给想学 AI 但不想先花钱的人：把 机器学习、Prompt、LLM、Agents、PyTorch、MIT/Stanford 公开课 分成能真的开始的路线。
这不是“全网 AI 课大合集”。太多链接没用，最后只会收藏吃灰。
这本只收录我在 2026-06-29 核对过的官方课程、公开课、官方文档和开源课程。每个资源都写清楚适合谁、先做哪一步、哪里可能收费。说白了，你不用从 100 个链接里抽签，先按自己的背景走一条线。
很多同学搜“AI 免费课”，踩的坑不是课程太少，是把四件事混在一起：内容免费、证书免费、算力免费、API 免费。它们不是一回事。
| 容易误会的地方 | 真实口径 |
|---|---|
| 证书 | 很多平台内容免费，但证书、学分、professional program 可能收费。先把内容学完，再决定要不要证书。 |
| 云资源 | GPU、云实验室、部署平台可能有免费额度，也可能过期或超额。跑训练前先看额度。 |
| API 调用 | OpenAI、Claude、Gemini 等文档免费，真正跑 API 往往要绑定 key、看 pricing 和 rate limits。 |
| 课程版本 | 大学课公开视频可能是前一年的，最新学期课件另更。学概念没问题，做作业要看当年说明。 |
下面这 12 个不是同一类资源。Microsoft / Google 更像体系课，Hugging Face / fast.ai 更适合动手，MIT / Stanford 适合进阶，OpenAI / Anthropic / Gemini 是做应用时查的官方手册。
适合：想系统理解 AI、神经网络、CV/NLP、伦理，但还没准备直接做 LLM app 的同学。
先做：先读 Introduction and History of AI，再做一个 Hello AI World 或 Simple Neural Network。
注意：仓库有 50+ 翻译，克隆时可以按官方提示 sparse checkout；中文翻译可读，但术语要对照英文。
https://github.com/microsoft/AI-For-Beginners适合：想从 LLM、Prompt、RAG、Function Calling、AI Agents、AI 安全一路做到应用的人。
先做：先看 01 Introduction to Generative AI and LLMs，再做 04 Prompt Engineering Fundamentals。
注意：代码练习可能用 Azure OpenAI、OpenAI API 或 GitHub Models；课程免费，模型调用费用另看各平台。
https://github.com/microsoft/generative-ai-for-beginners适合：想补 regression、classification、data、neural networks、embeddings、production ML 的同学。
先做：Linear Regression → Logistic Regression → Classification，不要一上来跳到 neural networks。
注意：课程有中文简体页面；但术语建议保留英文，比如 embeddings、overfitting、fairness。
https://developers.google.com/machine-learning/crash-course适合：已经会 Python，想学 Transformers、Datasets、Tokenizers、fine-tuning、reasoning models 的同学。
先做：先跑 pipeline()，再学 Transformer architecture；不要先 fine-tune。
注意：官方建议有 Python 基础，最好先学过一门入门深度学习课。
https://huggingface.co/learn/llm-course/chapter1/1适合：想学 tool use、Thought/Action/Observation、smolagents、LlamaIndex、LangGraph、Agentic RAG 的同学。
先做：先完成 Unit 1 Agent Fundamentals，再选一个框架做小 agent。
注意：需要基础 Python 和 LLM 概念；如果 LLM Course 没学过，先补前置。
https://huggingface.co/learn/agents-course/unit0/introduction适合：有一点 Python，想从案例直接上手 CV、NLP、tabular、deployment 的同学。
先做：从 Lesson 1 开始跟着跑，不要先补一堆数学。fast.ai 的路数是先做出东西，再补原理。
注意：只适合愿意写代码的人；完全零编程同学先学 Python。
https://course.fast.ai/适合：想听 MIT 级别深度学习 bootcamp，主题覆盖 vision、NLP、generative AI、RL、AI for Science 的同学。
先做：先看 Lecture 1 Intro to Deep Learning，再做第一个 software lab。
注意：官网写需要初等线代和微积分，Python 熟悉会更顺。
https://introtodeeplearning.com/适合：想深入 NLP、Transformers、LLM benchmarking/evaluation，并能承受数学和代码强度的人。
先做：先看 2024 YouTube playlist，再跟 2026 课件读 slides / notes。
注意：官网说 enrolled-student videos 不对外；公开免费视频是 2024 playlist。不要把付费 Stanford Online 和免费资源混为一谈。
https://web.stanford.edu/class/cs224n/适合：想把 PyTorch 从 tensor、workflow、classification、CV、custom dataset、transfer learning、deployment 跑一遍的人。
先做：从 00 PyTorch Fundamentals 开始，在 Google Colab 里跑。
注意：官方建议 3-6 个月 Python；完全不会 Python 会吃力。
https://www.learnpytorch.io/适合：想看官方 prompt engineering、structured outputs、RAG、agents、evals 示例的人。
先做：先读 Prompt engineering guide，再看 Cookbook 里的 RAG / Evals / Agents 示例。
注意：文档免费，不代表 API 免费；跑代码前先看 pricing 和 rate limits。
https://cookbook.openai.com/适合：想学怎么先定义 success criteria、做 eval，再调 prompt 的人。
先做：先照 docs 写清 success criteria 和 eval，再看 prompting best practices。
注意：不要只抄提示词模板。Anthropic 文档强调先有可测试标准，再做 prompt engineering。
https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview适合：想用 Gemini 做 text、image、video、long context、function calling、tools、agents 的同学。
先做：先跑 Get started，再看 Prompt engineering、Structured outputs、Function calling。
注意：页面有 Pricing、Billing info、Rate limits；练习前先设预算，不要默认 API 免费。
https://ai.google.dev/gemini-api/docs
最省时间的学法不是“把所有免费课都看完”。你只要先选一条线，学到能做出第一个小项目，再补下一层。
目标：知道 AI 是什么，会用工具，不急着写代码
交付物：做一份自己的 AI 学习笔记：10 个概念 + 5 个能马上用的 prompt。
目标：补机器学习和深度学习，能跑 notebook
交付物：跑通一个图像分类或表格预测小项目，写清数据、模型、结果。
目标：Prompt、RAG、Function Calling、Agents
交付物：做一个带检索的小助手，不追求复杂，先做到可复现。
目标：工程化、评估、部署、Agent、作品集
交付物：做一个能部署、能评估、有 README 的项目，比刷十门课更有用。
看完还是不知道自己该走哪条线？扫 Rain 的码，把你的专业、会不会 Python、目标岗位发来，先帮你判断该从哪一类资源开始。
如果你连 Python 都没写过，别一上来就看 Stanford 或 MIT。不是你不行，是顺序错了。先把 AI、ML、GenAI、LLM、prompt、embedding 这些词搞清楚，再动代码。
有 Python 基础的人最容易在数学课里迷路。不是数学不重要，是你先需要一个能运行的反馈回路。代码跑起来，loss 降下来，模型部署出来，抽象概念才有地方落地。
regression、classification、overfitting、fairness。
基础tensor、workflow、CV、custom dataset、deployment。
代码从真实问题做起，第二课就能做部署。
项目
现在很多“AI 课程”只教几个 prompt 模板。能用，但不够。真要做应用，你至少要知道 RAG、structured output、function calling、eval、成本和安全。
一个合格的小项目 README 至少写：
1. 解决什么问题
2. 用了哪个模型 / 哪个 API
3. 输入输出长什么样
4. 成本怎么估算
5. 错误回答怎么发现
6. 哪些数据不能上传如果你已经能写 Python，也跑过 LLM demo，可以开始补硬课。进阶课不是用来“收藏显得厉害”的，是用来把你做项目时卡住的地方讲透。
| 卡点 | 去哪里补 | 补完要做什么 |
|---|---|---|
| 看不懂 neural network 怎么训练 | MIT 6.S191 + fast.ai Part 1 | 自己解释一次 forward / loss / backprop。 |
| LLM 只会调用，不懂 Transformers | Hugging Face LLM Course + Stanford CS224N | 跑一个 tokenizer / transformer demo。 |
| Agent 只会写玩具 demo | Hugging Face Agents Course | 用 smolagents / LangGraph 做一个可评估的小 agent。 |
| 模型能跑，但没法展示 | fast.ai deployment + Learn PyTorch deployment | 部署一个 demo，并写清楚限制。 |
读到这里的人，多半不是缺链接，而是缺路线和反馈。扫 Rain 的码，把你已经学过的课和项目发来，先帮你把下一步排出来。
免费资源最大的敌人不是质量差，是没有 deadline。你不需要先规划半年。先用 30 天跑出一个最小作品，后面的路线自然会清楚。
核对日期：2026-06-29。这本只写我能在官方页面或官方 GitHub 仓库核到的内容。页面、费用、证书规则和 API 额度都会变，真正开始学之前再点进官网确认一次。
这本书不是让你把所有课都看完。先选一条线，30 天做出一个能展示的小项目。卡住了，把你的背景和目标发给 Rain，先判断该补课、补项目，还是补求职材料。