这是我给 AI 初学者整理的一份工具清单

AI 学习工具箱 · 从入门到实操

这篇文章只做一件事

普通人别再把学习 AI 变成收藏网页。先选一个真实任务，再找到能让你动手的工具。

7 个工具，分别解决模型学习、真实工作、在线实验、本地运行和成果沉淀。

很多人问我学习AI去哪里学习，觉得自己每次都是这里捡一点那里捡一点很碎片化，不系统，资料已经多到看不完了。

收藏夹里躺着几十篇文章，浏览器里开着十几个网页，手机里装了几个 AI 应用。模型、Agent、RAG、MCP、LoRA 这些词都听过，可真要自己动手时，还是不知道第一步从哪里开始。

这段时间我重新整理了一遍自己的 AI 学习工具箱，主要分为以下几类资源：有的帮你理解开源模型，有的带你完成第一个工作任务，有的提供免费的实验环境，还有的适合把学到的东西留下来。

先推荐我非常喜欢的博主们制作的实践资料也是新手最值得先看的：《魔搭紫皮书》《豆包工作蓝皮书》《workbuddy蓝皮书》，我觉得普通的工作者学完这些就够了，等这些熟悉了，再去用国外那些很火的AI工具会非常顺手。

· · ·

很多人第一次接触开源模型，会卡在几个非常具体的问题上：模型应该去哪里找？下载之后怎么运行？自己的电脑能不能带得动？微调到底是在做什么？模型调完以后，怎么判断它真的变好了？

这些问题单独搜，都能搜到答案，难的是把答案连成一条线。

《魔搭紫皮书》做的事情，就是把这条线整理出来。它是 ModelScope 团队维护的开源模型应用实践指南，GitHub 项目目前按 8 个部分、34 个章节组织内容，覆盖模型选择、推理、数据准备、微调、评测、RAG、AIGC 和 Agent 等主题。

在线阅读地址

modelscope.cn/studios/ms-cookbook-team/ms-cookbook

GitHub 地址

github.com/modelscope/ms-cookbook

它的目录设计比较适合初学者。前面先讲开源模型是什么、如何下载、怎么把业务问题转换成模型任务；接着进入第一次推理、服务器配置、Ollama 和量化；再往后才是数据处理、ms-swift 轻量微调和 EvalScope 评测。

如果你对 Agent 或 AIGC 感兴趣，后面的场景也比较丰富，包括企业知识问答、语音助手、客服质检、AI 健身教练、商品营销图，以及 MCP、Skill 和几个 Coding Agent 的入门实践。

我比较喜欢它的一点，是它没有把“会调用模型”直接等同于“学会 AI”，你需要先明确任务，再选择模型，然后跑出一个基线结果，最后才谈微调和优化。

这对初学者很重要，否则很容易一上来就研究参数，花两天改配置，最后连自己想解决什么问题都没想清楚。

当然，紫皮书也不是完全不需要基础。书中的代码练习会用到 Python、命令行和一定的硬件资源；在线阅读本身不需要安装环境，但具体实验可能需要下载模型、申请服务或使用 GPU。这个边界，项目说明里也写得比较清楚。

我的建议是：不要从第一页一路读到最后。先根据目标选路径。

适合并不想马上研究模型结构，可以快速上手的人群。

他们只是想让 AI 帮自己处理邮件、整理会议记录、写一份报告、做一次资料调研，或者把一堆混乱的文件变成能交付的结果。

对这类读者来说，《豆包工作蓝皮书》或者《WorkBuddy 蓝皮书》会更容易上手；如果进阶点就选择codex或者Gemini。

豆包在线阅读地址

doubaowork.homes

GitHub 地址

github.com/AlephAITech/DoubaoWorkGuide

work Buddy GitHub 开源地址：

github.com/AlephAITech/WorkBuddyGuide

在线阅读：

workbuddy.homes

这是一份围绕豆包工作的中文实践指南，重点放在真实任务和工作流程上。项目目前收录 49 篇指南与案例，内容包括安装登录、连接器、Skill、API、定时任务、多 Agent，以及个人提效、自媒体、知识管理、电商和金融研究等场景。

它和普通的提示词合集不太一样。

提示词合集通常只告诉你“把这句话复制给 AI”。豆包工作蓝皮书更关心一项任务能不能真正交付：输入材料是什么，执行过程怎么走，最后的结果怎么检查，哪些地方可能失败。

比如做一份调研报告，不能只看 AI 能不能生成一篇像样的文字，还要看资料来源是否完整，事实有没有核对，引用是否可追溯，结论能不能被别人复用。

这类内容对职场人很有帮助，因为它把学习目标，从“写出一段文字”拉回到“把事情做成”。

不过，这份蓝皮书是社区作者共同维护的非官方实践指南。豆包工作的功能、权限、界面和可用范围都可能调整，具体操作仍然要以产品当前版本为准。这一点不要忽略。

· · ·

如果说 ModelScope 更适合中文开源模型实践，Hugging Face Learn 更像一所开放的在线课程中心。

它目前提供 LLM、Agents、计算机视觉、音频、扩散模型、深度强化学习、机器人等课程，也有面向开源 AI 的 Cookbook 和练习资料。

入口

huggingface.co/learn

Hugging Face 的价值不只在于“下载模型”。你可以在 Hub 里查看模型卡片、数据集说明和 Spaces 应用，再通过课程理解 Transformers、Datasets、评测和部署这些工具如何串起来。

它更适合已经会一点 Python，想继续往技术方向走的人。如果你完全没有编程基础，不建议第一天就从最复杂的 Agent 课程开始，可以先弄明白数据、模型、推理这几个概念，再进入实操。

很多人把“想学 AI”和“我没有显卡”画上了等号。

其实入门阶段不需要先买一台昂贵的机器。Google Colab 提供浏览器里的 Jupyter Notebook 环境，可以用来运行 Python 代码、加载数据集，也可以在有资源时使用 GPU 或 TPU。

入口

colab.research.google.com

Colab 的优点是打开浏览器就能开始，很多教程也直接提供 .ipynb 文件，复制一份就可以运行。它特别适合做第一次推理、数据处理、简单的模型实验和课程练习。

但不要把“免费 GPU”理解成无限算力。Google 官方说明，免费版本的硬件可用性、运行时长和使用额度会动态变化，也不保证随时有高性能 GPU。实验前把代码和结果保存好，别把唯一一份成果放在临时运行环境里。

如果你不知道怎么把 AI 学习变成一个小项目，Kaggle 是很好的练习场。

Kaggle Learn 提供 Python、Pandas、数据可视化、机器学习、自然语言处理和模型评测等课程，也有 Notebook、数据集和竞赛资源。很多课程被拆成短小的练习，适合每天花半小时推进。

入口

kaggle.com/learn

它的好处是，你不会只停留在看概念。你要打开 Notebook，读数据，改代码，看结果，再解释为什么结果发生了变化。

这一步看起来普通，却是很多人的分水岭。真正开始处理一份数据之后，你会发现，AI 项目里最费时间的往往不是最后那句模型调用，而是数据格式、缺失值、标签质量和评估方式。

Colab 解决的是“没有显卡怎么开始”，Ollama 解决的是“我想在本地跑一个模型”。

Ollama 支持 macOS、Windows 和 Linux。安装后，你可以从终端下载并运行本地模型，也可以通过本机 API 把模型接到自己的程序或 Agent 工具里。

入口

ollama.com

官方快速开始文档

docs.ollama.com/quickstart

它适合做三类练习：把模型跑起来，比较不同模型的回答，再把本地模型接进一个简单应用。

不过，本地运行也有代价。模型大小、内存、显存和速度之间需要做取舍，电脑配置不够时，体验可能会比较慢。涉及隐私资料时，本地运行会多一层控制，但仍然要认真看模型来源、许可证和软件权限。

学 AI 最容易出现的情况，是教程看完了，代码也跑过了，但一个月以后什么都找不到。

GitHub 不只是存代码的地方，GitHub Skills 提供一些交互式练习，可以在自己的仓库里完成 GitHub 基础、Markdown、Pull Request、GitHub Pages 等任务。

入口

github.com/skills

对于 AI 初学者来说，最简单的做法是建立一个自己的学习仓库，每完成一个小实验，就留下四样东西：目标、代码、结果和问题。你也可以在这里看见全球优秀创意者制作的skill

以后你再回头看，看到的就不只是“我学过 Python”“我跑过一个模型”，而是一个可以继续改进的项目。

· · ·

如果你现在完全不知道从哪里开始，可以按照下面这条路线走。

说明：教程、代码或基础入口免费，不等于所有模型运行、GPU、API 和第三方服务都没有额度或资源限制。涉及产品功能的内容，请以当前版本和官方说明为准。