我坐下来，认真通读了 GitHub 上 AI 学习类收藏数最高的五个仓库——不只是 README，而是真正的课程内容、Notebook 和结构设计。这篇文章告诉你它们分别覆盖什么、有何不同，以及如何把它们串成一条路径，而不是五个互不相干的书签。

01 · f/prompts.chat — 建立直觉的起点

⭐ 163k Stars｜Forks 21.2k｜协议：CC0 + MIT

🔗 https://github.com/f/prompts.chat

最初是一份 ChatGPT 角色提示词的清单，如今已演变成完整平台：可自托管的 Web 应用、MCP 服务器支持、Claude 插件和交互式电子书。提示词本身属于公共领域，任何人都可以部署、贡献或浏览。

核心洞见： 把模型定位成某一类特定角色（Linux 终端、辩论对手、资深代码审查者、苏格拉底式导师），对输出质量的影响远超其他任何单一技巧。在系统学习提示词工程理论之前，花 30 分钟在这里，你会凭直觉就明白"为什么提示词这么重要"。

定位： 学习路径的入口，不是终点。把它当作建立直觉的热身，而不是深度学习的目的地。

02 · dair-ai/Prompt-Engineering-Guide — 理论与机制

⭐ 74.6k Stars｜Forks 8.1k｜协议：MIT

🔗 https://github.com/dair-ai/Prompt-Engineering-Guide

网站：promptingguide.ai

覆盖范围已远超"提示词工程"本身，包括：零样本与少样本提示、思维链与思维树、上下文窗口管理、检索增强生成（RAG）、智能体设计模式、多模态提示，以及对抗性提示。论文部分还链接了一手研究资料。

核心价值： 大多数提示词内容只告诉你"怎么做"，这个仓库试图解释"为什么有效"。"思维链能改善输出"和"思维链通过让中间步骤显式化来激活模型的潜在推理能力"——这两种理解的差距，决定了你能否举一反三，而不只是照猫画虎。

提示： 如果你在 2023 年看过这个仓库就划走了，现在值得重新翻一遍，范围已经大幅扩展。

03 · anthropics/courses — 官方第一手实操课程

⭐ 21.3k Stars｜Forks 2.2k｜语言：99.9% Jupyter Notebook

🔗 https://github.com/anthropics/courses

Anthropic 官方出品，共 5 门课程，全部可运行的 Jupyter Notebook：

# 课程名称
1 Anthropic API 基础
2 提示词工程交互教程
3 真实场景提示词实践
4 提示词评估（Evals）
5 工具调用（Tool Use）

为什么值得学： 第一方材料，反映 API 的真实行为，而不是某人 18 个月前写的 Medium 博客。Prompt Evaluations 课程尤其被低估——大多数人构建 AI 应用时完全跳过 Evals，然后不明白为什么质量这么不稳定。Tool Use 课程是你读了所有 Agent 理论之后的实践配套。

git clone https://github.com/anthropics/courses.git
cd courses
jupyter notebook

注意： 课程内容专注于 Claude。如果你在做跨模型开发，把这里当作参考实现，再自行适配。

04 · microsoft/generative-ai-for-beginners — 最完整的结构化课程

⭐ 111k Stars｜Forks 57.7k｜协议：MIT｜50+ 语言翻译

🔗 https://github.com/microsoft/generative-ai-for-beginners

微软 Cloud Advocates 出品，21 课系统覆盖生成式 AI 全栈。每课交替采用 "Learn（概念）+ Build（代码）" 结构，包含视频介绍、书面说明，以及 Python 和 TypeScript 双语实现。

21 课内容一览：

课程设置 / GenAI & LLM 入门 / 模型对比选型 / 负责任 AI /
提示词工程基础 / 高级提示词 / 文本生成应用 / 对话应用 /
搜索与向量数据库 / 图像生成 / 低代码 AI / 函数调用 /
AI 应用 UX 设计 / AI 安全 / GenAI 应用生命周期 /
RAG 与向量数据库 / 开源模型与 Hugging Face / AI 智能体 /
微调 LLM / 构建 SLM / 构建 Mistral / 构建 Meta 模型

核心价值： 这是列表中唯一将负责任 AI、AI 应用 UX 设计、AI 安全和应用全生命周期作为正式课程模块的仓库。大多数面向开发者的课程完全跳过产品层和安全层——这里没有。

# 稀疏克隆，跳过 50+ 个翻译文件夹
git clone --filter=blob:none --sparse https://github.com/microsoft/generative-ai-for-beginners.git
cd generative-ai-for-beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

注意： 微软生态偏向明显，示例多指向 Azure OpenAI Service 和 GitHub Models。课程本身列出了多种选项，但如果你完全在这个生态之外，需要自行适配。

05 · mlabonne/llm-course — 深入内核的进阶之路

⭐ 78.6k Stars｜Forks 9.1k｜协议：Apache-2.0

🔗 https://github.com/mlabonne/llm-course

三轨并行，从使用到理解再到构建，覆盖 LLM 的完整深度：

🔷 Track 1 · LLM 基础（可选）

线性代数、微积分、概率论、Python for ML、神经网络、NLP 基础。有相关背景可跳过，遇到盲区时用作参考。

🔶 Track 2 · LLM 科学家（如何构建）

LLM 架构与分词、预训练机制、后训练数据集、有监督微调（LoRA / QLoRA / Axolotl / Unsloth）、偏好对齐（DPO / GRPO / PPO）、评估、量化（GGUF / GPTQ / AWQ），以及模型合并、多模态、测试时计算扩展等前沿方向。

🔹 Track 3 · LLM 工程师（如何部署）

API vs 本地运行、向量存储构建、RAG 流水线、基于智能体的高级 RAG、AI 智能体（MCP / A2A / LangGraph / LlamaIndex / CrewAI）、推理优化（Flash Attention / KV 缓存 / 投机解码）、从本地到生产的部署、安全（提示注入 / 后门 / 红队测试）。

所有主要章节均配有可运行的 Google Colab Notebook。作者还基于本课程合著了《LLM Engineer's Handbook》（Packt 出版），课程本身永久免费。

提示： LLM 科学家轨需要具备运行训练任务的能力。如果你只是想构建应用，直接去 LLM 工程师轨。可选基础部分是有原因的——它真的是可选的。

五个仓库如何拼成一条路径

阶段 仓库 目的
🌱热身 prompts.chat 30 分钟建立提示词直觉
📖理论 Prompt-Engineering-Guide 技巧背后的机制，RAG 和 Agent 概念
🔧实操 anthropics/courses 含 Evals 和 Tool Use 的动手实现
🏗️全栈 generative-ai-for-beginners 从基础到部署的完整结构化课程
🔬深挖 mlabonne/llm-course 理解并改造模型，而不只是使用它

这五个仓库之间的内容重叠是刻意设计的。在你真正动手实现 RAG 之前，从三个不同角度（Guide、Anthropic 课程、微软课程）看到它被解释，比只看一次更有价值。mlabonne 的课程是唯一深入预训练和量化机制细节的——其他所有课程都假设你在模型之上构建，而不是在模型之下探索。

收藏不等于学习。选一条路，从第一步开始。