前些天老同学问我，想学 AI，从哪儿开始。

我们给这个问题排了一条路。先做七道题，看看自己该从哪一站起步，然后一站一站往下走，一共五站，每周拿出八到十个小时，大约半年。走完了，模型能自己训，agent 也能自己写。用的是斯坦福这些学校公开的课，大多在 B 站有中文字幕，YouTube 上有官方的录像，一分钱不花。

文章长了点。里头的七道题、一张路线图、一页过关清单，都能直接拿去用，先存着，慢慢看也行。

问我的那位，工科博士毕业，线性代数、概率都学过，代码也写过一些，就是没碰过 AI，想自己从头学一遍，又不知道从哪下手。这样的情形，大概不少见。

这话不好答。资料倒是多得很，斯坦福的机器学习、深度学习、大模型，讲义作业都公开，B 站上也早有人搬了过来，配好了中文字幕，一搜就是几十门。难办的是先后，先看哪门，哪几讲可以跳过，看完了手上要能做出点什么，没人告诉你。一门课动辄几十个小时，挑错了，几个月也就过去了。

所以我们索性把回答写成了一本手册，叫《用 B 站学 AI》，放在网上。手机上、电脑上打开，是这样的。

手机上和电脑上打开手册的样子。手机上，右上角就是 B 站和 YouTube 的开关。

写的时候，心里想的是那位工科博士。写完再看，用得上的人要多些。在读的硕士博士，想把 AI 用到课题上的；做了几年工程，想转过来，或者想在本行里把 AI 用好的；手里攒了一堆监测数据、图像、仿真结果，想自己动手试试的，都用得上。带着一组人的，想让大家系统补一补，每站的周数和过关标准拿过去，就是现成的学习计划。孩子在读大学、读研的，当家长的也可以替孩子看看。

门槛也得先说。线性代数、概率、微积分要学过，代码要写过一些，每周得挤出八到十个小时，还得肯做作业，光看视频不行。求职的事手册不管。想转算法岗的，手册说得也老实，还要刷题，要项目经历，要更系统的训练，只是照这条路做完的作业和项目，算是一个扎实的底子。

走完五站，手册许下的只有两件事，一是自己训模型，二是自己搭 agent 和 harness。

手册开头写着的两个终点。整条路线，是从这两件事倒推出来的。

这里多说两句 harness。这个词听着生，其实不玄。agent 的骨架很简单，模型决定用哪个工具，程序去执行，结果交回给模型，这么一圈一圈地转，直到事情办完。费事的是套在外面的那一层，给它多大的权限，上下文装满了怎么办，怎么知道它真做对了。这一层就叫 harness。Claude Code、Kimi Code 这些编程助手，下功夫的正是这一层，只是做得好。

七道题

《礼记·学记》里有一句，"学然后知不足"。这七道题算是倒过来用，没学之前，先知道不足在哪儿。

题目都很实在。能不能用 numpy 做向量化的矩阵运算，会不会用 git 回退、建分支，说不说得清特征值和 SVD 是什么意思，有没有不靠框架、自己手写过一回反向传播。一共七道，只答"是"或者"否"，照实答就好。

七道题，照手册的原文排在一页上，可以长按存下来。

前五题里有一个"否"，就从第 0 站起步，只补"否"的那几样。前五题都是"是"的，第 6 题答"否"从第 1 站开始，第 7 题答"否"从第 2 站开始，七道全是"是"，就从第 3 站开始。在手册里点完，它会把这些算好，要补的课也一并列出来，带着链接。

一个答完的例子。第 2 题答了"否"，手册就让先去看 MIT 的 Missing Semester，挑 shell、git、调试三讲。

MIT 这门 Missing Semester，B 站上有人译成"计算机教育缺失的一课"，讲命令行、git、编辑器这些东西，课堂上不教，可是天天要用。名字起得好。照手册的估计，工科博士多半只缺这一类工具，用不着把基础课从头看一遍，缺哪样补哪样，一样也就三到十个小时。

做完了，愿意的话，在底下留个言，说说自己从第几站起步。

五站

五站路线。每站一行，写着跟哪门课、学什么。按每周 8 到 10 小时算，走完大约六个月。

手册里翻来覆去说的一句话，是作业比视频重要。斯坦福这几门课，作业才是课的本身，视频可以开 1.5 倍速，可以跳着看，作业不能抄。所以每一站后头都跟着一个动手的小项目，还有三条过关标准。页面上那四段代码，我们都实际跑过。

第 0 站是补基础，零到三周，看缺口大小。哈佛的 Python 入门，MIT 那门缺失的一课，3Blue1Brown 的《线性代数的本质》，MIT 18.06，斯坦福的概率课 CS109，五门课各挑自己缺的那几讲。3Blue1Brown 那一套是动画，手册说工科读者常常"会算不会看"，这话有点得罪人，不过大致不差。

第 0 站的一张课程卡片，《线性代数的本质》。上面标着"非斯坦福"；底下一行是 B 站版本：标题、UP 主、16 集、中英双语字幕。

接下来是机器学习，四到六周，跟的是斯坦福的 CS229，吴恩达 2018 年秋天那一版。想先找找感觉，可以先看吴恩达 2022 年的机器学习专项课。推导对学工科的人不难，难的是换一副脑筋，数据怎么切，什么叫泛化，该加数据还是该换模型。这一站的小项目，是只用 numpy 手写梯度下降，最后跟最小二乘的解析解对一对。

第 1 站：手写梯度下降，取的是第 7 到 12 行。下面是运行的输出，梯度下降和最小二乘算出来的一样，梯度就推对了。

到了第 2 站，换成深度学习和卷积网络，六到八周，跟李飞飞团队的 CS231n。它的作业从用 numpy 手写网络起步，一点一点过渡到 PyTorch。视频可以挑着看，作业 1、作业 2 省不得。这一站的代码是一个训练循环，以后什么模型都能往里套。它头一件事，是先算一个"永远猜平均值"的成绩，叫基线。模型要是连这个都比不过，后面怎么调参都是白搭。

第 2 站：实测验证误差从基线的 1.84 降到 0.0036。下面是三条过关标准，最后一条要拿你自己领域的数据来做。

第 3 站最长，八到十周，讲 Transformer 和大模型。先跟着 Karpathy 的 Neural Networks: Zero to Hero，一行一行写出一个 GPT，再自己去做斯坦福 CS336 的作业 1，分词器、Transformer、优化器、训练循环全都自己写，拿 TinyStories 数据集来训。

第 3 站：Transformer 的核心就这几行。手写一遍因果自注意力，再跟 PyTorch 自带的比，输出 True 就是对上了。

最后一站才轮到 agent 和 harness，四到六周。伯克利的 LLM Agents 公开课看录像，先有个大概；斯坦福 CS329Z 的课件和作业当主干；再读几篇一线团队的工程文章，比如 Anthropic 那篇《Building effective agents》。想往研究上走，再看斯坦福的 CS329A。这一站的代码是一个六十多行的小 agent，只用 Python 自带的库。

第 4 站的小 agent，只用 Python 自带的库。看 inside() 那几行，工具只能碰 workspace 这一个文件夹，出了这个门就报错。

它能接 DeepSeek、通义千问、Kimi、智谱，也能接本地的 Ollama，设几个环境变量就行，代码不用改。东西不多，harness 的三样根子已经有了，工具只能在一个文件夹里读写，写文件之前要人点头，每走一步都打印出来，留个底。我们拿模拟的接口试过三种情形，正常做完的，越界读文件被拦下的，写文件被拒绝的，都对。往后再一样一样往上加，上下文太长了自动压缩，失败了重试，记下每回用了多少词元，攒二十道能自动打分的小题当考卷，最后让它能跑代码，不过得关在不联网、有时限的沙箱里。

选修还有七门，物理信息机器学习、强化学习、图机器学习、深度生成模型、多任务与元学习、人工智能原理、凸优化，研究上用得着了再看。前前后后，一共 25 门课。

新来的一门

第 4 站这几天添了一门，斯坦福的 CS329Z，Engineering AI Agents。今年秋天的课，Diyi Yang、Michael Ryan、John Yang 三位主讲，9 月下旬开的课，要上到 12 月，眼下正上着。

CS329Z 在手册里的卡片。没有"B 站观看"的按钮，这门课没有公开录像；能点的是课程官网、课件与阅读、作业和代码。

这门课把 agent 当一样工程来做。从最简单的大模型流水线讲起，到几个部件拼起来的系统，再到自己会拿主意的 agent，检索、工具调用、MCP、设计模式、上下文管理、记忆、多智能体、优化、数据、评测、安全，一路讲下来。有一讲专讲编程智能体，把 SWE-agent、Claude Code、OpenHands 拆开来看。

录像只给选课的学生看，B 站、YouTube 上都没有官方的。我们还是把它放进了主线，因为它公开出来的那些，正好就是第 4 站要做的事。课件按周排好，每讲后面开一到三篇要读的文章。第一份作业叫"Build an Agentic Harness"，不许用任何 agent 框架，只给一个 chat-completion 接口，剩下的全靠自己写，给一家公司做个内部用的 AI 助手。先写能在一份真实的公司邮件存档里检索、推理的流水线，再一点一点长成完整的 harness，有工具，有终端，有记忆，要紧的地方由人来确认。第二份作业倒过来，给你一个现成的 agent，让你替它出一整套考题。

CS329Z 第一份作业的说明开头：先读作业讲义，每道题、怎么评分、哪些设计由你自己定，都写在里面。

起步的代码在 GitHub 上，谁都能拿。里面的测试分两种，一种不调模型，不花钱，可以先把逻辑写对；另一种要调真的模型，得有 OpenRouter 的密钥，是要花钱的。

这门课有条规矩，我看了觉得有意思。它本来就是教人拿 AI 做东西的，所以作业和项目里允许用 AI 生成代码，只是每一行你都得能验证、能讲清楚，课上要口试。代码可以让 AI 写，讲还得自己讲。手册的学习建议里也有一条，意思差不多，让大模型给你讲推导、出题、看代码都好，作业代码要自己写，不然到第 3 站准卡住。

五站的过关标准，我们排在了一页纸上。长按能存下来，学完一站，勾一站。带学生、带团队的，往群里一发就行。

五站过关清单，每站三条，字句都是手册里的。是张长图，长按能存下来。

问得最多的，有三件事，手册的"常见问题"里都答了。

手册"常见问题"的头一条，就是数学要不要先补。

头一件是数学，要不要先系统补一遍。不用，工科学过的那些基本够了，自测找出缺口，缺哪补哪。再一件是英语。B 站的搬运大多带中英双语字幕，不过不少是机器翻的，个别术语会译得不对，还是以英文原词为准，手册末尾附了一张 26 个词的中英日法对照表。还有就是显卡。第 0 站到第 2 站都用不着，CS231n 的作业在 CPU 上也做得完，到第 3 站才要 GPU，按小时租就是了。

中文版"在国内跑起来"里讲 GPU 的一段。CS231n 的作业在 CPU 上能做；CS336 要 GPU，可以按小时租，魔搭社区也有免费的 Notebook 额度，以官网当期的说明为准。

视频有两套。中文版默认放 B 站的中文字幕版，右上角有个开关，拨到 YouTube，卡片上的视频就换成 YouTube 上的，多半是斯坦福这些学校官方频道的播放列表。人在国外，或者哪个 B 站的搬运没了，拨过去就是。

同一张 CS231n 卡片的按钮和来源。上面是 B 站模式，有 2025 版和 B 站搜索；下面是 YouTube 模式，换成了 Stanford Online 的官方播放列表。

每张卡片上，B 站版本的标题、UP 主、集数、是什么字幕，都写着，页首还写着链接最后核对的日子。B 站的搬运，说不定哪天就没了，这个日子有用。

手册有中文、英文、日文、法文四个本子，内容是一样的，身边有在国外的同学、同行，也能拿去用。只有"环境与算力"那一节分了地方写，中文版讲国内怎么跑起来，外文版讲 Colab、Kaggle，还有 OpenAI、Anthropic、Gemini、Mistral 这些接口。

同一个标题，四种语言。

页面上能勾的地方一共 41 个，一门课学完勾一下，一条过关标准做到了勾一下。勾的都记在你这台设备的浏览器里，不上传，也不用注册。也就是说，换一部手机、换一台电脑，就得从头勾起。

学到哪了。勾过的记在这台设备的浏览器里，四种语言共用一份进度。

开源

手册的源码放在了 GitHub 上，地址是 github.com/lratusa/learn-ai-handbook。

GitHub 上的仓库页面，简介是中英两种语言写的。

为什么开源，说来也简单，这种东西最怕旧。B 站的搬运会被删，课程一年换一个新版，课程网站也会挪地方。一家公司盯不过来，大家一起盯，就好些。谁看见链接坏了，或者知道更好的课，提一句就行，自己改好了交上来也行。

代码用的是 MIT 许可，文字用的是 CC BY 4.0，转载、翻译、改编都可以，注明出处、说明改了哪里就好。课和视频的版权，自然还是斯坦福和各个学校、各位作者的，手册只是个索引，一段视频也不存。

想在实验室、学校或者公司的网站上自己放一份，也不费事，三步。

自己部署一份，三步：拿到代码，生成网页，放到服务器上。只要装了 Node.js，别的都不用装。

自己放的那一份，页脚会注明是副本，链回官方的版本，我们网站的备案号也不会跑到别人那里去。

今天晚上要是有空，打开手册，把那七道题做了，用不了一分钟。做完了，在底下说一声自己从第几站起步。身边有一直念叨着要学 AI、又一直没动的，转过去，让对方也做做。

用 GitHub 的，顺手点个星。哪个链接坏了，提个 issue，或者在底下留言告诉我们，我们来改。手册以后添了课、换了链接，也会在这个号上说一声。

左边扫了打开手册，右边是源码。在微信里长按图片就能识别。

手册的地址是 www.gitechdesign.com/learn-ai，英文、日文、法文版在页面顶上切换，点文末的"阅读原文"也能到。源码在 github.com/lratusa/learn-ai-handbook。在公众号后台回一句「AI入门」，这两个地址会自动发过来。

手册里有一栏，写的是"这份手册不做的事"，最后一条是替代课程本身。手册只排路线、给链接，真学东西，还是在作业里。

开头那个问题，从哪儿开始，我的回答还是先做那七道题，答"否"的地方，就从那儿起步。七道题，一分钟就做完了。

资料说明

• 手册的内容、课程信息和代码测试结果，都来自手册本身（www.gitechdesign.com/learn-ai）和它的源码仓库（github.com/lratusa/learn-ai-handbook）。
• CS329Z 的介绍，来自课程网站 cs329z.stanford.edu 的首页、Logistics 页和 Project 页（2026年10月29日查看），以及第一份作业的起步仓库 github.com/cs329z/assignment1-harness 的说明。
• 文中截图都来自手册页面和 GitHub 仓库页面。"七道题""五站过关清单""三步自己部署"、三段代码和二维码，是按手册、仓库说明和代码文件的原文排版的，代码去掉了行尾的注释，太长的行折了行；截图里有几处为了省篇幅收起了说明文字。图上的小标签是后加的。
• 课程、视频和资料的版权，归斯坦福大学及各校、作者和频道所有。手册只提供索引，不托管视频。
• 本文和手册的写作都使用了 AI 辅助。观点和取舍由作者负责。