市面上不缺 AI 课。缺的是一条知道自己每天该做什么、做完能留下什么、 哪里容易踩坑的路线。我们把散落的路径、工具、认证和真实口碑重新整理成可以照着走的地图。
不追热点标题，只挑对选课和动手真正有影响的变化。
免费开源 / 大厂认证 / 线上训练营 / 脱产班 / 知识付费 / 高管班 —— 拿它们互相比价没有意义。
同一个“AI 课”标签下，有人花 49 元买引流课，有人花 27,980 元买脱产就业班， 也有人只看 Datawhale 的开源教程。价格跨了三个数量级，交付物完全不同。 我们按“你最终要拿到什么”重新做了分类，而不是按机构大小排榜。
八个分类，三处名称一致：导航栏、这里、页脚。不堆课程，只给入口。
从零基础到能跑通智能体，按周拆开，每一段都有可检查的产出。
看路线 →不列“100 个 AI 工具”，只留真正进工作流的那些，附替代方案。
看实测 →从单步调用到多智能体编排，重点在工具设计、异常处理与日志。
看项目 →把曝光帖评论区的话术模板拆开给你看，先知道坑长什么样再花钱。
看避坑 →人社职业技能等级 / 大厂认证 / 国际专项，怎么查、怎么对补贴。
看核验 →打卡、结对、项目互评。一个人容易断，一群人能把交付物熬出来。
看共学 →看企业真实要求，而不是机构编的“人才缺口”。把项目对到 JD 上。
看对接 →Datawhale、fast.ai、Hugging Face、DeepLearning.AI 短课，能用就不花。
看免费 →热点会过去，但这些变化会影响你接下来半年怎么选课。
智能体、大模型研发与 AI 安全是缺口最大的方向，但“缺人”不等于“零基础也能进”。
免费开源、大厂认证、线上训练营、脱产班、知识付费、高管班，先认池子再认课。
AI 概念 + 伦理 + Python / pandas，不急着冲模型，先把数据处理的手感建立起来。
52,295 条评价里的 97% 正向反馈，说明“非技术入门”这件事仍然被严重低估。
任何纯录播技术课都要先回答：同样的 RAG / 微调，为什么不去看开源教程。
选定场景 → 设计多步任务 → 接工具 → 加异常与日志。能讲清边界，比背原理有用。
不保证速度，但保证每一段结束时你手里有东西。顺序可以跳，缺口要补。
AI 核心概念、伦理框架、基础统计直觉，然后进入 Python 与 pandas。先学会和数据结构相处。
产出：一份能跑通的数据清洗 notebook把统计和 Python 接起来，用 scikit-learn 跑回归、分类，理解评估指标背后的取舍。
产出：一个带交叉验证的完整建模项目PyTorch、Transformer 基础，然后用 OpenAI API / Hugging Face 以编程方式接模型。
产出：一个可演示的模型调用与提示工作流RAG、工具调用、编排、异常兜底与日志。从“能跑”到“敢放进生产流程”。
产出：一条带失败处理的可演示智能体链路不给你“靠谱机构清单”，给你自己判断的能力。
评论区扣 AI、私信发清单、先加微信再说 —— 真正做内容的人，不需要你先交出联系方式。
人社职业技能等级证书可在 jndj.osta.org.cn 查四要素；大厂认证去原厂官网；国际证书看发证机构本身。
27,980 元的脱产班和 4,680 元的线上课可能教同一套 RAG / 微调。差价买的是场地、班主任和推荐，不是知识密度。
AI 是动手学科。没有可检查的产出、没有边界讨论、没有失败案例拆解的课程，很难撑过第三周。
不筛“好评”，只挑有具体信息量的。
花两万学了两个月，最大的收获不是课本身，是逼自己把项目跑通了。但如果重来，我会先用开源路线试一个月再决定要不要付费。
AI for Everyone 我刷了两遍。不是技术课，但它让我在和工程师开会时知道该问什么问题，这比会写 for 循环有用。
Udacity 的 Agentic AI 项目量很大，但做完之后面试时能讲清楚“为什么这里要加重试、那里要拆工具”，比证书管用。
Datawhale 的组队学习救了我。一个人看 LLM 教程很容易停在“收藏”，有人催着交作业的时候，RAG 就真的跑起来了。
49 块的课点进去像看广告，后面全是推年课的钩子。后来学乖了：先看有没有可运行的代码，再看销售话术多不多。
DataCamp 的按小时刷技能路径很适合在职的人，不用追长课。但想要深度，还是得自己啃论文和开源代码。