核心洞察
真正变成 AI 工程师的不是收藏 200 个教程的人，而是打开终端、搞坏东西、修复它们、部署项目、重复这个过程直到系统终于 make sense 的人。
常见陷阱
大多数人学习 AI 2026 陷入同样循环：买昂贵课程 → 收集证书 → 看 endless tutorials → 仍然不知道如何构建真实东西。
跳跃错误
| 错误 | 正确顺序 |
|---|---|
| 不理解 transformer 就跳入 Agent | 先理解 transformer |
| 不理解 embedding 就构建 RAG | 先理解 embedding |
| 复制粘贴 LangChain 不知道底层 | 先知道发生了什么 |
14 周路线图
阶段 0：环境搭建
| 工具 | 用途 |
|---|---|
| Python 3.11+ | 基础环境 |
| VS Code | 编辑器 |
| GitHub | 代码托管 |
| Obsidian | 知识管理 |
| Ollama | 本地运行模型 |
Ollama 特别重要：后续处理 LLM、embeddings、quantization 和 agents 时，本地运行强大语言模型变得极其有价值。
创建免费账户：Anthropic Academy、OpenAI Academy、Google AI、Coursera（始终使用 "Audit this course"）。
阶段 1：AI 基础
目标：理解 token、embeddings、transformers 和 context windows——好到能用 plain English 解释它们。
| 资源 | 特点 |
|---|---|
| Google AI Professional Certificate | 解释 AI 工作流、prompting、实际用例，不立即用数学压垮初学者 |
| Anthropic "AI Fluency" | 最清晰的现代 AI 系统解释，短、实用、完全免费 |
| Microsoft generative-ai-for-beginners | 比许多付费 AI 项目更好，覆盖 prompts、transformers、embeddings、chat 应用、LLM 生产行为 |
阶段 2：机器学习基础
分界点：教程不再感觉 magical，真正的工程开始。初学者与未来 AI 工程师在此分离。
| 资源 | 内容 |
|---|---|
| Microsoft ML-For-Beginners | regression、classification、clustering、model evaluation、overfitting、gradient descent |
| IBM ML Professional Certificate (audit 模式) | 补充系统学习 |
| mlabonne/llm-course | AI 相关数学基础：线性代数、微积分、概率——聚焦现代 ML 和 LLM 工作所需的确切概念 |
关键行动：至少 push 一个 ML 项目到 GitHub。不是为招聘——构建是理解模型为什么失败的最快方式。
阶段 3：深度学习
核心资源：Andrej Karpathy "Neural Networks: Zero to Hero"
- 用原始 Python 和数学从零构建神经网络
- 不隐藏在任何框架后面
- backpropagation、activations、tokenization、transformers、attention mechanisms
- 一切变得可理解，因为系统是一块一块构建的
实践技巧：同时用 Ollama 本地运行 llama3，在构建较小 transformer 系统的同时观看本地运行的 LLM，创建理论与实践之间的桥梁。
阶段 4：现代 LLM 工程
核心概念：RAG、fine-tuning、LoRA、QLoRA、quantization、vector databases、evaluation。
| 资源 | 特点 |
|---|---|
| mlabonne/llm-course | 最接近完整开源 LLM 工程课程 |
| OpenAI Academy | 前沿模型构建者的 prompt engineering |
| Anthropic Prompt Engineering | 像工程学科一样解释 prompting，而非"魔法词汇" |
项目建议：构建个人笔记 RAG 系统，使用 ChromaDB 或 LanceDB，创建由本地 AI 模型和 embeddings 驱动的可搜索第二大脑。
阶段 5：AI Agent
| 资源 | 内容 |
|---|---|
| Microsoft ai-agents-for-beginners | tool use、orchestration、memory systems、workflows、multi-agent architectures |
| Anthropic MCP 课程 | MCP 正迅速成为 AI 系统连接工具、API 和外部环境的标准方式 |
项目方向：自主研究 Agent、AI 文件系统、浏览器 Agent、工作流自动化、本地助手、记忆增强 AI 系统。
阶段 6：部署、评估与作品集
核心原则：没有评估的部署 AI 系统基本上是一台等待失败的幻觉机器。
| 工具 | 用途 |
|---|---|
| DeepEval | 评估 |
| RAGAS | RAG 评估 |
| LLM-as-a-Judge | 质量判断 |
部署平台：Hugging Face Spaces、Gradio、Streamlit、Vercel
每个严肃项目应包含：✅ 评估、✅ 安全检查、✅ 架构图、✅ GitHub 文档、✅ 公开 demo
核心结论
最大错误
无休止地消费而不构建。
真正变成 AI 工程师的人
不是收藏 200 个教程的人。是：
- 打开终端
- 搞坏东西
- 修复它们
- 部署项目
- 重复这个过程
- 直到系统终于 make sense
历史时刻
历史上最伟大的免费 AI 教育现在都在网上。
唯一的问题是：谁愿意足够深入去使用它？
资源
- 作者：Shruti (@Shruti_0810)
- 原文：https://x.com/Shruti_0810/status/2055676059480395990