别再乱存AI工具了:这24个资源,够你从选模型到做项目-夜雨聆风

别再乱存AI工具了:这24个资源,够你从选模型到做项目

AI认知增量 · AI资源地图

我先说句实话：现在学AI，最累的不是没资源，而是资源太多。

你随便刷一下，就能看到“100个AI工具”“300个开源项目”“全网最全提示词”。标题都很猛，收藏也很爽，但过两天真要用的时候，还是会卡住：我到底先点哪个？

所以这篇不再继续给你塞资源。它更像一张少走弯路地图：你不用一次看完24个，可以先从自己的问题出发，直接跳到最相关的那一段。

筛选标准很朴素：尽量来自官方文档、官方仓库、权威课程或大量开发者真的在用的平台；资源还在更新；并且能解决一个具体问题。

把这篇当成书签页，不用当成考试资料。今天不用看完24个，先打开最相关的一节就够了。

访问提醒

这份清单里有不少海外官方站点，比如GitHub、Hugging Face、OpenAI、Anthropic、Google、Kaggle等。国内网络环境下，部分页面可能打开慢，甚至临时打不开。我不会在每条链接后面反复提醒；遇到打不开的资源，可以先记资源名，稍后再试，或先看第06节的Datawhale、Qwen、本地部署路线。

01 先看你现在最需要哪一类资源

下面不是给你贴标签，而是帮你少翻几页。有人关心模型选择，有人想搞懂Agent/MCP，有人想动手做项目，也有人只是英文资料看起来吃力。你可以先挑最贴近当前需求的一行，再顺着对应章节往下读。

先按你的问题选阅读路径

不知道该用哪个模型	Artificial Analysis、OpenRouter、Arena，更适合从第02节开始。
想理解Agent/MCP是什么	MCP官方文档、VS Code MCP、Microsoft AI Agents，更适合从第03节开始。
想用AI写代码或做项目	OpenAI Cookbook、Claude Cookbooks、Aider/Cline，更适合从第04节开始。
英文资料看起来吃力	Hugging Face中文课程、Datawhale LLM Universe、Self-LLM，可以直接跳到第06节。
刚入门，想先补基础	Kaggle Learn、Microsoft Generative AI for Beginners、DeepLearning.AI短课，更适合从第05节开始。

这张表就是本文的导览。你只想选模型，读完第02节就可以停；你只想做项目，直接跳第04节；英文压力大，先看第06节，不丢人，也更实际。

后面的四步只是地图：先看清这一类资源解决什么问题，再决定要不要收藏完整清单。

第一步	看模型榜单：知道谁更强、谁更便宜、谁更快。
第二步	看论文和资讯：建立AI趋势感。
第三步	学Agent和MCP：理解模型如何接工具和数据。
第四步	跑Cookbook和课程：做出一个小项目。

先学会判断模型，再学会调用工具，最后做出一个能复用的小项目。

02 第一站：先学会“看模型”

模型更新太快，普通人不需要每天追第一名，更需要学会看几个固定维度：它聪不聪明、快不快、贵不贵、上下文够不够、有没有真实用户在用。把这一组当成“买车前看评测”，不是排行榜爽文。

图源：Artificial Analysis LLM Leaderboard真实页面截图

1. Artificial Analysis LLM Leaderboard

入口：https://artificialanalysis.ai/leaderboards/models

适合做模型选型。它把智能、价格、速度、延迟、上下文窗口放在一起比较，比单看厂商宣传更稳。

2. OpenRouter AI Model Rankings

入口：https://openrouter.ai/rankings

适合看OpenRouter站内真实使用热度。它基于站内benchmark和平台调用数据，不应等同于全网模型市场份额。

3. Arena AI Leaderboard

入口：https://arena.ai/leaderboard

覆盖Text、Code、Vision、Document、Image、Video等榜单，不只看文本聊天。

4. Hugging Face Trending Models

入口：https://huggingface.co/models?sort=trending

适合观察开源、开放权重和社区托管模型动向，尤其是Qwen、DeepSeek、Kimi、Gemma等模型的社区热度。

5. Hugging Face Daily Papers

入口：https://huggingface.co/papers

比直接刷arXiv更适合快速扫热点，适合看今天大家在研究什么。

6. arXiv cs.AI Recent

入口：https://arxiv.org/list/cs.AI/recent

一手预印本入口，适合查源头和看趋势；很多论文尚未同行评审，不适合直接当成已经验证的结论库。

7. DeepLearning.AI The Batch

入口：https://www.deeplearning.ai/the-batch/

每周AI新闻与洞察，适合建立趋势感，减少碎片资讯噪音。

提醒：榜单是动态变化的，不要把某一天的排名当成永久结论。榜单真正的价值，是训练你看模型的维度。

03 Agent和MCP：先理解成“给AI接插座”

模型本身像一个很聪明的人，MCP像一套标准插座，让它能更稳定地接文件、数据库、浏览器、Git、API这些工具。Agent则更像“会自己拆任务的人”，它不只是回答你一句话，而是能规划、调用工具、检查结果。

你不用一上来就写Server。先看懂这套关系，已经比很多“装了很多插件但不知道风险在哪”的人更稳了。

图源：Official MCP Registry，真实页面截图

8. Model Context Protocol官方文档

入口：https://modelcontextprotocol.io/

理解MCP是什么，先看这里。它是连接AI应用和外部系统的开放标准。

9. Official MCP Registry

入口：https://registry.modelcontextprotocol.io/

官方Registry展示大量近期更新的MCP服务器，比到处搜零散清单可靠；但收录和近期更新不等于安全背书。

10. VS Code MCP Servers文档

入口：https://code.visualstudio.com/docs/copilot/chat/mcp-servers

讲清楚如何添加、管理、信任和沙箱化MCP服务器，安全提醒非常具体。

11. modelcontextprotocol/servers

入口：https://github.com/modelcontextprotocol/servers

官方参考服务器仓库，包含Filesystem、Git、Memory、Fetch、Time等样例，适合学习协议和SDK用法，不应直接等同于生产级方案。

12. Microsoft MCP for Beginners

入口：https://github.com/microsoft/mcp-for-beginners

微软开源课程，覆盖多语言实现、安全、调试、部署和实战模块。

13. Microsoft AI Agents for Beginners

入口：https://github.com/microsoft/ai-agents-for-beginners

覆盖Agent设计模式、工具使用、Agentic RAG、多Agent、MCP、Context Engineering等主题。

14. Hugging Face Agents Course

入口：https://github.com/huggingface/agents-course

包含smolagents、LangGraph、LlamaIndex、Agentic RAG和最终项目，适合实操。

15. GitHub Copilot Agents文档

入口：https://docs.github.com/en/copilot/concepts/agents

适合理解AI编程Agent、agentic memory、skills、third-party agents等工作流概念。

MCP安全提醒

MCP Server能让AI访问文件、浏览器、数据库、API、云服务。能力越强，权限风险越高。

不要看到热门清单就直接安装。先确认来源、权限、是否接触密钥和私密文件，能否在沙箱或只读模式下试用。配置时不要把API Key明文写进共享文件，优先使用环境变量、只读权限、沙箱或测试目录。

04 想真正有体感，就去跑Cookbook

只看课程不动手，很容易学成“AI概念收藏家”。Cookbook通常有可复制代码、API示例、常见任务拆法，比泛泛教程更接近真实开发。

图源：GitHub仓库页面，openai/openai-cookbook真实截图

16. OpenAI Cookbook

入口：https://github.com/openai/openai-cookbook

官方示例仓库，覆盖常见API任务、工具调用、RAG、评估等实践。

17. Claude Cookbooks

入口：https://github.com/anthropics/claude-cookbooks

官方代码和指南，包含tool use、RAG、vision、sub-agents、evals、prompt caching等。

18. Google Gemini Cookbook

入口：https://github.com/google-gemini/cookbook

覆盖Gemini API、多模态、Grounding、Code execution、Live API等示例。

19. OpenAI Tools文档

入口：https://developers.openai.com/api/docs/guides/tools

解释web search、file search、function calling、remote MCP、skills、shell、computer use等工具能力。

20. Cline

入口：https://github.com/cline/cline

开源IDE Agent，支持读写文件、执行命令、浏览器操作、MCP扩展，并保留人工批准步骤。

21. Aider

入口：https://aider.chat/

终端AI结对编程工具，支持多模型、repo map、Git集成、自动测试和修复流程。

05 课程别贪多，按基础补短板

如果你还没有形成系统知识，就不要只靠碎片文章学AI。下面三类课程分别适合补基础、做应用、追Agent和AI Coding热点。

22. Microsoft Generative AI for Beginners

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

覆盖Prompt、Function Calling、RAG、Open Source Models、AI Agents、Fine-tuning等。

23. DeepLearning.AI Short Courses

入口：https://www.deeplearning.ai/short-courses/

主题覆盖Agents、AI Coding、Prompt、Frameworks、AI Safety等，适合按需快速补课。

24. Kaggle Learn

入口：https://www.kaggle.com/learn

免费课程和指南，包含Python、机器学习、深度学习、计算机视觉、AI Ethics、5-Day AI Agents等。

06 英文压力大，就先从中文路线开始

上面英文资源偏多。对很多中文读者来说，真正能坚持学下去，还需要中文教程、国内网络可访问入口、本地部署和中文社区经验。

图源：GitHub仓库页面，datawhalechina/self-llm真实截图

Hugging Face LLM Course中文版	免费、中文、体系化，覆盖Transformers、Datasets、Tokenizers、Accelerate、Hub。
Datawhale LLM Cookbook	适合中文入门Prompt、RAG、LangChain。
Datawhale Happy-LLM	从Transformer到训练、RAG、Agent，偏原理和从零实现。
Datawhale Self-LLM	适合本地部署、微调、使用开源模型。
Datawhale LLM Universe	围绕个人知识库助手拆解RAG应用开发。
Qwen3官方仓库	提供Hugging Face、ModelScope、Ollama、vLLM、SGLang、llama.cpp等运行部署说明。

07 收藏资源时，用这张判断表

资源会过期，链接会变，模型会换代。真正能长期复用的是判断标准。

来源可信度	官方文档、官方仓库、知名高校/公司/社区优先。
更新活跃度	看页面更新时间、仓库提交、课程新章节。
上手成本	有示例、安装说明、Notebook、API样例，才更容易用起来。
解决问题	能解决选模型、做RAG、学Agent、接MCP、写代码等具体问题。
安全边界	涉及本地文件、密钥、数据库和企业数据时，必须看权限说明。
访问可行性	现在能不能打开；打不开时有没有中文教程、官方仓库、官方备用入口或可搜索的项目名。

08 可直接复制：从24个资源里挑出最该先看的资源

如果你不知道从哪里开始，可以直接复制下面这段，让AI先帮你做减法。

你是我的AI资源筛选助手。

我会给你一份AI资源清单。请你根据我的背景和当前问题，帮我挑出最值得先看的少数几个资源。

我的背景：

– 职业/专业：

– 编程基础：

– 英文阅读能力：

– AI基础：

– 我现在最想解决的问题：

请按以下格式输出：

1. 我先不用看的资源，原因是什么

2. 最值得先看的少数几个资源

3. 每个资源解决什么具体卡点

4. 我第一次打开它时应该看哪一页或哪一个示例

5. 如果看不懂，换哪个更轻量的替代资源

6. 如果当前网络打不开，先看哪个替代资源或用什么关键词搜索

7. 一个判断标准：我怎么知道这个资源真的帮到我了

资源清单如下：

【把本文资源表粘贴到这里】

再给一个更适合开发者的版本。它不是让你立刻做大项目，只是帮你判断哪个资源最容易带来体感。

你是我的AI项目选题筛选助手。

请从下面这些AI资源里，帮我挑出一个最适合先跑通的小项目方向。要求项目方向必须满足：

– 一个明确的输入

– 一个真实的输出

– 至少一次模型API或本地模型调用

– 不需要复杂部署

– 能用一个Cookbook、课程示例或官方文档作为起点

我的技术栈：

【填写Python/JS/后端/前端/无代码基础等】

我想解决的问题：

【填写真实工作或学习痛点】

可用资源：

【粘贴本文中你想用的资源】

请输出：

1. 最适合我先试的1个项目方向

2. 为什么不是另外两个方向

3. 第一次打开哪个资源、看哪一页

4. 做出来后应该长什么样

5. 做不出来时，换哪个更轻量的版本

09 最后：先让一个资源真的帮到你

我现在越来越不相信“全网最全AI资源”这种标题。因为AI变化太快，最全通常意味着很快过期。

真正值得收藏的，是三类入口：底层入口，比如模型榜单、论文、官方文档；实践入口，比如Cookbook、Agent课程、MCP教程；本地化入口，比如中文课程、国内开源模型、本地部署指南。

如果你是零基础，先选Kaggle、Microsoft Generative AI for Beginners、Hugging Face中文课程。

如果你是开发者，先选OpenAI/Claude/Gemini Cookbook、Microsoft AI Agents for Beginners、MCP官方文档。

今天别给自己安排太多任务。只做一件事：挑一个最贴近你当前问题的资源，打开看10分钟。觉得真的有用，再放进书签栏。

如果你身边有人正在问“我想学AI，从哪里开始”，可以把这篇转给他。

评论区可以直接留一个词：模型选型、AI编程、Agent/MCP、本地部署、零基础入门。我会看大家留言最多的方向，把下一篇整理成一份“30分钟能开始”的实操清单。

文 / AI认知增量

参考公开信息：Artificial Analysis、OpenRouter、Arena、Hugging Face、arXiv、DeepLearning.AI、Model Context Protocol、VS Code、GitHub Docs、OpenAI、Anthropic、Google Gemini、Microsoft、Kaggle、Datawhale、Qwen等。榜单和仓库数据会动态变化，发布当天建议再复核关键链接。部分海外网站在国内网络下可能不稳定；如无法打开，优先按资源名称搜索官方项目，或先看第06节中文路线。