外观
精选资源清单
AI 热门概念领域每年冒出成百上千个新项目、新课程、新榜单，信息量远超一个人能消化。本页从六个维度——官方文档与 API、学习课程、必读书籍、高质量博客、开源工具与框架、社区与榜单——精选出真正值得投入时间的资源，每条给出一句话定位与官方入口，链接均逐一核验（截至 2025 年 6 月）。
使用建议
这份清单与本站 学习路径 配套使用：先在本站建立概念骨架（从 什么是 AI 热门概念 和 术语表 开始），再把本页的资源当作"外挂补给站"。贪多嚼不烂——选一条主线吃透，胜过收藏一百个链接。
一、官方文档与 API
做 LLM 应用的第一步是"会用 API"。主流厂商的文档风格各异，但都包含三件套：快速开始、API 参考、最佳实践。学会读官方文档，比追任何二手教程都可靠。
| 名称 | 类型 | 一句话介绍 | 链接 |
|---|---|---|---|
| OpenAI Platform | 官方文档 + API | ChatGPT 背后的模型与 API 权威文档，覆盖 GPT 系列、多模态、微调、函数调用、实时 API | platform.openai.com/docs |
| Anthropic 文档 | 官方文档 + API | Claude 系列模型的官方入口，Claude Code、提示词缓存、MCP 支持等前沿能力的首发文档 | docs.claude.com |
| Google Gemini API | 官方文档 + API | Gemini 模型（含超长 1M 上下文）的官方开发者文档，配套 AI Studio 在线调试 | ai.google.dev |
| DeepSeek API | 官方文档 + API | 国产开源模型 DeepSeek 的官方 API 文档，价格低、开源模型可自部署，是工程实践高性价比选择 | api-docs.deepseek.com |
| 阿里云百炼（通义） | 官方文档 + API | 通义千问系列模型的国内官方入口，提供模型服务、RAG 搭建与 Agent 编排的一站式平台 | help.aliyun.com/zh/model-studio |
| Mistral AI 文档 | 官方文档 + API | 欧洲头部开源模型厂商，文档简洁、模型可自托管，适合做"开源为主、API 为辅"的架构 | docs.mistral.ai |
用文档的姿势
先花 30 分钟跑通 Quickstart，再带着具体问题查 API Reference，最后用官方 Cookbook/Examples 当模板改自己的代码。不要从头通读文档。各家的模型清单、价格、上下文窗口对照见本站 模型与榜单速查。
二、学习课程
课程的价值在"系统性"：有人替你排好了学习顺序。这个领域的免费好课密度极高，按"入门 → 应用 → 底层"三个梯度各选一门即可。
| 名称 | 类型 | 一句话介绍 | 链接 |
|---|---|---|---|
| 吴恩达《ChatGPT Prompt Engineering for Developers》 | 视频短课（约 1.5 小时） | DeepLearning.AI 最经典的一门免费课，用代码示例把提示词工程的关键技巧讲透，LLM 应用入门第一课 | deeplearning.ai 课程页 |
| 《Building Systems with the ChatGPT API》 | 视频短课（约 1 小时） | 吴恩达与 OpenAI 合作的进阶课，讲如何把单次调用组装成可用的对话系统与多步链路 | deeplearning.ai 课程页 |
| Hugging Face NLP Course | 免费图文课程 | 从微调 BERT 到训练自己的 LLM，全程基于 Transformers 生态的官方教学体系，开源模型入门必读 | huggingface.co/learn/nlp-course |
| fast.ai《面向程序员的实用深度学习》 | 免费视频 + 书 | "先跑通模型再拆开看"的自上而下教学法，几节课就能训出自己的模型，动手派首选 | course.fast.ai |
| 李沐《动手学深度学习》 | 免费书 + 视频 | 每个公式都配可运行代码的中文深度学习第一教材，B 站有完整中文讲解视频 | zh.d2l.ai |
| Karpathy《神经网络：从零到英雄》 | 免费视频系列 | 全程手写代码从零构建 GPT（含 Tokenizer、反向传播），把"大模型内部到底怎么算"讲得最透 | karpathy.ai/zero-to-hero.html |
课程怎么选
零基础想快速上手 LLM 应用：先上吴恩达提示词课 + Building Systems，一两天就能搭出像样的 demo；要深入原理：Hugging Face NLP Course 吃透微调，Karpathy 视频打通底层；中文环境：D2L 一路到底。课程之间不必全刷，主线选一条即可。
三、必读书籍
书的价值不在"新"，而在体系完整、推导严谨。LLM 领域的书更新极快，选书时优先挑"有免费官方渠道"或"作者即领域权威"的。
| 名称 | 类型 | 一句话介绍 | 链接 |
|---|---|---|---|
| 《Speech and Language Processing》（Jurafsky & Martin） | 教科书 | NLP 领域的圣经级教材，第三版在线免费阅读，从语言模型一直讲到 Transformer 与 LLM 时代 | web.stanford.edu/~jurafsky/slp3 |
| 《深度学习》（"花书"，Goodfellow 等） | 教科书 | 深度学习奠基之作，前三章把线性代数与概率一次补齐，官方免费在线阅读 | deeplearningbook.org |
| 《Build a Large Language Model (From Scratch)》（Sebastian Raschka） | 实战书 | 手把手从零写出一个 GPT：分词、注意力、预训练、微调、对齐全流程，代码仓库完全开源 | github.com/rasbt/LLMs-from-scratch |
| 《Understanding Deep Learning》（Simon Prince） | 免费教科书 | 2023 年的免费深度学习教育，图文并茂、数学严谨，被多所大学用作教材，含扩散模型章节 | udlbook.github.io/udlbook |
| 《Deep Learning for Coders with fastai and PyTorch》 | 实战书 | fast.ai 课程配套教材，从零到图像生成模型全部可运行，GitHub 全文免费 | github.com/fastai/fastbook |
读书建议
先"按需查阅"而非"通读"：花书第 1-5 章当数学字典查，SLP 当 NLP 词典查。想系统跟一遍训练流程，Raschka 的书是最佳主线——它把"预训练 → 微调 → 对齐"整条链路串起来，与本站 微调你自己的 LLM 正好互补。
四、高质量博客
博客是"时效性"与"深度"的平衡点：比论文好读，比课程及时。下面几位作者几乎每篇都是领域内传阅级文章。
| 名称 | 类型 | 一句话介绍 | 链接 |
|---|---|---|---|
| The Bitter Lesson（Rich Sutton） | 经典短文 | 强化学习之父 2019 年的著名论断："算力与数据永远胜过人类先验知识"——理解 AI 进化的必读原文 | incompleteideas.net |
| Lil'Log（Lilian Weng） | 技术博客 | OpenAI 研究员的博客，对 LLM、Agent、扩散模型、安全的系统综述堪称"免费的论文地图" | lilianweng.github.io |
| Simon Willison's blog | 技术博客 | 独立开发者兼观察家，几乎每天记录 LLM 工具与生态的最新玩法，工程实践与行业观察并重 | simonwillison.net |
| Jay Alammar《The Illustrated Transformer》 | 图解博客 | 全网最著名的 Transformer 图解，无数人的"Attention 入门第一课"，同系列还有 Illustrated GPT-2 | jalammar.github.io/illustrated-transformer |
| Sebastian Raschka 博客 | 技术博客 | 前面那本 LLM 书作者，每周更新的 LLM 技术评述，紧跟微调、对齐与推理的最新研究 | magazine.sebastianraschka.com |
| 机器之心 | 中文资讯 | 中文世界论文解读质量最高的 AI 媒体，英文资源看不懂时的可靠中转站 | jiqizhixin.com |
阅读节奏
每天 15 分钟扫 arXiv 标题或 Simon Willison；每周精读一篇 Lil'Log 或 Raschka 的综述；用到再查 Jay Alammar 的图解。博客解决"我该信什么"，论文解决"凭什么"——前者是入口，后者才是能力。
五、开源工具与框架
做 RAG、Agent 与部署，本质是在这些工具上做组合。先想清楚"我要解决什么问题"，再选框架，避免为了用框架而用框架。
| 名称 | 类型 | 一句话介绍 | 链接 |
|---|---|---|---|
| LangChain | 框架（LLM 编排） | 最流行的 LLM 应用编排框架，链式封装调用、提示、记忆与工具，生态最大但抽象层较厚 | python.langchain.com |
| LlamaIndex | 框架（数据接入） | 专注"把数据接进 LLM"的框架，文档解析、索引、检索的深度胜过 LangChain，RAG 场景首选 | docs.llamaindex.ai |
| LangGraph | 框架（Agent 编排） | LangChain 团队推出的图式 Agent 框架，以状态机管理多步工具调用，2025 年 Agent 开发的主流选择 | langchain-ai.github.io/langgraph |
| vLLM | 推理引擎 | 开源 LLM 推理服务的事实标准，PagedAttention 让吞吐量数倍提升，自部署模型的默认底座 | github.com/vllm-project/vllm |
| Ollama | 本地运行工具 | 一条命令在本地跑起 Llama/Qwen 等开源模型的工具，学习与原型验证零门槛 | ollama.com |
| Hugging Face Transformers | 模型库 | 开源模型的事实标准库，几乎所有主流模型都有官方权重与调用接口，研究复现的起点 | huggingface.co/docs/transformers |
框架怎么选
起步：Ollama 跑本地模型 + 直接写几十行 Python 调用，别急着上框架；做 RAG 应用：LlamaIndex 起步，完整流程见 从零搭建 RAG 应用；做多工具 Agent：LangGraph；上线部署：vLLM，完整方案见 部署与推理优化实战。先用裸代码理解原理，再用框架提效。
六、社区与榜单
判断"哪个模型更强、哪个方向值得追"，靠榜单与社区而非公众号。下面四个入口覆盖"论文、榜单、代码、讨论"四个层次。
| 名称 | 类型 | 一句话介绍 | 链接 |
|---|---|---|---|
| Hugging Face | 模型社区 | 开源模型与数据集的"GitHub"，模型卡片、下载、在线推理一站式，前沿模型首发地 | huggingface.co |
| LMArena（原 Chatbot Arena） | 模型榜单 | 斯坦福/UC Berkeley 等机构维护的"盲测投票"榜单，人类偏好最可信的模型排行榜 | lmarena.ai |
| arXiv | 论文仓库 | 所有 AI 论文的首发地，重点订阅 cs.LG、cs.CL、cs.CV 三个类别的每日列表 | arxiv.org |
| Papers with Code | 论文目录 | "这篇论文有没有开源实现、在哪些基准上排第几"的权威索引，读论文前先查它 | paperswithcode.com |
| GitHub Trending | 社区 | 开源项目热点榜，每天扫一眼能最快感知工具生态的潮水方向 | github.com/trending |
榜单怎么看
模型横向对比请认准 LMArena 的人类盲测和本站整理的 模型与榜单速查；但记住三条：一是榜单分数是"统计平均"，不等于你的任务表现；二是开源模型换榜极快，别把某次排名的"第几名"当成永恒结论；三是自己任务上的评测才是最终裁判，方法见 搭建一套 LLM 评估。
使用建议：按角色推荐组合
不同角色目标不同，资源组合也应不同。下表给出三套"主线组合"：
| 角色 | 主线组合 | 建议节奏 | 本站配套 |
|---|---|---|---|
| 入门者（刚接触，想搞懂 LLM 是什么、能做什么） | 吴恩达提示词课 → Hugging Face NLP Course → Ollama 本地跑通一个开源模型 | 2~4 周；先动手再补理论 | 什么是 AI 热门概念 + 学习路径 + 术语表 |
| 工程师（做 RAG/Agent/部署，解决业务问题） | 官方 API 文档（任选一家）→ LlamaIndex/LangGraph 做应用 → vLLM 部署 | 以项目为周期；文档为主、博客为辅 | 从零搭建 RAG 应用 + 部署与推理优化实战 + 常见陷阱 |
| 研究者（读论文、复现、跟进前沿） | Karpathy 底层课程 → Raschka 全书 → arXiv + Lil'Log 定期精读 → HF Transformers 复现 | 每周固定 3~5 小时跟论文 | 论文精读 + 模型与榜单速查 + 前沿进展 |
最后一条建议
所有资源里最常被忽略的其实是官方文档本身。二手教程会过期，文档会随版本更新；遇到"教程说的和报错对不上"，回文档、看 changelog、读源码——这是工程师和研究者的分水岭。需要数据集做实验时，本站另有 数据集与工具档案 可查。
延伸阅读
- 学习路径：三条路线 —— 本页资源对应的学习节奏总表
- 模型与榜单速查 —— 各模型与 API 的一页纸对照
- 数据集与工具档案 —— 练手与实验用数据集
- 术语表 —— 资源里遇到的生词在这里查
- 从零搭建 RAG 应用 —— 把资源变成作品的第一个项目
- 搭建一套 LLM 评估 —— 用资源之前先学会评价模型
- 论文精读：从这里开始 —— 从资源过渡到原论文的桥梁
参考资料
- DeepLearning.AI 短课程列表 —— deeplearning.ai/short-courses
- Hugging Face 学习中心 —— huggingface.co/learn
- Simon Prince《Understanding Deep Learning》官方主页 —— udlbook.github.io
- Sebastian Raschka《Build a Large Language Model》官方仓库 —— github.com/rasbt/LLMs-from-scratch
- LMArena 官方博客（榜单方法论） —— lmarena.ai/blog
- arXiv 官方主页 —— arxiv.org
- Ollama 官方模型库 —— ollama.com/library