📌 项目地址：owainlewis/awesome-artificial-intelligence
| ⭐ 14,282 颗星 | 📜 未标注
GitHub上 owainlewis/awesome-artificial-intelligence 有
14282
星，但它不是那种塞满上千条链接的“awesome”列表。作者直接说：只收“必须使用、正在积极维护”的资源，焦点是
AI
工程——RAG、agents、evals、guardrails、部署，而不是理论百科。翻开
README，光是 Learn 部分的 Books 和 Courses
就已经能让你少走很多弯路。
为什么这个清单值得细细看
很多 AI 资源列表三个月就失效，但这个清单有两条硬标准： –
追求“深度、持久的知识” ——
五年后依然有价值。所以不会推荐过时的博客或教程，而是选权威作者和新版经典。
– 分 “现代实用” 和 “基础理论”
两类。如果你正在做产品，可以直接看实用类；如果想打数学底子，基础类也足够硬。
下面是我根据 README
里的书目和课程，整理出的三条学习路径。书和课程都是项目已经列出的，我只加了一点个人判断，帮你更快决定先看哪个。
路径一：从零搭一个
LLM（适合动手派）
如果你喜欢边写代码边理解原理，这条线最短。
-
《Build a Large Language Model from
Scratch》（Sebastian Raschka）
用纯 PyTorch 逐层实现 Transformer，从 tokenization
到训练。适合想彻底搞懂内部机制的人。 -
《Hands-On Large Language Models》（Jay Alammar,
Maarten Grootendorst）
视觉化的实践指南，直接讲 LLM
应用——微调、RAG、Agent。可以在学完原理后立刻上手。 -
Fast.ai —— Practical Deep
Learning（免费课程）
从实际项目切入，不要求数学基础。适合快速跑通第一个模型。 -
Hugging Face LLM Course（免费）
直接教你用 Transformers 库搭建 pipeline，与上面两本书互补。
路径二：从理论到工程全栈（适合产品负责人）
如果你更关心系统设计和部署，这两本书必读。
-
《Designing Machine Learning Systems》（Chip
Huyen）
讲可扩展、可维护的 ML
pipeline，强调数据、特征、模型迭代的协同。 -
《AI Engineering》（Chip Huyen，同一作者）
接上面，聚焦端到端 AI
产品构建：评估、监控、安全。这两本加起来，基本上覆盖了生产环境的所有痛点。 -
Full Stack Deep Learning（免费课程）
在线教学 + 项目，覆盖 ML 基础设施、实验管理、部署。和 Chip Huyen
的书互补。 -
DeepLearning.AI Short
Courses（免费，但部分需云账单）
每个课程 1-2 小时，针对具体主题（如
RAG、LangChain）。适合填空补缺。
路径三：扎数学底子（适合研究或深造）
如果你时间充裕，或者想看懂论文，先从经典教材开始。
-
《Understanding Deep Learning》（Simon
Prince）
2023 年出的新书，直觉 + 数学 + Python 笔记本。比 Goodfellow 的《Deep
Learning》更友好。 -
《Deep Learning: Foundations and
Concepts》（Bishop & Bishop）
Bishop 2024
年更新版，从概率视角讲现代深度学习。适合想严格推导的人。 -
Stanford CS324：Large Language
Models（免费课程）
斯坦福的 LLM 专项课，讲解训练、微调、对齐。有一定深度。 -
MIT 6.S191：Intro to Deep
Learning（免费课程）
经典 intro，覆盖
CNN、RNN、Transformers。作为数学基础后的加速器。
使用这份清单时我踩过的坑
- 链接过时问题。项目虽标“actively maintained”，但
GitHub awesome
列表的更新往往滞后。我建议看到一本书后先确认是否出了新版（比如《Speech
and Language Processing》已有 3rd ed. draft）。 - 部分资源要付费。O’Reilly、Manning
的书都需要购买，但 Fast.ai、Hugging Face 课程、Stanford CS324
都免费。DeepLearning.AI
短课程免费，但用到云平台时可能产生小额账单。 - 没有代码库。这个清单只给链接，不提供安装命令或运行环境。你需要自己访问每个资源去拿代码。
一个建议：别贪多，从“最痛的地方”开始
如果你正在做 LLM 产品，先读 Chip Huyen
那两本工程书；如果还在纠结注意力机制，直接去读 Raschka 的《Build a Large
Language Model from
Scratch》。时间有限，这套清单的价值恰好在于帮你节省挑选的时间——每本书、每门课都是“值得花时间”的，剩下的就是打开它。