说实话，刚开始接触AI的时候，我也是一脸懵...市面上课程那么多，到底该从哪学起？花了好几个月时间，我把DeepLearning.AI的课程基本都刷了一遍，今天就和你聊聊哪些真的值得学。
先说一下，这些课程都是吴恩达老师创办的DeepLearning.AI推出的。吴恩达老师在AI界的地位就不用多说了，从斯坦福教授到谷歌大脑创始人，再到百度首席科学家，一直致力于AI技术的普及和教育。2017年他创立了DeepLearning.AI这个平台，就是为了让更多人能学会AI。虽然课程免费，但需要提醒的是，这些课程大多需要一定的编程基础，会涉及实际的代码开发，不是纯理论讲解。
入门基础
AI Python 入门
链接： https://www.deeplearning.ai/short-courses/ai-python-for-beginners/
这门课专门为零编程基础的人设计，不会一上来就讲复杂的语法，而是直接带你用Python做AI项目。你能学会基本的Python编程概念，更重要的是能快速上手AI相关的库和工具。课程设计得很实用，每个概念都有对应的实际应用，让你边学边练，避免了传统编程课那种枯燥的理论灌输。
面向开发者的 ChatGPT 提示工程
链接： https://www.deeplearning.ai/short-courses/chatgpt-prompt-engineering-for-developers/
这门课教你如何更有效地与AI沟通，包括怎么设计提示词、如何让AI的回答更准确、怎么处理不同类型的任务等等。课程涵盖了提示设计的基本原则和高级技巧，适合想要提升AI使用效率的人。虽然说是面向开发者，但即使你不写代码，学会这些技巧也能让你的AI使用体验提升不少。
Transformer LLMs 的工作原理
链接： https://www.deeplearning.ai/short-courses/how-transformer-llms-work/
这门课解释了大语言模型的核心原理，从最基础的文本数值化开始讲起。你能了解到为什么AI能理解文字、什么是token、注意力机制是怎么工作的，以及整个Transformer架构的三个主要阶段。课程还会带你看Hugging Face上的实际模型实现，让你对现代AI模型有个清晰的认识。说实话，这些概念以前我觉得很抽象，但这门课讲得确实通俗易懂。
应用开发框架
LangChain for LLM 应用开发
链接： https://www.deeplearning.ai/short-courses/langchain-for-llm-application-development/
这门课由LangChain创始人Harrison Chase和Andrew Ng联合授课，一小时内教你掌握LangChain框架的核心功能。内容包括模型调用和提示解析、给AI添加记忆功能、创建操作链条、构建文档问答系统、以及开发能自主行动的智能体。LangChain确实是目前最流行的LLM应用开发框架，学会了基本能应对大部分AI应用开发需求。
使用 LlamaIndex 构建自主式 RAG
链接： https://www.deeplearning.ai/short-courses/building-Agentic-rag-with-llamaindex/
传统的RAG（检索增强生成）系统只能简单地检索和回答，这门课教你构建更智能的RAG系统，让AI不仅能检索相关信息，还能进行推理和分析。使用LlamaIndex框架，你能构建出能自主思考如何最好回答问题的AI系统，在处理复杂文档问答时效果会好很多。
MCP: 使用 Anthropic 构建上下文 AI 应用
链接： https://www.deeplearning.ai/short-courses/mcp-build-rich-context-ai-apps-with-anthropic/
MCP（模型上下文协议）是Anthropic推出的标准化协议，用来解决AI应用连接外部数据源的问题。这门课教你理解MCP的客户端-服务器架构、构建兼容MCP的应用、连接到各种数据服务等。你能学会构建学术论文搜索机器人、连接文件系统服务、以及远程部署MCP服务器。对于需要让AI访问特定数据源的应用开发来说，MCP确实能简化不少集成工作。
智能体开发
多 AI 智能体系统与 crewAI
链接： https://www.deeplearning.ai/short-courses/multi-ai-agent-systems-with-crewai/
这门课教你用crewAI框架构建多个AI协同工作的系统。你能学会如何让不同的AI承担不同角色，比如一个负责研究、一个负责写作、一个负责审核，然后让它们配合完成复杂任务。课程涵盖了求职申请、技术写作、客户服务、销售拓展等多个实际应用场景。说实话，看着几个AI自动协作完成工作，感觉确实挺新奇的。
构建AI编程智能体
链接： https://www.deeplearning.ai/short-courses/building-code-agents-with-hugging-face-smolagents/
使用Hugging Face的smolagents框架，你能构建会写代码、运行代码、自我评估的AI代理。课程教你如何安全地让AI执行代码、构建多代理协作系统、以及评估代理性能。这些AI代理不仅能生成代码，还能在沙箱环境中测试代码，发现问题时会自动修正。对于自动化编程任务来说，这种能力确实很有用。
构建 AI 浏览器智能体
链接： https://www.deeplearning.ai/short-courses/building-ai-browser-agents/
这门课教你构建能自主操作网页的AI代理。AI能根据自然语言指令自动浏览网站、抓取信息、填写表单等。课程还介绍了AgentQ框架，这是一个通过蒙特卡洛树搜索和自我纠错机制来提升AI决策能力的系统。虽然这种技术还在发展阶段，准确性有限，但已经能处理一些基本的网页操作任务了。
特定工具深度应用
Claude Code：一个高度智能的编程助手
链接： https://www.deeplearning.ai/short-courses/claude-code-a-highly-agentic-coding-assistant/
这门课介绍如何使用Claude Code这个AI编程工具。Claude Code不只是简单的代码生成，它能理解整个项目结构、跨会话记住上下文、主动规划开发任务，甚至连接GitHub来处理实际的开发工作流。课程会教你如何配置CLAUDE.md文件、使用各种命令控制上下文、让AI进行代码重构和测试等。对程序员来说，这确实能显著提升开发效率。
高级提示技巧
11 推理模型o1提示工程
链接： https://www.deeplearning.ai/short-courses/reasoning-with-o1/
o1模型是OpenAI推出的"会思考"的AI模型，它在处理复杂问题时会先进行内部推理再给出答案。这门课由OpenAI的人员亲自讲解，介绍了o1模型的工作原理、如何利用强化学习来训练推理能力，以及怎么针对o1的特点来设计提示。确实，o1在数学、编程、分析等任务上的表现比普通模型好很多，但也有自己的使用技巧。
12 提示压缩与查询优化
链接： https://www.deeplearning.ai/short-courses/prompt-compression-and-query-optimization/
这门课教你如何优化RAG应用的性能和成本。你能学会结合向量搜索和传统数据库操作，使用预过滤、后过滤和投影技术来加快查询速度和优化输出结果。更重要的是，课程还教你提示压缩技术，在保持效果的前提下减少提示长度，降低大型应用的使用成本。对于需要处理大量查询的生产环境来说，这些优化技巧确实很实用。
13 视觉模型提示工程
链接： https://www.deeplearning.ai/short-courses/prompt-engineering-for-vision-models/
这门课专门讲如何与能处理图像的AI模型交互。除了文字提示，你还能学会使用像素坐标、边界框、分割掩码等方式来指导AI理解和处理图像。课程涵盖了不同类型的视觉任务和相应的提示技巧，对于需要处理图片、图表或者视觉设计的工作来说挺实用的。
前沿技术探索
构建生产级语音智能体
链接： https://www.deeplearning.ai/short-courses/building-ai-voice-agents-for-production/
这门课教你构建能听会说的AI助手，课程以Andrew Avatar项目为例，这是一个能用Andrew Ng声音回答问题的语音AI。你能学会语音交互的完整流程设计、如何部署到云端支持多用户、以及优化语音识别和合成的技术细节。语音AI比文字AI复杂很多，涉及语音处理的各个环节，但交互体验确实更自然。
使用 Anthropic 构建计算机使用能力
链接： https://www.deeplearning.ai/short-courses/building-towards-computer-use-with-anthropic/
这门课介绍Anthropic的Computer Use功能，让AI能像人一样操作计算机界面。AI能看懂屏幕内容、点击鼠标、输入文字，完成各种计算机操作任务。课程涵盖多模态提示技巧、提示缓存优化、工具使用进阶等技术细节。虽然这个技术还在早期阶段，操作准确性有限，但已经能处理一些基本的界面操作了。
我的学习建议
按照学习的自然进程，我建议这样的顺序：
第一阶段：基础建立AI Python入门 → ChatGPT提示工程 → Transformer工作原理
这三门课能让你从零开始理解AI，学会基本的编程和提示技巧，然后了解AI的工作原理。
第二阶段：框架掌握LangChain → LlamaIndex → MCP
学会主流的AI应用开发框架，掌握文档问答和数据连接的核心技能。
第三阶段：智能体开发多智能体系统 → AI编程智能体 → AI浏览器智能体
从简单的多智能体协作开始，逐步学习更复杂的自主智能体开发。
第四阶段：深度应用和优化技巧Claude Code → o1提示工程 → 提示压缩与查询优化 → 视觉模型提示工程
针对特定工具和高级模型的深度使用技巧。
第五阶段：前沿探索语音智能体 → Computer Use
体验最新的AI技术发展方向。
需要提醒的是，虽然这些课程都是免费的，但大部分都需要你有一定的编程基础，会涉及实际的代码编写和调试。如果你完全没有编程经验，建议先从AI Python入门开始，打好基础再学其他课程。
吴恩达老师在AI教育普及方面确实做了很多贡献，从2011年推出机器学习公开课开始，到现在的DeepLearning.AI，一直在让更多人能接触到高质量的AI教育资源。这些课程的质量确实不错，值得认真学习。
