropic.com - 可以說是網路上寫得最好的 Prompt 工程指南。這不是一門課程，而是一份深度詳盡的參考文件。

延續：microsoft/generative-ai-for-beginners（課程 7–21）

回頭完成第 7–21 課。有了深厚的知識基礎，這些進階課程會讓你豁然開朗：RAG、函式呼叫（function calling）、設計模式、微調。

第 10 週專案：為你的 Obsidian 筆記建立一個 RAG

使用 ChromaDB 或 LanceDB（皆免費、皆為本地端）來索引你的 AI-Learning 知識庫。開發一個能回答你所學過所有內容的工具。你實際上是在你的「第二大腦」之上又建立了一個「第二大腦」。推送到 GitHub。

# 步驟 6：AI Agent - 開發真正的應用（第 11–12 週）

主要資源：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（orchestration）。

深入研究：Anthropic Academy - MCP 課程

anthropic.skilljar.com - 「Model Context Protocol 簡介」+「MCP：進階主題」。MCP 是 Anthropic 用於將 AI 連接到外部工具的開放標準——這是 2026 年 Agent 工具使用的標準。這些課程教你從零開始建構 MCP 伺服器與客戶端。

框架：LangGraph（由 LangChain 開發）

花 2–3 次學習時間在免費的 Colab notebook 上練習 LangGraph。它是目前建構具備狀態、多步驟 Agent 工作流最受歡迎的框架。它與 Anthropic 的 MCP 方法相輔相成——用 LangGraph 進行編排，用 MCP 進行工具連接。

額外資源：Anthropic Cookbook

docs.anthropic.com/en/docs/about-claude/use-case-guides - 關於工具使用與 MCP 模式的最佳真實案例。像研究案例一樣研讀它們。

最終 Agent 專案：

開發一個使用 MCP + Claude 來處理你本地端檔案的 Agent。例如：一個能讀取你的 Obsidian 知識庫、上網搜尋你正在學習的主題之最新資訊，並將每日摘要發送到你的 Telegram 的 Agent。請參考我的文章「我開發了一個管理我生活的 AI Agent」來了解架構。

## 檢查點：

你已經用 MCP 開發出一個可運作的 AI Agent。你理解 Agent 架構、工具使用與多步驟工作流。你的作品集越來越豐富。

# 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）

挑選你最好的專案並部署它：

1. Gradio + Hugging Face Spaces - 分享機器學習 Demo 最快的方式。免費託管。

2. Streamlit Community Cloud - 針對資料導向的應用程式。提供免費層級。

3. Vercel - 針對網頁版 AI 工具。提供免費層級。

評估你的模型

沒有評估的模型部署上線就是一種負債。學習衡量品質：

1. DeepEval - 用於 LLM 評估的開源框架。

2. RAGAS - 專門用於評估 RAG 管線（你在步驟 5 建立的 Obsidian RAG）。

3. LLM-as-Judge - 使用一個 LLM 來評估另一個 LLM 的輸出。Claude 在這方面表現非常出色。

負責任的 AI 與安全性

這是 90% 的免費指南失敗的地方。他們教你如何開發，卻沒教你如何負責任地開發。

1. Constitutional AI - 理解現代模型是如何進行對齊（aligned）的。這是 Anthropic 的核心方法。

2. Prompt 注入防禦（Prompt injection defense） - 如何保護你的應用程式免受惡意輸入攻擊。

3. 紅隊測試（Red-teaming） - 如何在使用者發現問題前，先對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「負責任的 AI」課程。

作品集與職涯

你的 GitHub 個人檔案就是你在 AI 領域的履歷。以下是如何讓它發揮作用的方法：

1. GitHub README - 專業的個人檔案 README + 包含架構圖與線上 Demo 連結的專案 README。

2. LinkedIn 案例 - 為你的專案撰寫 2–3 篇簡短的案例研究。說明解決了什麼問題、你開發了什麼、你學到了什麼。

3. 職涯路徑 - 初級 AI 工程師（8–12 萬美元）→ Prompt/Agent 工程師（12–18 萬美元）→ AI 產品工程師（15–25 萬美元）。

畢業專案：

開發一個生產等級的 AI Agent，解決你生活中真實存在的問題。要部署上線，要有評估系統，要有安全檢查。這就是你要展示給雇主看的東西，這就是你要發推特分享的東西，這就是證明。

## 檢查點：

你擁有一個已部署、已評估、已通過安全檢查的 AI 系統。擁有專業的 GitHub 個人檔案。有 LinkedIn 案例研究。你已經準備好就業了。

## 維護模式：如何保持領先

AI 進步神速。以下是在完成路線圖後，保持領先的每週例行公事：

1. 週一：查看 Anthropic、OpenAI 和 Google 的發布說明。10 分鐘。

2. 週三：瀏覽 arxiv-sanity-lite 尋找有趣的論文。閱讀 1 篇摘要。15 分鐘。

3. 週五：觀看一部 Yannic Kilcher 或 1littlecoder 關於新論文/工具的影片。20 分鐘。

4. 每月：用新工具或新技術開發一個小專案。推送到 GitHub。

總時間：每週約 1 小時。這能讓你保持在 AI 從業人員的前 10%。

# 與其他資源的比較

這份路線圖與其他替代方案的誠實比較：

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1778975535720-iaHITBuNeWsAAdEsFjpg.jpg)

# 完整資源清單

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 Foundations

• Google AI Professional Certificate - grow.google/ai - 7 個模組

• IBM ML on Coursera - 旁聽模式免費 - 完整的 ML 證書

• NVIDIA DLI - developer.nvidia.com/training - GPU 與深度學習

• DeepLearning.AI - 吳恩達的短課程，特別是「Agentic 程式開發」與「LangChain for LLM Apps」

GitHub 專案庫

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

• microsoft/ML-For-Beginners - 45K★ - 12 週經典機器學習

• microsoft/AI-For-Beginners - 35K★ - 24 堂深度學習與電腦視覺課程

• karpathy/nn-zero-to-hero - Andrej Karpathy 從零開始的神經網路課程

• 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 - 在本地端執行模型，自託管的 ChatGPT 替代方案

• Anthropic Cookbook - docs.anthropic.com - 最好的工具使用與 MCP 範例

• Hugging Face Course (2026) - 特別是 Agent 與評估章節

• ChromaDB / LanceDB - 用於 RAG 專案的免費本地端向量資料庫

YouTube（免費）

• Andrej Karpathy - Neural Networks: Zero to Hero

• 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 年重點）

• Matt Wolfe - AI 新聞與工具評論

# 今晚就開始

以下是你接下來 60 分鐘內該做的事：

1. 安裝 Obsidian 並建立 AI-Learning 知識庫。5 分鐘。

2. 註冊 Anthropic Academy。開始 AI Fluency 課程。觀看第一個模組。寫下第一篇筆記。30 分鐘。

3. 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。今晚就做。

那些在 2026 年真正學會 AI 的人，不是那些收藏了 50 篇文章的人。他們是那些打開終端機並開始動手的人。

我曾經每月花 300 美元買那些教我複製貼上我看不懂的程式碼的課程。今天，我為了樂趣而開發 AI Agent，而整個教育成本對我來說是 0 美元。資源就在那裡。唯一的問題是，你是否願意開始。

---

歡迎在 TG 訂閱我 <3 - https://t.me/+y1dBeWEIm_plMGNi

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1778975535782-iaHITL3sFXUAAvPWApng.png)

## 標籤

教學資源, Google, Anthropic, OpenAI