免费 AI 课程 / 19 个章节 · 无需登录
从看懂 AI，走到能做出判断。
这不是一份待勾选的课程目录，而是一段有顺序的练习：先建立直觉，再理解模型，接着亲手构建，最后把系统做得可靠。
本页解决的问题
先给结论从零开始学习 AI，应该先学什么？
先理解 AI 能做什么、为什么会出错，再学习 Prompt、模型与 Agent，最后进入 RAG、评测、安全和工程实践。按真实任务选择路径，比从术语表硬背更容易形成可迁移的判断。
先写下你想完成的工作，再选择能解释其中关键取舍的最短路线。
先读「先选你想让 AI 帮忙完成的事」，用它选择适合自己的入口。
不要同时追逐所有新工具；先建立一个可验证的基础，再扩展工具栈。
动手之前，先把方向看清
用几篇短课确定自己的入口、建立有效的学习节奏，并理解为什么模型基础会在后面替你省时间。适合在 AI 工具太多、每个都像必须马上学时先读。
有意识地和 AI 一起学习
把 AI 当老师，但不把判断外包给它：问得更准、识别薄弱论据、拆开难材料，再用输出证明自己真的理解了。
先把 AI 的雾气拨开
用白话认识 AI 能做什么、答案如何生成、为什么会一本正经地出错，以及哪些事情可以放心交给它。不需要数学，先建立可靠的第一反应。
产品下面的模型
从训练数据和 Token 预测，走到聊天界面、幻觉和缓解方案。把产品决策放回技术原因里，而不是跟着热点猜。
模型周围的 Harness
理解上下文、Prompt、工具、检索、输出格式和安全检查如何把模型变成一个能工作的系统。把 Harness 当成产品架构，而不是 Prompt 技巧的集合。
从能跑的 Demo 到能用的产品
沿着真实产品决策看清 Demo 和产品之间的距离：交互循环、上下文预算、记忆、权限、多 Agent 协作，以及模型跑偏后的恢复。
可靠 Agent 的工程模式
学习上下文装配、工具设计、评测、长任务和沙箱隔离等生产级模式。重点是：当 Agent “碰巧成功”时，你能找到并检查边界。
当 Harness 开始自我改进
看看 Agent 能修改包裹在自己周围的脚手架之后会发生什么：反馈循环、递归改进，以及让自我优化真正有用之前必须保留的控制。
带护栏的 Vibe Coding
用自然语言协作加快开发，同时守住质量线：写清简报、控制循环、沉淀文档，并在生成代码变成依赖之前加上安全闸门。
Taste Engineering：让产出值得留下
当 AI 能在几分钟内做出“能用”的东西，品味就成了分水岭。练习看见层级、留白、克制和一致性，再把这些判断翻译成模型能执行的要求。
Interaction Engineering：让产品真的好用
不只看视觉完成度，还要检查用户真实经过的状态：加载、空状态、错误、撤销、确认和恢复。学会把界面写成 AI 可以实现、也可以测试的行为。
AI 产品心理学：设计用户的感受
即使系统本身工作正常，AI 也可能慢、不确定、难以解释。用心理学和产品信号校准信任、降低等待焦虑，让体验诚实而不是只显得神奇。
Token 成本工程：让账算得过来
把 AI 账单读成设计信息：理解 Token 计价、识别价格断崖、看清 Agent 成本增长，再从语法、语义、架构和输出四层减少浪费。
AI 背后的数据结构
用你已经熟悉的 AI 系统建立编程直觉：消息列表、缓存、索引、队列和图。重点不是背定义，而是能在 AI 生成的代码和产品里认出它们。
AI 背后的算法
把复杂度、搜索、排序、递归、图和采样，连接到现代 AI 系统的真实机制。即使第一版代码由 AI 写出，也能用这些连接判断取舍。
拆开一只生产级 Coding Agent
从源码看一只生产级 Coding Agent 的运行时、工具、记忆、安全和扩展点。把这套架构变成评估任何 Coding Agent 时都能使用的问题清单。
拆开 DeepSeek Harness
沿着插件化 Agent 基础设施，追踪会话日志、工具调用、压缩、收件箱和沙箱执行。它是一条可选的源码阅读路线，适合想看懂界面背后抽象的人。
拆开 OpenAI Codex
理解 Coding Agent 如何用架构治理上下文、审批、工具执行、MCP 和沙箱。最后带走一份把安全放进系统本身的检查清单。
开放权重、蒸馏与本地运行
区分开放权重与开源，在部署前读懂许可证，再判断蒸馏、硬件和本地服务的取舍。最后落到一个问题：你的电脑究竟能跑多大的模型。
先读这几篇