一份完整指南帮助你在 2026 年从零基础开始并提升 AI engineering 能力了解最新新闻、工具和最先进的技术。我们现在已经有了一整套 AI engineering 课程覆盖从入门 Python 到高级 agentic systems 的你所需内容。可在这里查看Towards AI Academy。我在社交媒体、社区、课程中甚至在 Towards AI 为咨询工作招聘 AI engineers 时总是被问到同一个问题“我怎样才能成为一名 AI engineer”有时它听起来像是“如果我没有背景该如何开始”、“我需要先学 machine learning 吗”、“我应该学 RAG、agents、fine-tuning 还是 prompting”、“我能不能直接用 Codex 或 Claude Code跳过无聊的部分”或者“我到底应该构建什么才能被录用”所以我决定为任何想在 2026 年从几乎没有背景或零背景开始学习 AI engineering 的人制作一份完整指南而且大部分免费。这份指南是我较早的 Start Machine Learning repo 的 AI engineering 版本但已根据这个领域现在的真实样貌进行了更新。而这个领域已经发生了很大变化。几年前很多公司主要会问“我们能为这个训练一个模型吗”或者“我们能在自己的数据上 fine-tune 一个 machine learning model 吗”现在对大量团队来说模型已经存在了。GPT 在那里。Claude 在那里。Gemini 在那里。Llama、Mistral、Qwen、DeepSeek 以及许多其他模型也都在那里。新的问题是我们应该围绕这些模型构建什么才能让它们可靠到足以使用这就是 AI engineering。它不只是 prompting。它不只是构建 chatbots。它也绝对不只是打开一个 agentic coding tool然后让它 vibe code 十个 demo。AI engineering 是一种应用型技能把 foundation models 转化为有用、可靠的系统。它是 product thinking、data、context、tools、retrieval、evals、deployment、monitoring、safety、cost 和 user feedback 在同一个系统中共同运作。像 Codex、Claude Code、Cursor、Gemini CLI 以及类似工具这样的 coding agents 非常出色。你应该使用它们。我也在用。但使用 agent 更快地构建并不等同于理解你构建了什么。公司愿意付费购买的有价值技能是判断力决定应该构建什么在 prompting、RAG、fine-tuning、workflows、agents 或根本不用 LLM 之间做选择证明系统有效并在现实与预期不一致时改进它。这才是本指南真正关注的重点。在 GitHub 上找到完整且始终更新的列表GitHub - louisfb01/start-ai-engineering维护者Louis-François Bouchard也活跃于 YouTube、X、LinkedIn、the What’s AI Podcast 和 my newsletter。如果你分享这个列表请在 X Whats_AI 或 LinkedIn 上标记我。标记为 paid 的资源都已明确标注。除此之外几乎所有内容都是免费的。一些课程和图书链接是 affiliate links会在不增加你额外成本的情况下支持本指南。如果你使用它们非常感谢也祝你学习愉快。不要害怕反复播放视频、重读文章或者把同一个想法构建两遍。重复、debugging 和失败的项目才是真正学习发生的地方。2026 年谁可以成为 AI engineer本指南面向任何在 programming、artificial intelligence 或 machine learning 方面零基础或只有少量背景的人。没有唯一正确的学习顺序但经典路径是从上到下。如果你不喜欢书可以跳过书籍部分。如果你不想跟在线课程可以跳过课程直接从 docs 构建。如果你已经会 Python可以直接进入 AI engineering 部分。目标不是强迫你走一条完美路径。目标是在网上信息显得嘈杂混乱时给你一张清晰地图。如果你已经进阶可以把它当作 checklist。如果你是初学者就按顺序学习并注意难度等级。难度等级每个资源都有一个从 1️⃣ 到 的难度标记。1️⃣ 表示绝对初学者例如入门 Python 资源。3️⃣ 是对初学者友好的 AI 词汇。5️⃣ 是可以在项目中应用的实用构建者材料。7️⃣ 是生产工程深度。9️⃣ 是高级系统或研究。 是那种 senior-level paper 或技术你可能应该在交付过几个系统并稍微受过一些苦之后再回头看。以好的方式。大多数情况下。我会遵循的学习路径如果我今天从零开始这是我大致会采取的路径观看一些基础视频建立词汇和直觉。选择一门免费课程和一个你承诺从头到尾阅读 docs 的 framework。选择一两本书建立一个扎实的基础当工具变化时你可以回到这个基础上。可选地参加一两门带真实项目的高级应用课程尤其是如果你希望在自己动手搞坏东西之前获得结构和反馈。构建两三个小但真实的项目并让它们以有启发性的方式出问题。在把任何东西称为 production-ready 之前添加 evaluations、tracing、logging、cost tracking 和 deployment。之后你应该已经具备了成为一名扎实 AI engineer 的基础足以胜任许多 entry-level 或转型岗位。最重要的是持续学习并保持开放心态。这个领域变化很快最好的 AI engineers 会保持好奇而不是对某个 model、某个 framework 或某个 workflow 产生宗教式执念。你可以用 AI 个性化这份 roadmap你也可以把完整 GitHub repo 喂给你喜欢的 AI agent让它根据你的背景、时间、预算和偏好的学习风格创建一个计划。把下面内容粘贴到 Claude、ChatGPT、Codex、Cursor 或其他 assistant 中Use this repo as my AI engineering roadmap: https://github.com/louisfb01/start-ai-engineeringCreate a personalized learning plan for me. First ask about my background, coding level, available time, budget, preferred learning style, and goals. Then choose the most relevant resources from the repo, explain why you picked them, order them from easiest to hardest, and turn them into a weekly plan with projects, checkpoints, and what I should be able to build after each stage.使用 AI 更快地学习 AI engineering而不是用它来逃避学习。目录如果你想跳到后面的内容这里是快速目录开始吧先从简短的 YouTube 视频开始没有 coding 背景也没关系通过课程和 docs 开始认真学习在线阅读文章阅读重要书籍练习、练习再练习Prompting 和 structured outputsRAG、context engineering 和 vector databasesTools、MCP、workflows 和 agentsEvaluations、observability 和 harnessesFine-tuning、multimodal、voice 和 deploymentAI coding agents 和 developer toolsAI safety、security 和 guardrails更多资源communities、newsletters、podcasts 和值得关注的人如何找到 AI engineering 工作总结让我们开始学习 AI engineering在我看来开始学习任何技术内容的最佳方式是通过简短视频建立词汇和直觉。不要一开始就试图记住每篇 paper、每个 framework 或每次 model release。先理解人们说 transformer、token、embedding、context window、RAG、reranker、tool call、agent、eval 和 hallucination 时到底是什么意思。下面是我会从哪些视频开始。4️⃣ AI Engineering Foundations: What Developers Actually Need to Know Today - 我的一小时 AI engineering foundations workshop。如果你想获得对本指南内容最清晰的概览请从这里开始LLMs 如何工作、它们的限制、何时使用 prompting、RAG、workflows 或 agents以及为什么 evaluations 和 security 在 production 之前很重要。2️⃣ How AI Works in Super Simple Terms - StatQuest with Josh Starmer。如果你完全是新手这是最温和的入门入口。2️⃣ Mastering AI Jargon - Your Guide to OpenAI LLM Terms - 我制作的实用术语表解释你经常在 OpenAI、GPT、LLMs、prompting 和 generative AI 周围看到的术语。3️⃣ Intro to Large Language Models - Andrej Karpathy。一小时。仍然是对 LLM 是什么以及它如何工作最清晰的高层次导览之一。4️⃣ AI Fundamentals for Builders - Understand transformers and fix LLM limitations - 面向构建者的课程讲解 transformer 直觉、常见 LLM 限制以及绕过这些限制所用的技术。5️⃣ A Hackers’ Guide to Language Models - Jeremy Howardfast.ai。实用、代码友好并面向构建者。6️⃣ Deep Dive into LLMs like ChatGPT - Andrej Karpathy。更长、更深入可能是你今年能做的最佳免费投入之一。值得订阅的优秀 YouTube 频道2️⃣ StatQuest with Josh Starmer - 对 ML 和 neural network 概念最清晰的可视化解释。3️⃣ 3Blue1Brown - 可视化数学和 deep learning 直觉。neural networks 和 attention 系列尤其有用。3️⃣ DeepLearning.AI - 来自 Andrew Ng 团队的免费短课程和实用 AI engineering 主题。4️⃣ What’s AI - 我的频道提供关于 RAG、agents、MCP、evals 以及如何推理 stack 的实用 AI engineering 解释。4️⃣ Hugging Face - 覆盖 open-source AI 生态系统的官方教程。5️⃣ LangChain - 关于 LangChain、LangGraph、agents 和 workflows 的官方教程。6️⃣ Andrej Karpathy - 关于 LLMs 实际工作方式的长篇解释。7️⃣ Umar Jamil - 面向想理解模型内部发生了什么的人的逐行实现。8️⃣ Yannic Kilcher - 深入的 paper walkthroughs 和研究评论。可以继续在 YouTube 上看视频。如果你认真选择它仍然是最被低估的免费学习平台之一。没有 coding 背景也没关系如果你完全没有 coding 背景请从 Python 开始。在接触 AI 之前你不需要成为 software engineering 大师但你确实需要足够的 Python 能力来阅读 docs、调用 APIs、处理数据、debug errors并理解你的 coding agent 生成了什么。从这里开始1️⃣ Learn Python - 免费交互式 Python 教程。1️⃣ AI Python for Beginners - DeepLearning.AI。免费、友好而且比完整 bootcamp 更轻量。2️⃣ Python Fundamentals CS Concepts - 我的 playlist覆盖 Python 基础和核心 computer science 概念。2️⃣ Beginner Python for AI Engineering - Towards AI。把 Python 作为处理 LLM systems 的实用工具来教授。付费。如果你已经掌握基础 Python可以直接进入指南的其余部分。你不需要数学博士学位。你不需要在构建之前从零实现每个模型。但你需要足够的技术舒适度来理解你正在交付的系统。开始认真学习一旦你具备一些词汇和 Python 基础就选择一条结构化路径。不要试图同时上十门课程。选择一门课程和一个 framework。承诺认真阅读 docs。不只是 quickstart。是 docs。以下是我会首先推荐的课程和学习路径4️⃣ Hugging Face LLM Course - 免费。关于 tokenization、fine-tuning 和现代 transformers 的最佳免费结构化路径。4️⃣ Anthropic Academy - 免费。包含 MCP 介绍和强 Claude 导向的学习资源。5️⃣ Hugging Face Agents Course - 免费。使用 open-source models 讲解 agents、tools 和 orchestration。5️⃣ LangChain Academy - 免费。贯穿 LangChain 和 LangGraph 的官方路径。3️⃣ ChatGPT Prompt Engineering for Developers - DeepLearning.AI。免费并且仍然是一个有用的起点。4️⃣ Building Systems with the ChatGPT API - 免费。多步骤 chains、moderation 和初学者级 evals。5️⃣ Improving Accuracy of LLM Applications - 免费。实用方法帮助你从“它大概能用”走向更可靠的东西。Towards AI Academy 路径2️⃣ AI for Work - 面向希望在工作中使用 AI 的非开发者。付费。3️⃣ 10-Hour LLM Fundamentals - 紧凑 crash course讲解何时使用 prompting、RAG、fine-tuning 或 agents。付费。4️⃣ Get it all! From Novice to Expert Bundle - 如果你想从零学习整个 stack这是最佳选择。付费。5️⃣ Full Stack AI Engineering - 我们的旗舰开发者路径覆盖 prompting、RAG、fine-tuning、tools、agents 和 deployment。付费。7️⃣ Agentic AI Engineering - 高级课程以两个 production agents 作为 capstones。付费。如果你想要我的简单建议如果你是新手从一门免费课程加一个 framework 的 docs 开始。如果你想要结构和项目选择一门与你水平匹配的 Towards AI 课程。在线阅读文章阅读很重要因为文章会迫使你放慢速度并理解决策。一个好的循环是读一篇概念性文章读一页官方 docs自己构建一个极小版本然后在你已经留下伤疤后重读那篇文章。第二遍的感受会非常不同。以下是一些值得早期阅读的文章4️⃣ Here’s how I use LLMs to help me write code - Simon Willison 使用 coding agents 的实用 workflow。5️⃣ Your AI Product Needs Evals - Hamel Husain。关于为什么 evals 很重要的经典起点。6️⃣ A Field Guide to Rapidly Improving AI Products - Hamel Husain。如何从“它大概能用”走向真实产品。6️⃣ Building Effective AI Agents - Anthropic。关于何时使用 workflows 以及何时自治真正带来收益的参考文章。6️⃣ Harness Engineering: The Missing Layer Behind AI Agents - 我的文章讨论 prompt engineering 与可工作的 agents 之间的那一层tools、permissions、state、retries、checkpoints、guardrails 和 evals。6️⃣ Agents - Chip Huyen 关于 agent design 的长篇入门文章。7️⃣ Context Engineering for LLMs: Build Reliable, Production-Ready RAG Systems - 实用 RAG 和 context engineering walkthrough。7️⃣ 12-Factor Agents - Dex Horthy 的 production-agent checklist。8️⃣ The Lethal Trifecta for AI Agents - Simon Willison 讲每个 agent builder 都需要理解的 security risk。对于持续阅读建议在 practitioner blogs、官方 engineering posts、Towards AI publication on Medium 和 Towards AI Newsletter 之间轮换而不是依赖单一来源。阅读重要书籍书籍是可选的但它们仍然是建立基础的最佳方式之一。如果相比观看你更喜欢阅读这条路径可以走得很远尤其是那些专注于实际 coding 和 building 的书。你不需要读完所有这些。请不要把学习变成囤书支线任务。根据你的水平和目标选择一两本即可。5️⃣ Building LLMs for Production - Towards AI。覆盖 prompting、RAG、fine-tuning、reliability 和 shipping。Academy e-book version 也可获取。付费。5️⃣ Hands-On Large Language Models - Jay Alammar 和 Maarten Grootendorst。可视化、code-first并且非常适合建立直觉。付费。5️⃣ Prompt Engineering for LLMs - John Berryman 和 Albert Ziegler。来自 GitHub Copilot engineers 的经过实战检验的 prompting patterns。付费。6️⃣ The LLM Engineer’s Handbook - Paul Iusztin 和 Maxime Labonne。面向 production并围绕一个真实端到端项目构建。付费。7️⃣ AI Engineering - Chip Huyen。在 system design、evaluation 以及每种技术何时值得采用方面很强。付费。8️⃣ Build a Large Language Model From Scratch - Sebastian Raschka。如果你想从内部理解 tokenization、attention、transformer blocks 和 fine-tuning这是合适的书。付费。值得收藏的免费长篇解释4️⃣ The Illustrated Transformer - Jay Alammar。transformer architecture 的经典可视化参考。5️⃣ Prompt Engineering - Lilian Weng。关于 prompting techniques 的研究导向概览。5️⃣ Patterns for Building LLM-based Systems Products - Eugene Yan。几乎每个已交付 LLM product 最终都会使用的七种 patterns。7️⃣ LLM Powered Autonomous Agents - Lilian Weng。仍然是关于 agents 的参考文章之一。8️⃣ Why We Think - Lilian Weng 关于 test-time compute 和 reasoning models 的文章。练习、练习再练习阅读和观看只能带你走到一定程度。你通过构建会以有教育意义方式失败的系统成为 AI engineer。在开始构建之前我建议观看这个视频在其中我分享了我招聘 AI engineers 时看重什么为什么 decision-making 比漂亮的 agent-generated output 更重要以及哪些类型的项目真正能教授有用技能。好的第一个项目4️⃣ 一个带 citations 和真实 eval set 的 document question-answering assistant。4️⃣ 一个带 tool calls 和 structured outputs 的 customer support workflow。5️⃣ 一个 research assistant能够 plan、search、read 并写一份简短 brief。5️⃣ 一个限定在某个狭窄 internal task 上的 coding helper。5️⃣ 一个带 validation 的 multimodal invoice 或 receipt parser。6️⃣ Designing Real-World AI Agents Workshop - Paul Iusztin 的 hands-on workshop用于构建 Deep Research Agent 以及作为 MCP servers 的 LinkedIn Writing Workflow。6️⃣ 一个小型 agent能够在预算内 plan、act、check 和 retry。参考 repos 和 tutorials3️⃣ OpenAI Cookbook - notebook 形式的官方 recipes。4️⃣ Google Gemini Cookbook - Google 关于 multimodal、long context 和 tool use 的 recipes。4️⃣ LlamaIndex Starter Tutorial - 快速搭建可工作的 RAG pipeline 的路径。4️⃣ AI Engineering Cheatsheets - 我的 decision tables 和 playbooks用于选择 approaches。5️⃣ Pydantic AI docs - 来自 Pydantic 团队的 type-safe agent framework。6️⃣ DSPy Tutorials - Prompt/program optimization tutorials。7️⃣ Paul Iusztin’s hands-on-llms repo - 带 training、serving 和 monitoring 的端到端 production project。对于每个项目强迫自己回答为什么选择这个 prompt、tool 或 architecture它会在哪里以及如何失败我将如何进行 offline 和 online evaluation当它表现异常时我会 log 和 inspect 什么仍能达到标准的最便宜设计是什么这里 agent 真的是正确选择吗还是 workflow 就足够了如果你回答不了这些问题继续构建。Prompting 和 structured outputsPrompting 在 2026 年仍然重要。但有用的版本不是魔法词或可爱技巧。它是为 non-deterministic systems 编写可靠 contracts。你应该学习 task framing、output contracts、structured outputs、JSON schemas、few-shot examples、grounding、citations、verification loops、tool-use instructions、completion criteria 和 prompt versioning。最佳资源3️⃣ OpenAI Prompt Engineering Guide - 官方且 API-centric。3️⃣ Anthropic Prompt Engineering Overview - Claude-specific advice但很容易泛化。3️⃣ Learn Prompting - 免费、社区维护的参考资料。5️⃣ OpenAI GPT-5 Prompting Guide - 来自 OpenAI 的 model-specific prompting advice。5️⃣ Instructor: structured outputs with Pydantic - Jason Liu 用于 typed LLM outputs 的 library。6️⃣ Structured Data Extraction from Unstructured Content Using LLM Schemas - Simon Willison 的 schema-first extraction pattern。把 prompts 当作你会 version 的 code、你会 test 的 interfaces以及你会重新审视的 product decisions。RAG、context engineering 和 vector databasesRAG 仍然是核心技术但朴素的“把一些 chunks 塞进 prompt”版本已经不够了。你应该理解 chunking、embeddings、vector search、hybrid search、BM25、reranking、citations、provenance、metadata filters、query rewriting、corrective RAG、retrieval evaluation以及什么时候 RAG 是错误答案。从这里开始4️⃣ Why RAG Is Not Training Your AI - 我对大多数 builders 都搞错的 mental model 的解释。4️⃣ LlamaIndex Introduction to RAG - 官方 docs也是通向可工作 RAG system 最清晰的免费路径之一。4️⃣ Pinecone RAG guide - vendor-written但有扎实的介绍和图示。5️⃣ Is RAG Still Needed in the Era of Long Context LLMs? - 有用的 decision framework。6️⃣ Contextual Retrieval in AI Systems - Anthropic 的 contextual chunking pattern。6️⃣ Hybrid Search RAG That Actually Works - 实践中的 BM25、vectors 和 reranking。7️⃣ Systematically Improving RAG - Jason Liu 的 RAG iteration playbook。8️⃣ Evolve or perish: The new RAG paradigm - Paul Iusztin 讨论 RAG 的发展方向。Embeddings 和 vector databases4️⃣ Cohere Embed and Rerank4️⃣ Voyage AI4️⃣ Jina Embeddings4️⃣ Nomic Embed5️⃣ Hugging Face MTEB Leaderboard4️⃣ Qdrant docs4️⃣ Weaviate docs4️⃣ LanceDB docs4️⃣ Pinecone docs4️⃣ pgvector4️⃣ Chroma不要停留在“上传 PDF得到答案”。构建一个严肃的 RAG app带 citations、retrieval debugging、chunking choices、metadata filters、eval set以及检查 misses 的方式。Tools、MCP、workflows 和 agents如果 prompting 是 AI apps 的第一阶段那么 tools 和 agents 就是真实能力与真实风险开始显现的地方。Tools 让 model 能够行动。MCP 帮助把 models 连接到外部系统。Workflows 定义可预测步骤。Agents 动态决定步骤。大多数团队应该从 workflow 开始。只有在自治能明确带来收益时才添加 autonomy。Tools 和 MCP5️⃣ Anthropic Tool use overview - tool calling 的清晰参考。5️⃣ Introducing the Model Context Protocol - 原始 MCP 公告。5️⃣ Model Context Protocol Getting Started - 官方 MCP docs。5️⃣ Hugging Face MCP Course - 免费课程覆盖 MCP clients 和 servers。6️⃣ Anthropic Skills - 可复用 agent skills 和 instructions。7️⃣ Writing effective tools for agents - Tool schemas、descriptions 和 error handling。8️⃣ Model Context Protocol has Prompt Injection Security Problems - 在部署会接触 private data 的 MCP servers 之前请阅读。Agents 和 workflows5️⃣ AI Agents in LangGraph - 与 Harrison Chase 和 DeepLearning.AI 合作的免费课程。5️⃣ LangGraph docs - 面向 long-running、stateful agents 的 graph-based orchestration。5️⃣ LlamaIndex Workflows - Event-driven workflows。6️⃣ Building Effective AI Agents - 关于 agent vs workflow design 的参考文章。6️⃣ Stop Building Agent Demos - 我关于 demo-to-production gap 的文章。6️⃣ Agents and Workflows - 我关于何时 multi-agent 属于 overengineering 的文章。6️⃣ Agent Architecture Guide - 我的 13 问题 decision framework。7️⃣ 12-Factor Agents - Production-agent checklist。7️⃣ Agentic AI Engineering - 我们的高级 agent 课程带两个已交付 agent capstones。付费。8️⃣ How we built our multi-agent research system - Anthropic 在一个已交付 multi-agent product 背后的真实 architecture。Model 不是你的 system。Tool layer、state layer、eval layer 和 deployment layer 才是大部分真正 engineering 发生的地方。Evaluations、observability 和 harnesses这是大多数人跳过、然后以痛苦方式重新发现的一层。如果你无法判断系统是否在改进那你还不是在 engineering。你只是在移动 vibes。你应该学习 golden datasets、rule-based checks、LLM-as-a-judge、regression testing、traces、spans、prompt versioning、error analysis、offline evaluations、online monitoring 和 harness design。最佳资源5️⃣ Your AI Product Needs Evals - Hamel Husain。从这里开始。5️⃣ LLM Evals FAQ - 对常见 eval 问题的实用回答。5️⃣ Automated Testing for LLMOps - DeepLearning.AI 短课程。免费。5️⃣ Ragas - Open-source RAG evaluation library。5️⃣ LangSmith - 来自 LangChain 的 hosted tracing 和 eval tooling。5️⃣ Arize Phoenix - 面向 LLM applications 的 open-source observability。6️⃣ Harness Engineering: The Missing Layer Behind AI Agents - 我的文章解释为什么 harnesses 区分 prototypes 和 production。6️⃣ Harness engineering - OpenAI 对 coding agents 中同一层的 framing。6️⃣ A Field Guide to Rapidly Improving AI Products - 实践中的 error analysis 和 data flywheels。6️⃣ Task-Specific LLM Evals that Do Don’t Work - Eugene Yan 讨论 LLM-as-judge 在哪里有帮助、在哪里会误导。7️⃣ Agent Observability and Evaluation: A 2026 Developer’s Guide - 长篇实用指南。8️⃣ Inspect AI - UK AI Safety Institute 的 open-source framework用于 LLM evals。在把任何东西称为 production-ready 之前添加 evals、tracing、logging、cost tracking、latency checks以及一种检查 failures 的方式。Fine-tuning、multimodal、voice 和 deploymentFine-tuning 仍然重要但它不是大多数团队一开始应该拿起的第一把锤子。只有在你理解 baseline 并且有 evals 之后才进行 fine-tune。否则你是在朝一个模糊目标调参。Fine-tuning 资源5️⃣ Building LLMs for Production - 仅 fine-tuning 章节就对许多团队很有用。付费。5️⃣ Hugging Face smol fine-tuning course - 免费、code-first walkthrough。5️⃣ OpenAI model optimization guide - 官方 docs。6️⃣ Hugging Face PEFT docs - LoRA 和相关方法。7️⃣ How to Fine-Tune LLMs in 2025 with Hugging Face - Philipp Schmid 最近很强的 how-to。8️⃣ Improving LoRA: Implementing DoRA from Scratch - Sebastian Raschka。Multimodal 和 document understanding4️⃣ Anthropic Vision docs4️⃣ OpenAI vision guide4️⃣ Google Gemini multimodal capabilities5️⃣ Docling - IBM 的 open-source document extraction toolkit。5️⃣ Document AI: From OCR to Agentic Doc Extraction - 免费 DeepLearning.AI 课程。Voice 和 realtime AI4️⃣ ElevenLabs docs - Production voice cloning 和 streaming text-to-speech。4️⃣ Deepgram docs - Low-latency speech-to-text。5️⃣ OpenAI Realtime API - 原生 speech-to-speech 和 tool use。5️⃣ Gemini Live API - Google 的 realtime multimodal endpoint。5️⃣ Pipecat - Open-source voice agent framework。5️⃣ LiveKit Agents - Realtime agent infrastructure。Deployment、inference 和 open-weight models4️⃣ Ollama - 本地运行 open models 最简单的方式。4️⃣ LM Studio - 用于 local inference 的图形界面。6️⃣ vLLM docs - High-throughput inference server。6️⃣ SGLang - Structured generation 和 batching。6️⃣ Text Generation Inference - Hugging Face 的 production serving stack。6️⃣ llama.cpp - 使用 GGUF quantization 的 CPU 和 edge inference。5️⃣ Modal docs - 带干净 Python interface 的 serverless GPU compute。7️⃣ BentoML LLM Inference Handbook - 免费、全面的 inference economics 手册。5️⃣ LiteLLM - 面向 100 LLM providers 的 open-source proxy。5️⃣ OpenRouter - 跨多个 models 的 hosted router。你应该能够解释为什么选择 API model 或 open-weight model为什么 latency 和 cost 的 tradeoff 合理系统在某个 dependency 失败时如何表现以及你会如何 debug production 中的 bad output。AI coding agents 和 developer toolsAI engineers 的工作方式在 2025–2026 年发生了变化。Coding agents 和 agent-native editors 现在已经成为日常实践的一部分。使用它们。但再次强调不要把思考外包出去。值得学习的工具3️⃣ Claude Code - Anthropic 的 command-line coding agent。3️⃣ Cursor - Agent-native IDE。3️⃣ GitHub Copilot - 默认的 enterprise AI coding assistant。3️⃣ Codex CLI - OpenAI 的 long-horizon coding agent。3️⃣ Gemini CLI - Google 的 open-source command-line agent。3️⃣ Windsurf - 专注于 context 和 flow 的 agent-native editor。值得阅读的文章4️⃣ Here’s how I use LLMs to help me write code - Simon Willison。4️⃣ AI-assisted development needs automated tests - Simon Willison。4️⃣ Identify, solve, verify - Simon Willison 的核心循环。4️⃣ How to Solve It With Code - Jeremy Howard 的 AI-assisted problem-solving course。5️⃣ What is agentic engineering? - Simon Willison 的工作定义。6️⃣ Harness engineering: leveraging Codex in an agent-first world - OpenAI 的实用 framing。6️⃣ Claude Code: How to Build, Evaluate, and Tune AI Agent Skills - 实用 SKILL.md 指南。经验法则选择一个 coding agent坚持使用一个月并深入学习它的 scaffolding。每两天在工具之间切换通常比掌握一个工具更慢。AI safety、security 和 guardrailsAI safety 不是可选项。如果你的 AI system 可以 search the web、call tools、touch private data或向其他 software 发送 actions你就需要尽早思考风险。学习 prompt injection、sensitive data handling、system prompt leakage、tool permissions、excessive agency、overreliance、output validation、human review thresholds、red teaming 和 governance。从这里开始6️⃣ OWASP Top 10 for LLM Applications 2025 - 权威 security list。6️⃣ OWASP GenAI Security Project - LLM security reference。7️⃣ NIST AI Risk Management Framework - 美国政府参考 framework。6️⃣ OpenAI Safety Evaluations Hub - 公开 safety evaluation results。7️⃣ The Lethal Trifecta for AI Agents - Private data、untrusted content 和 external communication。7️⃣ Embrace The Red - Johann Rehberger 的 red-teaming write-ups。8️⃣ Design Patterns for Securing LLM Agents against Prompt Injections - 实用防御。6️⃣ Guardrails AI - 用于 LLM output 的 validators 和 schemas。6️⃣ Red Teaming LLM Applications - 免费 DeepLearning.AI 课程。7️⃣ NVIDIA NeMo Guardrails7️⃣ PyRIT - Microsoft 的 red teaming orchestration tool。把 LLM output 当作来自一个行动很快、偶尔有外星直觉的实习生的工作。你不会盲目信任它。你会围绕它设计系统。如何找到 AI engineering 工作市场很混乱但信号比人们想象的更清晰。公司想要的是这样的人能够接手一个模糊问题做出合理假设构建 baseline评估它记录 tradeoffs并交付一些可测试的东西。这比 trivia-style interviews 更接近真实工作。最佳资源4️⃣ AI Engineering Cheatsheets - 你可以在面试中参考的 decision tables。4️⃣ Towards AI Academy - 为招聘而设计的 certificate programs 和 portfolio projects。5️⃣ What I Look For When Hiring AI Engineers - 我在招聘和面试 AI engineers 中的经验教训。5️⃣ How to Work and Compound with AI - Eugene Yan 讲严肃 engineers 如何使用 coding agents 并随时间复利成长。5️⃣ Identify, solve, verify - Simon Willison 讲雇主正在寻找的核心技能。5️⃣ Your job is to deliver code you have proven to work - Simon Willison 讲 programming work 的转变。7️⃣ How to Land a Frontier Lab Job - Vlad Feinberg 讲如何在 LLM stack 的边缘构建稀缺技能。具体应该做什么交付两到四个公开项目项目可以小但必须严肃。写简短 READMEs解释你的 architecture choices、cost 和 latency tradeoffs以及 failure modes。包含 tests 和至少一个 evaluation dataset。在相关时展示 traces、monitoring 或 experiment logs。学会解释为什么你在某些地方选择不使用 agent。能够针对给定问题比较 prompting、RAG、fine-tuning、workflows 和 agents。现在很多候选人都能生成代码。能展示判断力的人少得多。总结这是一份面向任何在 programming、AI 或 machine learning 方面零基础或只有少量背景并希望在 2026 年成为 AI engineer 的人的指南。它不是一份 exhaustive list。你可以根据自己的背景和学习风格使用更多资源、更少资源或者完全不同的顺序。重要的不是尽快完成这个列表。重要的是建立判断力。学习足够的理论避免 magical thinking。学习足够的 tooling快速构建。学习足够的 evaluation信任你交付的东西。学习足够的 product judgment避免更快地构建错误的东西。最重要的是持续交付。这仍然是捷径。这里是包含完整、更新列表的 GitHub repositoryhttps://github.com/louisfb01/start-ai-engineering这里给大家精心整理了一份全面的AI大模型学习资源包括AI大模型全套学习路线图从入门到实战、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等资料免费分享扫码免费领取全部内容1. 成长路线图学习规划要学习一门新的技术作为新手一定要先学习成长路线图方向不对努力白费。这里我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。2. 大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。书籍含电子版PDF3. 大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。4. 2026行业报告行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5. 大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。6. 大模型面试题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我们将提供精心整理的大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。7. 资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容