從零到 AI 工程師：完整路線圖
每月燒掉 300 美元的冤枉路
六個月前，我每月付 49 美元給 Coursera Plus、39 美元給 DataCamp，還砸了 199 美元買兩組 Udemy 課程包。我像在收集寶可夢卡一樣蒐集各種證書，結果卻連一個東西都做不出來。
後來我發現了一件徹底改變我的事：那些真正在打造 AI 的公司——Google、Anthropic、OpenAI——開始免費送出他們的教材了。不是那種被稀釋過的入門影片，而是附證書的完整課程。同時，GitHub 上還有一堆星星破 95,000 的 repo，教得比我付費上過的任何課都好。
我把所有訂閱通通退掉，動手做了一個幫我打理早晨例行公事的 AI agent。而這一切，我一毛錢都沒花。
這篇文章，就是我當初剛入門時最希望有人塞給我的那套系統。不是一堆連結清單，也不是那種「30 個你永遠不會打開的資源」。這是一條一步接一步的路：先做這個，再做那個，然後動手做出這個。照順序走。14 週後，你就能從零變成能真正部署 AI 系統的人。
這份指南怎麼用
規則一：別跳著看。第 3 步預設你已經做完第 2 步了。如果你連梯度都還沒搞懂就跳去碰 LLM，那你只是在抄一堆自己看不懂的程式碼而已。
規則二：做筆記。我用 Obsidian（免費、本機、markdown）。每次學完，寫下三件事：你學到了什麼、什麼讓你意外、還有哪裡卡卡的。這點沒得商量。
規則三：每一步都要動手做。每一步結尾都有一個檢查點。如果你做不到，就回頭重來。
開始之前，先在 Obsidian 裡把這個資料夾結構建好：
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
第 1 步：把開發環境裝好（第 1 天）
在學任何東西之前，先把工具裝好。一個晚上就夠，別想太多。
安裝你的工具
註冊你的免費帳號
當 Coursera 要你付錢時，注意看最下面那個小小的「Audit this course（旁聽這門課）」連結。所有影片和教材都能完整看，免費。雖然拿不到 Coursera 的證書，但你會直接從 Anthropic、OpenAI 和 Google 拿到證書。
檢查點：
Python + VS Code + Ollama 都裝好了。GitHub 帳號開好了。Obsidian 倉庫準備就緒。Anthropic Academy、OpenAI Academy、Google AI、Coursera 的帳號也都註冊好了。
第 2 步：AI 基礎——搞懂你到底在做什麼（第 1–2 週）
為什麼這在 2026 年很重要：
現在「懂不懂 AI」已經是企業篩人的門檻了。2025 年一份 WEF（世界經濟論壇）的分析發現，懂 AI 的人薪水能多拿 15–22%。把基礎搞懂，你就贏過 90% 的求職者了。
第 1 週：先看清大局
先 → Google AI 專業證書（模組 1–3）
— 最溫和的入門。完全不用寫程式。內容包括：AI 是什麼、怎麼用 AI 腦力激盪、怎麼用 AI 做研究。先幫你把該懂的詞彙建立起來。
接著 → Anthropic Academy：AI Fluency: Framework & Foundations
— 4D AI Fluency 框架，和大學教授一起開發的，大概 2–3 小時。這是 2026 年隨便你去哪找都數一數二的入門課，而且這張證書放在 LinkedIn 上真的很好看——畢竟它是 Anthropic 發的，就是 Claude 背後那家公司。
第 2 週：第一段程式碼 + 第一批概念
接著 → microsoft/generative-ai-for-beginners（第 1–6 課）
— 超過 95,000 顆星，21 堂課。把這個 repo fork 下來，先做完第 1–6 課：什麼是生成式 AI、LLM 怎麼運作、怎麼用 prompt、做出你的第一個聊天 app。
## 學習紀錄：[日期] - [主題]
### 我學到了什麼
- ...
### 什麼讓我意外
- ...
### 還是搞不懂的地方
- ...
### 關鍵術語
- LLM: ...
- Transformer: ...
- Token: ...
檢查點：
你能用自己的話解釋什麼是 LLM、token 和 transformer。第一批 Jupyter notebook 跑起來了。Obsidian 裡有 4–6 篇筆記。
第 3 步：機器學習基礎——搞懂魔法背後的數學（第 3–5 週）
為什麼這在 2026 年很重要：
主要教材：microsoft/ML-For-Beginners
— 超過 44,900 顆星。12 週的課綱：迴歸、分類、分群、NLP 基礎。有測驗、notebook、挑戰題。我們壓縮成 3 週，一天 2 課。
搭配著上：Coursera 上的 IBM Machine Learning
— 旁聽模式免費，比較傳統的影片形式。搭配微軟那個 repo 一起用——同一個主題用兩種角度看，記得更牢。
數學參考：mlabonne/llm-course（Foundations 章節）
— 超過 40K 顆星。第一個章節：線性代數、微積分、機率。只挑跟機器學習有關的數學講。每次碰到不熟的東西就回來查它。
第 5 週專案：從微軟那個 repo 挑一個資料集，從零打造你自己的分類模型，然後推到 GitHub 上。
檢查點：
你搞懂了迴歸、分類、分群、梯度下降、損失函數、過度擬合。你用真實資料訓練過一個模型。GitHub 上有一個專案。
第 4 步：深度學習與神經網路——從零開始打造（第 6–8 週）
主要教材：karpathy/nn-zero-to-hero
Andrej Karpathy，特斯拉前 AI 總監、OpenAI 共同創辦人。他從最底層、完全從零打造神經網路——不用任何框架，只靠 Python 和數學。你會親手做出：micrograd、makemore 和 nanoGPT。
1. 第 6 週：第 1–3 講（micrograd + makemore）。跟著一起寫。暫停、每一行都自己打、跑跑看、再把它弄壞。
2. 第 7 週：第 4–5 講（激活函數、BatchNorm、反向傳播）。資訊量很大——一天一講就好。筆記要做仔細。
3. 第 8 週：第 6–7 講（從零打造 GPT + tokenization）。回報來了：你會親手做出一個 transformer。
用 Ollama 同步做個實驗：
你在做 nanoGPT 的同時，另開一個終端機跑 ollama run llama3.2:3b。把你那個「玩具」模型的輸出，跟一個真正 30 億參數的模型比一比。這能補上「我懂理論」和「我能在本機跑模型」之間的那道鴻溝。親眼看到 30 億參數和你那 1 千萬參數對輸出品質的差別，真的會讓你大開眼界。
補充教材：microsoft/AI-For-Beginners（深度學習部分）
— 第 7–12 週：CNN、RNN。在 Karpathy 之外再往外延伸，尤其是電腦視覺的部分。
通往 API 的橋樑：Anthropic Academy - Building with the Claude API
— 現在你已經從裡到外搞懂模型了，該學怎麼透過 API 來用它們了。內容涵蓋驗證、系統提示、工具使用、串流。這就是從理論通往產品的橋樑。
檢查點：
你從零打造過一個神經網路。你懂反向傳播、注意力機制、transformer。你能解釋 GPT 怎麼運作。你能用 Ollama 在本機跑模型。你會用 Claude API。
第 5 步：LLM 與提示工程——實際操作真正的模型（第 9–10 週）
深入鑽研：mlabonne/llm-course（LLM Scientist 路線）
— 最完整的免費 LLM 課綱，每個主題都附 Colab notebook。
1. LLM 架構——接得上你跟著 Karpathy 做的那些東西
2. 微調（LoRA、QLoRA）——把模型客製化來處理特定任務
3. 量化——在本機跑模型（接得上你的 Ollama 環境）
4. 評估——衡量你的模型到底好不好
提示工程
OpenAI Academy： — 「Intro to Prompt Engineering」和「ChatGPT for any role」，出自打造 ChatGPT 的團隊。
接續：microsoft/generative-ai-for-beginners（第 7–21 課）
回去把第 7–21 課做完。有了深厚的底子，這些進階課程一下就通了：RAG、function calling、設計模式、微調。
第 10 週專案：在你的 Obsidian 筆記上做一個 RAG
用 ChromaDB 或 LanceDB（兩個都免費、都能跑在本機）把你的 AI-Learning 倉庫建立索引。做一個能回答你學過的所有東西的工具。你根本就是在你的第二大腦上面，再蓋一個第二大腦。推到 GitHub 上。
第 6 步：AI Agent——做出真正能用的東西（第 11–12 週）
主要教材：microsoft/ai-agents-for-beginners
— 12 堂課：工具使用、記憶、多 agent 系統、編排。
深入鑽研：Anthropic Academy - MCP 課程
— 「Introduction to Model Context Protocol」+「MCP: Advanced Topics」。MCP 是 Anthropic 開放的標準，用來把 AI 接上外部工具——也是 2026 年 agent 使用工具的標準。這些課程會教你從零打造 MCP 的 server 和 client。
框架：LangGraph（由 LangChain 出品）
花個 2–3 次練習，在免費的 Colab notebook 上玩 LangGraph。它是目前最熱門的框架，用來打造有狀態、多步驟的 agent 工作流。它跟 Anthropic 的 MCP 路線剛好互補——LangGraph 負責編排，MCP 負責接工具。
加碼：Anthropic Cookbook
— 工具使用和 MCP 模式最棒的實戰範例。把它們當成案例研究來鑽。
最終 Agent 專案：
做一個用 MCP + Claude 來操作你本機檔案的 agent。舉個例子：一個會讀你 Obsidian 倉庫、上網查你正在學的主題有沒有更新、然後每天產生一份摘要丟到你 Telegram 的 agent。架構部分可以參考我那篇文章〈I Built an AI Agent That Manages My Life〉。
檢查點：
你用 MCP 做出了一個真的能跑的 AI agent。你懂 agent 架構、工具使用、多步驟工作流。你的作品集又長大了。
第 7 步：上線部署、作品集與負責任的 AI（第 13–14 週）
部署（全部免費）
挑你最得意的專案，把它部署上線：
1. Gradio + Hugging Face Spaces - 分享 ML demo 最快的方式。免費託管。
2. Streamlit Community Cloud - 適合以資料為主的 app。有免費方案。
3. Vercel - 適合網頁型的 AI 工具。有免費方案。
評估你的模型
一個部署了卻沒做評估的模型，就是顆未爆彈。學會怎麼衡量品質：
1. DeepEval - 開源的 LLM 評估框架。
2. RAGAS - 專門用來評估 RAG 流程（就是你第 5 步做的那個 Obsidian RAG）。
3. LLM-as-Judge - 用一個 LLM 來評估另一個 LLM 的輸出。Claude 很擅長幹這個。
負責任的 AI 與安全
90% 的免費指南都死在這裡。它們教你怎麼做東西，卻沒教你怎麼負責任地做.
1. Constitutional AI - 搞懂現代模型是怎麼對齊的。這是 Anthropic 的核心做法。
2. 防範提示注入攻擊 — 怎麼保護你的 app 不被惡意輸入攻擊。
3. 紅隊演練（Red-teaming）— 怎麼在使用者動手之前，先自己壓力測試你的系統。
資源：Anthropic 官方的安全指南 + Anthropic Academy 裡的 Responsible AI 課程。
作品集與職涯
在 AI 圈，你的 GitHub 個人檔案就是你的履歷。教你怎麼讓它真的加分：
1. GitHub README - 專業的個人檔案 README + 每個專案的 README，附上架構圖和線上 demo 連結。
2. LinkedIn 案例 — 寫 2–3 篇關於你專案的短篇案例。解決了什麼問題、你做了什麼、你學到了什麼。
3. 職涯階梯 — 初階 AI 工程師（$80–120K）→ 提示／Agent 工程師（$120–180K）→ AI 產品工程師（$150–250K）。
畢業專案：
做一個能上正式環境的 AI agent，解決你生活中一個真實的問題。要部署上線、要有評估系統、要有安全檢查。這就是你拿給雇主看的東西，這就是你發推炫耀的東西，這就是你的證明。
檢查點：
你有一個部署上線、做過評估、通過安全檢查的 AI 系統。專業的 GitHub 檔案。LinkedIn 上的案例研究。你已經準備好找工作了。
維護模式：怎麼跟上最新進度
AI 跑得很快。走完這條路線圖之後，這是讓你持續保持領先的每週固定儀式：
1. 週一：看一下 Anthropic、OpenAI、Google 的版本更新說明。10 分鐘。
2. 週三：去 arxiv-sanity-lite 逛逛有趣的論文。讀一篇摘要。15 分鐘。
3. 週五：看一支 Yannic Kilcher 或 1littlecoder 講新論文／新工具的影片。20 分鐘。
4. 每月：用一個新工具或新技術做一個小專案。推到 GitHub。
總共花的時間：每週大約 1 小時。這能讓你穩坐 AI 實踐者的前 10%。
這套方法跟別人比起來如何
誠實比較一下這條路線圖和其他選擇：
完整資源清單
免費課程（附證書）
• IBM ML on Coursera - 旁聽模式免費 — 完整的 ML 證書
GitHub Repo 清單
• microsoft/generative-ai-for-beginners - 95K★ — 21 堂課，生成式 AI
• microsoft/ML-For-Beginners -45K★ — 12 週經典機器學習
• microsoft/AI-For-Beginners - 35K★ — 24 堂課，深度學習與電腦視覺
• karpathy/nn-zero-to-hero - 由 Andrej Karpathy 帶你從零打造神經網路
• mlabonne/llm-course - 40K★ — 完整的 LLM 路線圖 + Colab
• microsoft/ai-agents-for-beginners - 12 堂課，AI agent
• ashishpatel26/500-AI-ML-DL-Projects - 500+ 個專案點子
工具（免費）
• Ollama + Open WebUI - 在本機跑模型，自架的 ChatGPT 替代方案
• Hugging Face Course (2026) - 特別推 Agents 和 Evaluation 章節
• ChromaDB / LanceDB - 免費的本機向量資料庫，給 RAG 專案用
YouTube（免費）
• Andrej Karpathy - Neural Networks: Zero to Hero（神經網路：從零到高手）
• 3Blue1Brown - 把神經網路和線性代數視覺化
• Yannic Kilcher - AI 論文拆解
• 1littlecoder - 最新的 AI 工具和實作（聚焦 2026）
• Matt Wolfe - AI 新聞與工具評測
今晚就開始
接下來這 60 分鐘，你該做的事情就這些：
1. 安裝 Obsidian 並建立 AI-Learning 倉庫。5 分鐘。
2. 註冊 Anthropic Academy。開始上 AI Fluency。看完第一個模組。寫下第一篇筆記。30 分鐘。
3. Fork microsoft/generative-ai-for-beginners 到 GitHub 上。打開第 1 課。讀完它。20 分鐘。
就這樣。三件事。就今晚。
2026 年真正能學會 AI 的人，不是那些把 50 篇文章加進書籤的人，而是那些打開終端機、直接開始動手的人。
我一開始每月花 300 美元，買來的卻是教我複製貼上一堆自己看不懂的程式碼的課程。今天，我做 AI agent 純粹是為了好玩，而我整套學習花的錢是 0 美元。資源就擺在那裡，唯一的問題是：你要不要開始。
拜託在 tg 上訂閱我一下 <3 —
