资源太散
课程、文档、模型、教程散落在不同平台，收藏夹越存越乱，却很少再打开。
大学生 AI 学习 · 一站式导航
把散落的 AI 资源，
收进一张学习地图
从 Python 基础到机器学习、深度学习与大模型，再到 13 个主流平台的官网与专项教程。 不堆链接，只给一条能走通、能上手、能坚持的入门路径。
- 学习板块
- 7 大
- 主流平台
- 13 个
- 直达入口
- 26 个
- 服务器成本
- 0 元
从 0 到 1 · 约 8–12 周
YOUR AI ROADMAP
4 STEPS
01
2–3 周
前置基础
Python · 数学直觉 · 数据工具
02
3–4 周
机器学习
经典算法 · 评估 · 最小实践
03
3–5 周
深度学习 & 大模型
Transformer · LLM · RAG
04
持续
平台实战
官网实操 · 专项教程 · 小项目
建议节奏：每周 6–8 小时可拆解 · 可复盘
WHY THIS SITE
不是缺资源，
是缺一条能走通的路。
AI 学习信息每天都在增加，但真正能让人从“知道”走到“做到”的路径，依然稀缺。
入口太多
同一个模型有官网、社区、教程、镜像多个入口，初学者常在第一屏就迷路。
路径太断
会一点 Python 就直接学大模型，缺了机器学习与评估思维，项目很难真正落地。
01 / FOUNDATION
先补齐前置基础，
再谈模型与调参。
不要求先成为程序员，但需要能读懂代码、理解数据、复现实验。四个模块，按顺序建立最小能力栈。
01约 2 周
Python 编程基础
能独立写出小脚本，理解函数、循环与文件读写，为后续数据处理打底。
02约 2–3 周
数学直觉
不追求完整推导，先建立线性代数、概率与微积分的“图像感”。
03约 1–2 周
数据处理
学会清洗、整理与可视化数据，知道一个数据集能回答什么问题。
04约 1 周
工具与检索
建立可复现的学习环境，学会用 Git、Notebook 与搜索引擎解决问题。
02 / MACHINE LEARNING
机器学习，
先理解“怎么学”，再选模型。
不要从算法清单开始。先走完一次完整的训练闭环，知道模型为什么有效、又为什么会失败。
01
定义问题
分类、回归还是聚类？
02
准备数据
清洗、划分、特征处理
03
训练模型
从基线模型开始
04
评估调优
看指标，也看误差
05
部署迭代
让模型真正被使用
监督学习
用带标签的数据学习映射关系，典型任务有分类与回归，是入门的第一站。
无监督学习
没有标准答案时，从数据中发现结构，例如聚类、降维与异常检测。
特征与标签
特征是模型看到的线索，标签是它要预测的答案。特征质量往往比模型更关键。
评估与泛化
训练集表现好不等于真实有效。交叉验证、混淆矩阵与误差分析是必备工具。
一眼看懂过拟合
MODEL FIT模型复杂度从低到高，理想状态是在“欠拟合”和“过拟合”之间找到平衡。
偏差高没学到规律方差适中泛化最好方差高记住了噪声
03 / DEEP LEARNING & LLM
从神经网络到 Transformer，
理解大模型为何强大。
这一阶段不急着“造模型”。先看懂一个模型如何被训练、被对齐、被使用，再进入平台实战。
01
神经网络：让模型自己找规律
从线性回归到多层感知机，理解损失函数、反向传播与梯度下降如何共同完成一次学习。
02
Transformer：大模型的地基
注意力机制让模型可以并行处理长序列，也让“规模扩展”真正成为可能。
03
大模型：从能力到产品
预训练获得通用能力，微调与对齐塑造行为，RAG 与 Agent 把它接入真实场景。
一个大模型的诞生
LLM PIPELINE
01
PRE-TRAIN
预训练
在海量文本上学习“下一个 Token”，形成通用语言能力。
02
SFT
指令微调
用指令数据教会模型理解任务、遵循格式、稳定回答。
03
ALIGNMENT
对齐
通过人类反馈优化有用性、诚实性与安全性。
04
INFERENCE
推理与应用
接入提示词、知识库与工具，变成可用的产品能力。
TokenEmbeddingAttentionPromptRAGAgent
STEP 01
跑通一个 Notebook
用现成代码完成一次训练或推理，先建立手感。
STEP 02
本地跑一个开源模型
用 Ollama 下载 7B 级模型，观察显存、速度与效果。
STEP 03
做一个最小 RAG
把自己的课程资料接入模型，解决一个真实问题。
04 / MODEL DIRECTORY · 重点专栏
主流大模型平台，
一个平台，两个入口。
官网负责“上手”，教程负责“学会”。13 个平台、26 个入口，把注册体验与系统学习放在同一张卡片里。
不是再做一个收藏夹，而是把“上手”和“学会”分开设计。
点击官网入口直接进入平台实操；教程入口直达 B 站专项课程，持续更新。
01 官网实操
02 专项学习
国内平台
DOMESTIC豆01
豆包
字节跳动
日常问答、多模态理解与轻办公创作，中文体验自然，适合作为第一个上手平台。
DS02
DeepSeek
深度求索
推理、代码与开源模型代表，适合观察“强推理”能力，也适合研究模型开放生态。
K03
Kimi
月之暗面
长文本与资料阅读见长，适合整理论文、报告和长文档，做知识型任务效率高。
通04
通义千问
阿里巴巴
覆盖对话、办公、多模态与模型服务，适合结合阿里云生态做完整应用实践。
文05
文心一言
百度
中文知识与内容创作能力扎实，适合写作、检索增强与中文语境下的知识问答。
智06
智谱清言
智谱 AI
GLM 系列模型与智能体能力，适合学术问答、工具调用和复杂任务拆解练习。
混07
腾讯混元
腾讯
依托腾讯生态，覆盖多模态生成、对话与行业应用，适合了解大厂模型落地方式。
M08
MiniMax
海螺 AI
长上下文、语音与内容生成能力突出，适合体验多模态创作和拟人化交互。
海外平台
OVERSEAS开源工具
TOOLS海外平台的实际访问情况受网络环境影响；教程入口已接入 B 站专项课程，持续更新。所有商标与内容版权归各自平台所有。
05 / OPEN SOURCE
把开源资源，
变成可复现的学习现场。
不只收藏网站。下载一个模型、跑通一段代码、复现一个小项目，才是真正开始。
模型 / 数据
Hugging Face
模型、数据集与 Spaces 演示，开源 AI 的第一站。
打开官网模型 / 数据
ModelScope 魔搭
国内模型社区，中文模型、数据集与在线体验齐全。
打开官网本地运行
Ollama
一条命令下载并运行开源大模型，适合本地实验。
打开官网本地运行
LM Studio
图形化本地模型客户端，适合不熟悉命令行的同学。
打开官网开发框架
PyTorch
深度学习主流框架，官方教程从张量到训练全覆盖。
打开官网课程 / 教材
动手学深度学习
可运行的中文深度学习教材，理论与代码紧密结合。
打开官网应用开发
LangChain
构建 RAG、Agent 与工具调用应用的常用框架。
打开官网推理服务
vLLM
高吞吐 LLM 推理与服务框架，了解模型部署的入口。
打开官网06 / PROJECT
用最轻的方式，
把 AI 入门这件事做扎实。
一个面向大学生的轻量化创业项目：纯静态、零后端、免登录，先解决“找得到、走得通”的问题，再逐步长成学习工具。
PROJECT POSITIONING
不是又一个 AI 资讯站，
而是你的第一张学习地图。
整合学习路径、主流平台官网与专项教程，降低入门者的选择成本。课程答辩可现场打开，无需服务器、无需安装。
大一 / 大二入门者转专业学生课程项目团队自学同学
大学生创业基础课程作业 · 2026 · 纯静态演示项目
OPERATION COST
¥0/ 月
静态托管 · 无服务器 · 无数据库 · 无后台维护
服务器 / 云主机¥0
数据库 / 后端服务¥0
登录 / 支付 / AI 接口不涉及
日常维护≈ 0.5 小时 / 月
仅需定期巡检失效链接；内容更新即改即传，运营门槛极低。
从导航聚合，到学习闭环
ROADMAP · 两期迭代一期 · 已落地PHASE 01
轻量化资源导航聚合
以最低成本完成可展示、可交付、可维护的静态站点，验证“结构化导航”的真实需求。
七大内容板块13 个平台双入口响应式适配零成本部署
二期 · 规划中PHASE 02
从“导航”走向“学习工具”
在一期验证的基础上，逐步加入交互能力，形成“学—练—测”的完整闭环。
AI 助教在线代码练习自测题库学习进度（可选）