这份清单面向已经会写代码并希望用大语言模型（LLM）构建应用的人。在 2026 年，这就是 AI 工程的含义：通过 API 调用模型，用您自己的数据为其提供依据，把它连接到工具上，并在真实用户到来后让它稳定运行。
您的起点会改变答案。没训练过模型的后端开发者，和会微调却没部署过 API 的数据科学家，适合的第一门课不同，因此前两节按背景划分。其余 6 节按技能组织，从 LLM API 到 AI 编码工具。
如果您还在考虑是要“用 AI 构建”还是“使用 AI”，不妨先看我们更广的指南：最佳 AI 课程 。
课程评分、评论数和学习人数最近一次核验时间：2026 年 9 月 25 日 。
最佳 AI 工程课程对比表
本文中所有 DataCamp 课程与学习路径如下，附带实时评分与学习人数。其他平台的课程则在对应小节中介绍。
我们的 AI 工程课程一览。评分与学习人数核验日期：2026-09-25。 课程 评分 学习人数 时长 级别 Associate AI Engineer for Developers
面向软件工程师
4.8/5 （29,664） 17.4 万（热门课程） 29 小时 10 门课 Building AI Agents with Google ADK
面向软件工程师
4.8/5 （591） 7,000 1 小时 中级 Associate AI Engineer for Data Scientists
面向数据科学家
4.8/5 （41,448） 30.3 万（热门课程） 40 小时 13 门课 Developing LLM Applications with LangChain
面向数据科学家
4.8/5 （4,907） 50,000 3 小时 中级 Working with the OpenAI API
LLM API
4.8/5 （9,508） 174,000 3 小时 初级 Prompt Engineering with the OpenAI API
LLM API
4.8/5 （4,432） 53,000 4 小时 初级 Developing AI Systems with the OpenAI API
LLM API
4.8/5 （3,073） 22,000 3 小时 中级 Introduction to Claude Models
LLM API
4.8/5 （981） 14,000 3 小时 中级 Introduction to LLMs in Python
LLM API
4.8/5 （1,936） 36,000 3 小时 中级 Introduction to Embeddings with the OpenAI API
RAG 与嵌入
4.8/5 （3,296） 23,000 3 小时 中级 Building AI Applications with Pinecone
RAG 与嵌入
4.8/5 （2,266） 11,000 3 小时 中级 Retrieval Augmented Generation (RAG) with LangChain
RAG 与嵌入
4.8/5 （2,083） 20,000 3 小时 中级 AI Agent Fundamentals
AI 智能体
4.8/5 （46,794） 138,000（热门课程） 6 小时 3 门课 Designing Agentic Systems with LangChain
AI 智能体
4.8/5 （2,338） 14,000 3 小时 中级 Introduction to Model Context Protocol (MCP)
AI 智能体
4.8/5 （607） 5,000 3 小时 中级 Working with Hugging Face
开源模型与微调
暂无评分 38,000 2 小时 初级 Fine-Tuning with Llama 3
开源模型与微调
4.8/5 （414） 4,000 2 小时 中级 Transformer Models with PyTorch
开源模型与微调
4.8/5 （961） 9,000 2 小时 高级 LLMOps Concepts
LLMOps 与部署
4.8/5 （3,333） 19,000 1 小时 初级 Deploying AI into Production with FastAPI
LLMOps 与部署
4.8/5 （457） 5,000 4 小时 高级 MLOps Fundamentals
LLMOps 与部署
4.8/5 （4,844） 45,000（热门课程） 14 小时 4 门课 AI for Software Engineering
AI 编码工具
4.8/5 （4,223） 13,000（热门课程） 8 小时 4 门课 GitHub Copilot Fundamentals (GH-300)
AI 编码工具
4.8/5 （30,570） 151,000（热门课程） 7 小时 4 门课 Claude Code 101
AI 编码工具
4.8/5 （2,060） 26,000 3 小时 初级 Claude Code in Action
AI 编码工具
4.9/5 （249） 3,000 3 小时 中级
软件工程师的最佳 AI 工程课程
对软件工程师而言，最好的 AI 工程课程从 API 而不是数学开始，因为这份工作的重点是在您已维护的软件中交付 LLM 功能。
难点您已有：版本控制、测试和部署。缺的，是如何调用模型、用您的数据为其提供依据，并把它连到工具上。
1. Associate AI Engineer for Developers - DataCamp
我们为已懂 Python、但没有机器学习或 LLM 经验的开发者设计的主路径，这也是我会先学的一条。
级别： AI 初学，熟悉 Python时长： 29 小时费用： 订阅内包含，按年计费每月起价 14 美元最适合： 为既有产品增加 LLM 功能的开发者
10 门课覆盖 OpenAI API 与提示工程、嵌入、Pinecone、Hugging Face、LangChain 和 LLMOps。最新版本新增了 Working with the OpenAI Responses API 和 Introduction to Model Context Protocol（MCP），因此不仅涵盖对话调用，也覆盖工具连接。
课程间有引导式项目，例如基于 OpenAI API 的巴黎旅行助手，以及用嵌入做服装评论的主题分析。还有一门 Python 软件工程原则课程，看似可跳过，其实很值得学。
该路径为我们的 AI Engineer for Developers Associate 认证做准备，可在完成后获得该凭证。它不教训练模型：这里没有 PyTorch，这对本受众是对的，但若您想做微调则不够。
2. Building AI Agents with Google ADK - DataCamp
一小时掌握第二个智能体框架，最省钱地分辨哪些智能体理念是某个库特有、哪些可迁移。
级别： 中级时长： 1 小时费用： 订阅内包含最适合： 使用 Google Cloud 的开发者，或只在 LangChain 中构建过智能体的人
两章内容涵盖用 Google 的 Agent Development Kit（ADK）运行智能体，然后构建多智能体系统。由 Francesca Donadoni 授课。
开发者路径只通过 LangChain 与 MCP 讲授智能体，因此 ADK 可作为对照。如果公司基于 Google Cloud，这也最可能是您被要求使用的框架。鉴于仅 1 小时，部署内容较少，可将其视为导览而非完整课程。
3. AI Engineer Path - Scrimba
如果您的技术栈是 JavaScript 或 TypeScript 而非 Python，这是更好的选择。
级别： 中级，默认您具备前端 JavaScript 基础时长： 11.4 小时互动式录屏费用： Scrimba Pro，按年计费每月 24.50 美元最适合： 在 Node 或前端代码库中工作的 Web 开发者
它涵盖智能体、检索增强生成（RAG）、MCP 和上下文工程，配套工具包括 LangChain.js 与 Vercel AI SDK。课程采用 Scrimba 的互动录屏，您可随时暂停讲师并在浏览器中编辑其代码。
几乎所有 AI 工程课程（包括我们的）都默认用 Python。如果您实际交付 JavaScript，先用自己的语言学习这些模式会更快。权衡在于深度：没有模型内部或微调内容，做开源模型工具时您最终仍会需要 Python。
我们的建议： 先学 Associate AI Engineer for Developers 路径，再学 Building AI Agents with Google ADK 作为第二个框架。如果您用 JavaScript，优先从 Scrimba 的 AI Engineer Path 开始。
数据科学家的最佳 AI 工程课程
对数据科学家而言，最好的 AI 工程课程跳过您已掌握的机器学习，转而教授笔记本里不需要的内容：LLM 应用、软件实践与部署。
数据科学家在模型侧已具备基础。差的是交付：测试、版本控制，以及把模型放到其他人依赖的接口后面。
1. Associate AI Engineer for Data Scientists - DataCamp
我们为数据科学家从笔记本走向生产级 AI 系统而设计的路径。
级别： 中级，默认您会 Python 且懂基本机器学习时长： 40 小时费用： 订阅内包含，按年计费每月起价 14 美元最适合： 想要训练、微调并部署模型（而不只是调用）的数据科学家
13 门课从 scikit-learn 与 PyTorch 起步，进到 LLM 基础与本地运行 Llama 3，最后是软件实践：pytest 测试、Git 与 MLOps 概念。也包含用 SHAP 与 LIME 做可解释性。
它比开发者路径多 11 小时，因为加入了多数数据科学家此前不需要的工程习惯。引导项目包括扫描保险文件的 OCR 模型，以及用于汽车评论分类的 LLM 项目。
它为我们的 AI Engineer for Data Scientists Associate 认证做准备。缺口在于：它几乎不教 LLM 应用构建，没有 RAG、也没有智能体框架，因此下一个课程之所以存在。
2. Developing LLM Applications with LangChain - DataCamp
数据科学家路径跳过的应用构建层，我会紧接着去学。
级别： 中级时长： 3 小时费用： 订阅内包含最适合： 会微调模型但从未围绕模型构建过应用的数据科学家
三章内容涵盖 LangChain 与聊天机器人机制、链与智能体，以及 RAG 的初步实践。由 LangChain 贡献者 Jonathan Bennion 授课。
LangChain 因抽象层多、API 变化快而备受诟病，但它仍是招聘启事里最常被点名的框架。如果想继续深入，这是我们 Developing Applications with LangChain 学习路径的第一门课。
3. Generative AI Engineering with LLMs Specialization - IBM，Coursera
在模型侧的深度超出我们在此层级发布的任何内容。
级别： 中级，默认您会 Python，懂 PyTorch 更佳时长： 6 门课，约 3 个月费用： Coursera 订阅最适合： 想掌握 Transformer 内部机制与微调方法的数据科学家
6 门课从分词与数据加载器，到 Transformer 语言模型，再到 LoRA、QLoRA，以及 DPO、PPO 等对齐方法，均基于 PyTorch 与 Hugging Face。IBM 目录显示 2026 年 8 月有内容更新。
最后一门课也涵盖用 LangChain 做 RAG 与智能体，但较为轻量。如果您关注的是 LLM 的工作机制与适配方法，而非本季度能交付什么，这门课很合适。
我们的建议： 先学 Associate AI Engineer for Data Scientists 路径，再学 Developing LLM Applications with LangChain 补上应用层。只有在需要更深微调内容时再加 IBM 的专精。
最佳 LLM API 实战课程
最佳 LLM API 课程教授请求本身：消息、参数、结构化输出、函数调用，以及 API 失败时该怎么办。
后续各节都默认您会这些。此处 5 门皆为我们的课程，因为这是我们目录最深的板块，涵盖 2 家提供商，且每门课都在 2026 年内更新。
1. Working with the OpenAI API - DataCamp
首选课程，也是本文最受欢迎的独立课程。
级别： AI 初学，熟悉 Python时长： 3 小时费用： 第一章免费，完整访问按年计费每月起价 14 美元最适合： 第一次调用 API 的开发者
三章内容覆盖 OpenAI API、对 OpenAI 模型进行提示，以及多轮对话。由我们的 CTO James Chapman 与 Eduardo Oliveira 授课。
凭借 17.4 万学习者和 9,508 条评论，这门课的评分样本量在此处居首。它只讲 OpenAI，因此概念可迁移到其他提供商，但代码大多不可。
2. Prompt Engineering with the OpenAI API - DataCamp
把提示当代码写，目标是可复现的输出，而不是一次性的侥幸成功。
级别： 初级时长： 4 小时费用： 订阅内包含最适合： 需要模型提供一致、结构化输出的开发者
四章内容涵盖提示最佳实践、高级策略、面向业务应用的提示，以及面向聊天机器人的提示。由 Fouad Trad 授课。
4 小时是本节最长。聊天机器人一章与上文对话一章有重合，可快速略过。
3. Developing AI Systems with the OpenAI API - DataCamp
当原型遇到不是开发者的真实用户后，您该学什么。
级别： 中级时长： 3 小时费用： 订阅内包含最适合： 即将把 LLM 功能交到用户面前的开发者
三章内容涵盖端到端应用结构化、函数调用，以及生产应用最佳实践。由 Francesca Donadoni 授课。
函数调用是优先级最高的一章，因为它是模型向您代码传递结构化请求的方式。我们开发者路径的最新版本已不包含此课，如果您学过该路径，请单独补上。
4. Introduction to Claude Models - DataCamp
Anthropic API，适合希望使用第二家提供商或优先基于 Claude 构建的团队。
级别： 中级时长： 3 小时费用： 订阅内包含最适合： 评估多家模型提供商的团队
三章内容涵盖 Anthropic API、用 Claude 进行提示，以及多消息交互。由 Nikhil Rangarajan 授课。
同时对接两家提供商，是防范价格变化与宕机的低成本保险，而实际请求格式比文档所示更不同。其 981 条评论的样本量小于 OpenAI 课程，评分样本较小。
5. Introduction to LLMs in Python - DataCamp
了解您所调用的模型内部发生了什么。
级别： 中级时长： 3 小时费用： 订阅内包含最适合： 想调试模型行为而非仅旁观的开发者
三章内容涵盖 LLM 与 Transformer 的工作机制、LLM 微调，以及 LLM 性能评估。由 Jasmin Ludolf 和 Iván Palomares Carrascosa 授课。
不学它也能交付不少东西。我仍会推荐它的原因是评估那一章，了解 LLM 输出如何被评分，能帮您判断分数何时在“说谎”。它也是我们数据科学家路径的一部分，如果已经学过可跳过。
我们的建议： 先学 Working with the OpenAI API ，然后在上线前学 Developing AI Systems with the OpenAI API 。如果使用多家提供商，再加学 Introduction to Claude Models 。
最佳 RAG 与嵌入课程
最佳 RAG 课程会先讲检索再讲生成，因为 RAG 答案差通常源于检索到的片段不对，而不是模型不好。
检索增强生成（RAG）让模型的回答以您提供的文档为依据。它依赖嵌入，即把文本转成可按语义比较的向量。
1. Introduction to Embeddings with the OpenAI API - DataCamp
从第一性原理讲语义搜索，是本节其余内容的基石。
级别： 中级时长： 3 小时费用： 第一章免费，完整访问按年计费每月起价 14 美元最适合： 想理解检索为何返回这些结果的开发者
三章内容涵盖什么是嵌入、嵌入在语义搜索与推荐等 AI 应用中的使用，以及向量数据库入门。由 Emmanuel Pire 与 James Chapman 授课。
全程使用 OpenAI 的嵌入模型。Hugging Face 的开源嵌入模型在概念上相同，但代码不同。
2. Building AI Applications with Pinecone - DataCamp
当向量多到无法放内存里时，应该放在哪里。
级别： 中级时长： 3 小时费用： 订阅内包含最适合： 从原型索引走向生产规模索引的开发者
三章内容涵盖 Pinecone 基础、用 Python 管理向量，以及 AI 应用的性能调优。由 James Chapman 与 Ryan Ong 授课。
这门课专讲 Pinecone（托管向量数据库）。多数概念可迁移到 Weaviate、Chroma 或 pgvector，但客户端代码不通用。
3. Retrieval Augmented Generation (RAG) with LangChain - DataCamp
端到端的 RAG 模式，也是本文更新最晚的课程。
级别： 中级时长： 3 小时费用： 订阅内包含最适合： 将答案建立在可控文档之上的开发者
三章内容涵盖用 LangChain 构建 RAG 应用、改进 RAG 架构，以及用知识图做 Graph RAG。由 Meri Nova 授课。
Graph RAG 是多数 RAG 课程没有的一章，当您的文档描述实体及其关系时，这是对的工具。它也是我们 Developing Applications with LangChain 路径的第二门课。
4. Retrieval Augmented Generation (RAG) - DeepLearning.AI，Coursera
当您已有 RAG 系统但答案仍不够好时的更深入选择。
级别： 中级，需要 Python时长： 5 个模块，按每周 10 小时约 3 周费用： Coursera 或 DeepLearning.AI 订阅最适合： 检索质量遇到瓶颈的开发者
Zain Hasan 在检索上讲得比我们更深入：BM25 关键词检索、使用互惠秩融合的混合检索、跨编码器重排与分块，向量数据库用 Weaviate。最后一模块涵盖用 Arize Phoenix 做评估与监控。
它于 2025 年 7 月上线。实验在虚构的电商与新闻数据集上构建聊天机器人，而非您的文档，所以当您已经遇到自己的检索问题后再学它更合适。
我们的建议： 按顺序学习我们的三门课，从 Introduction to Embeddings with the OpenAI API 开始。当问题在于检索质量而非流水线时，再转向 DeepLearning.AI 的 RAG 课程。
最佳 AI 智能体课程
最佳 AI 智能体课程先讲设计模式，再讲某个框架，因为框架变化比模式快得多。
AI 智能体是指 LLM 不只是回答一次，而是会决定采取哪些步骤、调用哪些工具。若只需 LangChain 清单，参见我们的 开发者最佳 LangChain 课程指南 。
1. AI Agent Fundamentals - DataCamp
不写代码的智能体概念课，即使之后会写大量代码，这仍是正确的第一步。
级别： 初级，无需编码时长： 6 小时费用： 订阅内包含，按年计费每月起价 14 美元最适合： 在选择如何构建前，需要先理解智能体的人
3 门课从 Introduction to AI for Work 与 Introduction to AI Agents 起步，最后到 Building Scalable Agentic Systems。过程中会学习 Thought-Action-Observation 循环、ReAct 提示、多智能体模式与 Agent-to-Agent（A2A）协议。
开发者可跳过第一门课。值得花时间的部分是为什么智能体难以走出开发环境，这是本节后续课程默认您已思考过的问题。
2. Designing Agentic Systems with LangChain - DataCamp
走出教程阶段的智能体设计，精彩之处从这里开始。
级别： 中级时长： 3 小时费用： 订阅内包含最适合： 演示能跑、实际不行的智能体开发者
三章内容涵盖 LangChain 智能体要点、用 LangGraph 构建聊天机器人与构建动态聊天智能体。由 Dilini K. Sumanapala 授课。
LangGraph 是学习重点：它是 LangChain 现在处理循环、分支与状态保持智能体的方式。它也是我们 Developing Applications with LangChain 路径的最后一门课，若想完整序列可学习整个路径。
3. Introduction to Model Context Protocol (MCP) - DataCamp
连接智能体与工具的标准，如果您只够时间再学一门，我会优先学它。
级别： 中级时长： 3 小时费用： 订阅内包含最适合： 厌倦为每个工具都写一次性集成的开发者
三章内容涵盖 MCP 的构建块、支持 MCP 的 LLM 应用，以及让 MCP 服务器走向生产。由 James Chapman 与微软的 Korey Stegared-Pace 授课。
MCP 用一个接口取代各框架的粘合代码，任一兼容客户端都可使用。它也是我们开发者路径的一部分；仅 607 条评论，评分样本较小。
4. AI Agents Course - Hugging Face
免费、跨框架，是本节最好的零成本选择。
级别： 中级时长： 4 个核心单元 + 3 个加餐单元，自定进度费用： 免费，附证书最适合： 想跨多个框架对比智能体的开发者
它涵盖 smolagents、LlamaIndex 与 LangGraph，加餐单元讲函数调用微调与智能体可观测性。Hugging Face 公开维护，至 2026 年 9 月仍在更新。
同一个智能体用三种方式构建，是最快看清哪些是框架习惯的途径。证书免费，几乎没有不与我们的课程并行学习的理由。
5. Agentic AI - DeepLearning.AI
Andrew Ng 讲智能体设计模式，用纯 Python 实现。
级别： 中到高级，需要 Python时长： 5 个模块，约 10 小时费用： 视频免费，实验与证书需 Pro（按年计费每月 25 美元）最适合： 想在不被框架干扰的情况下掌握模式的开发者
于 2025 年 10 月上线，教授 4 种模式：反思、工具使用、规划与多智能体协作。一切都用原生 Python，而非库。
这让它成为本节最“耐用”的材料，因为模式会比上面提到的每个框架都更长寿。权衡在于您学不到各框架的生产特性，比如 LangGraph 的状态处理。
我们的建议： 若您对智能体还陌生，先学 AI Agent Fundamentals ，然后学 Introduction to Model Context Protocol (MCP) 与 Designing Agentic Systems with LangChain 。再加学 Hugging Face 的免费课，掌握第二与第三个框架。
最佳开源模型与微调课程
最佳微调课程从寻找与运行开源模型开始，因为数据集准备而非训练本身，往往是最费工的部分。
像 Llama 这样的开源权重模型，让您能在自有硬件上运行和适配模型。微调是在您的数据上再训练，使其遵循提示难以长期维持的格式或语气。
1. Working with Hugging Face - DataCamp
查找、加载并运行开源模型，是此处其他内容的先决条件。
级别： 初级时长： 2 小时费用： 第一章免费，完整访问按年计费每月起价 14 美元最适合： 只用过托管 API 的开发者
两章内容涵盖如何开始使用 Hugging Face Hub，以及为常见任务构建管道。由 Jacob Marquez 授课。
它是本文最早的课程，最近一次刷新为 2025 年 7 月，Hugging Face 库此后已有演进。目前尚未显示评分，因此可参考 38K 学习者与章节目录作判断。它同时出现在我们的两条 AI 工程学习路径中。
2. Fine-Tuning with Llama 3 - DataCamp
在可实际获得的硬件上适配开源权重模型。
级别： 中级时长： 2 小时费用： 订阅内包含最适合： 需要在规模上保持一致格式或语气的团队
两章内容涵盖为 Llama 微调准备数据，以及用 Hugging Face 的 SFTTrainer 进行微调。由 Francesca Donadoni 授课。
数据集准备是大头、也是最容易被低估的部分，因此专门用一整章讲解。其 414 条评论样本较小，评分解读时请相应权衡。
自己搭建该架构，少数工程师需要，但会改变您阅读其他一切的方式。
级别： 高级时长： 2 小时费用： 订阅内包含最适合： 在意“机理”而非“抽象”的工程师
两章内容先讲 Transformer 构建块（包括注意力与位置编码），再在 PyTorch 中组装完整的 Transformer 架构。由 James Chapman 授课。
为理解而学，而非为上手。没人从零构建生产 Transformer；学完后，“注意力”不再只是一个您点头附和的词。
4. LLM Course - Hugging Face
免费、官方出品，训练技术的深度超过我们在此层级的覆盖。
级别： 中到高级时长： 12 章，每章约 6–8 小时费用： 免费最适合： 做严肃微调工作的工程师
最新章节涵盖数据集策划、用 SFTTrainer 做监督微调、LoRA，以及用 GRPO 训练推理模型。Hugging Face 以开源方式持续开发，其 GitHub 仓库至 2026 年 7 月仍在更新。
维护这些库的人亲自写的课，这是它最大的优势。早期章节覆盖经典 NLP 任务，如果您只关心 LLM，可快速略过。
我们的建议： 先学 Working with Hugging Face ，再学 Fine-Tuning with Llama 3 。当需要 LoRA 或推理模型训练时，再转 Hugging Face 的 LLM Course。
最佳 LLMOps 与部署课程
最佳 LLMOps 课程在部署之外同时讲评估与监控，因为 LLM 功能的失败是“静默”的——给出貌似正确却实则错误的输出，而非报错。
LLMOps 覆盖原型之后的一切：提示版本化、输出评估、模型服务化与生产监控。
1. LLMOps Concepts - DataCamp
一小时，是本文中对即将上线者最有价值的一小时。
级别： 初级时长： 1 小时费用： 第一章免费，完整访问按年计费每月起价 14 美元最适合： 其原型即将成为他人依赖的开发者
三章内容沿着 LLM 全生命周期展开：创意、开发与运营阶段。由 Uber 的应用科学家 Max Knobbout 授课。
它是概念性课程，不含部署代码。请在接下来的两门课之前先学它，后者默认您已理解每个生命周期阶段存在的原因。
2. Deploying AI into Production with FastAPI - DataCamp
让模型在其他服务可调用的 API 背后运行。
级别： 高级时长： 4 小时费用： 订阅内包含最适合： 不仅负责模型、还负责服务的工程师
四章内容涵盖用 FastAPI 部署模型、集成 AI 模型、API 安全与优化，以及 API 的版本化、监控与日志。由 Matt Eckerle 授课。
版本化与日志一章常被教程忽略，但当出问题时这是您最先要用的部分。该课最近一次刷新为 2025 年 11 月，涉及 FastAPI 具体版本时请对照当前文档。
3. MLOps Fundamentals - DataCamp
更广泛的实践，LLMOps 多数习惯皆源于此。
级别： 高级时长： 14 小时费用： 订阅内包含，按年计费每月起价 14 美元最适合： 将任意模型（无论是否 LLM）投入生产的团队
其中 4 门课（含 MLOps Concepts）覆盖模型如何从笔记本走向生产，以及到达后如何保持健康。
对 LLM 工作最直接可迁移的是漂移监控。14 小时是本节投入最大的课程，学过我们 AI 工程（数据科学家）路径的人已上过 MLOps Concepts。
4. AI Evals for Engineers & PMs - Hamel Husain 与 Shreya Shankar，Maven
实践者公认最好的 LLM 评估课程，而评估是多数团队跳过的技能。
级别： 中到高级时长： 4 周，每周 3–5 小时，直播班费用： 折扣前约 5,000 美元，含录像与未来班次的终身访问最适合： 对 LLM 功能成败负责的工程师与产品经理
您会为真实智能体埋点、读追踪、归类失败类型，并构建与专家判断一致的“LLM 评审”和基于代码的评测。2026 年 10 月 10 日的班次是本年度最后一班。
我们发布的内容中，没有哪门在评估上能做到这般深入。显而易见的限制是价格：这个级别的费用属于团队培训预算，而非个人支出。
我们的建议： 上线前学 LLMOps Concepts ，然后学 Deploying AI into Production with FastAPI 来对外提供模型服务。如果公司愿意买单，Maven 的评估课程是本节最值得的投资。
最佳 AI 编码工具课程
最佳 AI 编码工具课程会教您如何审阅工具写出的代码，因为接受自己不理解的生成代码，是引入 Bug 的最快方式。
AI 编码工具从编辑器里的自动补全（如 GitHub Copilot），到能编辑多文件并运行测试的智能体（如 Claude Code）。请选择团队实际使用的工具所对应的课程。
1. AI for Software Engineering - DataCamp
覆盖面广，讲解您在不同团队里最可能遇到的工具。
级别： 中级时长： 8 小时费用： 订阅内包含，按年计费每月起价 14 美元最适合： 为团队制定 AI 工具使用规范的工程师
4 门课包括 AI-Assisted Coding for Developers、Software Development with GitHub Copilot、Software Development with Windsurf 与 Vibe Coding with Replit。Replit 课程由其开发者关系负责人 Matt Palmer 授课。
第一门课与工具无关，也最实用：为代码提示，然后测试与文档化返回结果。若团队已统一编辑器，Windsurf 与 Replit 课程的重要性相对降低。
2. GitHub Copilot Fundamentals (GH-300) - DataCamp
为 GitHub 的 Copilot 认证做准备，与 GitHub 合作打造。
级别： 中级时长： 7 小时费用： 订阅内包含最适合： 雇主要求 GH-300 认证的开发者
它与上述学习路径共享前两门课，随后加入 Advanced AI-Assisted Coding for Developers 与 AI Ethics。教程补充了考试主题，如 Copilot 方案、Copilot CLI 与内容排除。
其学习人数来自最热门课程 AI Ethics，因此标题数字更多反映那门课，而非 Copilot。本身若非为了证书，上述学习路径覆盖的工具面更广。
3. Claude Code 101 - DataCamp 与 Anthropic Academy
在终端中进行“智能体式编码”，在我们平台免费，由 Anthropic 制作。
级别： 初级时长： 3 小时费用： 免费最适合： 希望 AI 进行多文件工作而非行级补全的开发者
四章内容涵盖 Claude Code 是什么、您的第一个提示、日常工作流，以及为您的项目定制 Claude Code。由 Anthropic Academy 制作。
Claude Code 面向整个代码库工作，因此课程更多关注审阅与引导变更，而非提示技巧。它针对 Claude，但这些工作流习惯可迁移到其他编码智能体。
4. Claude Code in Action - DataCamp 与 Anthropic Academy
为已触及 Claude Code 默认能力的人而设，也是本文评分最高的课程。
级别： 中级时长： 3 小时费用： 免费最适合： 希望把更长的任务交给 Claude Code 的开发者
四章内容涵盖引导长会话、用规则与钩子配置 Claude、用例程与 GitHub 自动化重复工作，以及验证返回结果。由 Anthropic Academy 制作。
其 4.9 的评分来自 249 条评论，刚刚超过我们 200 条评论的门槛。请预期界面截图更新较快，因为 Claude Code 变化频繁。
我们的建议： 若想广泛覆盖，学 AI for Software Engineering ；若需要证书，学 GitHub Copilot Fundamentals (GH-300) 。关于 Claude Code，请从免费的 Claude Code 101 开始。
我们如何挑选这些课程
本文所列自家课程的评分、评论数与学习人数均取自实时课程数据，日期见页首“新鲜度”标注。学习路径的评分为其所含课程按评论权重计算的平均值，学习人数为路径内最热门课程的学习人数。
过去 18 个月未更新内容的课程，无论是否出自我们，均未入选。我们也未纳入评论少于 200 条的课程评分，并将每个小节的推荐上限设为 5 门。
外部课程在 2026 年 9 月依据提供商页面或近期报道进行核实。若外部课程更优，我们会纳入并说明原因。
结语
对大多数开发者而言，我建议从我们的 Associate AI Engineer for Developers 学习路径开始，因为它在 29 小时内覆盖 API、RAG、智能体与 LLMOps，并为您准备认证。数据科学家应改学我们的 Associate AI Engineer for Data Scientists 学习路径，而 JavaScript 开发者用 Scrimba 会走得更快更远。
如果您是初学者且本周只学一门课，请选 Working with the OpenAI API 。它只需 3 小时，而本文的其他课程都默认您已学过它。
这份清单面向已经会写代码并希望用大语言模型（LLM）构建应用的人。在 2026 年，这就是 AI 工程的含义：通过 API 调用模型，用您自己的数据为其提供依据，把它连接到工具上，并在真实用户到来后让它稳定运行。
您的起点会改变答案。没训练过模型的后端开发者，和会微调却没部署过 API 的数据科学家，适合的第一门课不同，因此前两节按背景划分。其余 6 节按技能组织，从 LLM API 到 AI 编码工具。
如果您还在考虑是要“用 AI 构建”还是“使用 AI”，不妨先看我们更广的指南：最佳 AI 课程。
课程评分、评论数和学习人数最近一次核验时间：。
最佳 AI 工程课程对比表
本文中所有 DataCamp 课程与学习路径如下，附带实时评分与学习人数。其他平台的课程则在对应小节中介绍。
我该选哪门 AI 工程课程？
软件工程师的最佳 AI 工程课程
对软件工程师而言，最好的 AI 工程课程从 API 而不是数学开始，因为这份工作的重点是在您已维护的软件中交付 LLM 功能。
难点您已有：版本控制、测试和部署。缺的，是如何调用模型、用您的数据为其提供依据，并把它连到工具上。
1. Associate AI Engineer for Developers - DataCamp
我们为已懂 Python、但没有机器学习或 LLM 经验的开发者设计的主路径，这也是我会先学的一条。
10 门课覆盖 OpenAI API 与提示工程、嵌入、Pinecone、Hugging Face、LangChain 和 LLMOps。最新版本新增了 Working with the OpenAI Responses API 和 Introduction to Model Context Protocol（MCP），因此不仅涵盖对话调用，也覆盖工具连接。
课程间有引导式项目，例如基于 OpenAI API 的巴黎旅行助手，以及用嵌入做服装评论的主题分析。还有一门 Python 软件工程原则课程，看似可跳过，其实很值得学。
该路径为我们的 AI Engineer for Developers Associate 认证做准备，可在完成后获得该凭证。它不教训练模型：这里没有 PyTorch，这对本受众是对的，但若您想做微调则不够。
2. Building AI Agents with Google ADK - DataCamp
一小时掌握第二个智能体框架，最省钱地分辨哪些智能体理念是某个库特有、哪些可迁移。
两章内容涵盖用 Google 的 Agent Development Kit（ADK）运行智能体，然后构建多智能体系统。由 Francesca Donadoni 授课。
开发者路径只通过 LangChain 与 MCP 讲授智能体，因此 ADK 可作为对照。如果公司基于 Google Cloud，这也最可能是您被要求使用的框架。鉴于仅 1 小时，部署内容较少，可将其视为导览而非完整课程。
3. AI Engineer Path - Scrimba
如果您的技术栈是 JavaScript 或 TypeScript 而非 Python，这是更好的选择。
它涵盖智能体、检索增强生成（RAG）、MCP 和上下文工程，配套工具包括 LangChain.js 与 Vercel AI SDK。课程采用 Scrimba 的互动录屏，您可随时暂停讲师并在浏览器中编辑其代码。
几乎所有 AI 工程课程（包括我们的）都默认用 Python。如果您实际交付 JavaScript，先用自己的语言学习这些模式会更快。权衡在于深度：没有模型内部或微调内容，做开源模型工具时您最终仍会需要 Python。
我们的建议：先学 Associate AI Engineer for Developers 路径，再学 Building AI Agents with Google ADK 作为第二个框架。如果您用 JavaScript，优先从 Scrimba 的 AI Engineer Path 开始。
数据科学家的最佳 AI 工程课程
对数据科学家而言，最好的 AI 工程课程跳过您已掌握的机器学习，转而教授笔记本里不需要的内容：LLM 应用、软件实践与部署。
数据科学家在模型侧已具备基础。差的是交付：测试、版本控制，以及把模型放到其他人依赖的接口后面。
1. Associate AI Engineer for Data Scientists - DataCamp
我们为数据科学家从笔记本走向生产级 AI 系统而设计的路径。
13 门课从 scikit-learn 与 PyTorch 起步，进到 LLM 基础与本地运行 Llama 3，最后是软件实践：pytest 测试、Git 与 MLOps 概念。也包含用 SHAP 与 LIME 做可解释性。
它比开发者路径多 11 小时，因为加入了多数数据科学家此前不需要的工程习惯。引导项目包括扫描保险文件的 OCR 模型，以及用于汽车评论分类的 LLM 项目。
它为我们的 AI Engineer for Data Scientists Associate 认证做准备。缺口在于：它几乎不教 LLM 应用构建，没有 RAG、也没有智能体框架，因此下一个课程之所以存在。
2. Developing LLM Applications with LangChain - DataCamp
数据科学家路径跳过的应用构建层，我会紧接着去学。
三章内容涵盖 LangChain 与聊天机器人机制、链与智能体，以及 RAG 的初步实践。由 LangChain 贡献者 Jonathan Bennion 授课。
LangChain 因抽象层多、API 变化快而备受诟病，但它仍是招聘启事里最常被点名的框架。如果想继续深入，这是我们 Developing Applications with LangChain 学习路径的第一门课。
3. Generative AI Engineering with LLMs Specialization - IBM，Coursera
在模型侧的深度超出我们在此层级发布的任何内容。
6 门课从分词与数据加载器，到 Transformer 语言模型，再到 LoRA、QLoRA，以及 DPO、PPO 等对齐方法，均基于 PyTorch 与 Hugging Face。IBM 目录显示 2026 年 8 月有内容更新。
最后一门课也涵盖用 LangChain 做 RAG 与智能体，但较为轻量。如果您关注的是 LLM 的工作机制与适配方法，而非本季度能交付什么，这门课很合适。
我们的建议：先学 Associate AI Engineer for Data Scientists 路径，再学 Developing LLM Applications with LangChain 补上应用层。只有在需要更深微调内容时再加 IBM 的专精。
最佳 LLM API 实战课程
最佳 LLM API 课程教授请求本身：消息、参数、结构化输出、函数调用，以及 API 失败时该怎么办。
后续各节都默认您会这些。此处 5 门皆为我们的课程，因为这是我们目录最深的板块，涵盖 2 家提供商，且每门课都在 2026 年内更新。
1. Working with the OpenAI API - DataCamp
首选课程，也是本文最受欢迎的独立课程。
三章内容覆盖 OpenAI API、对 OpenAI 模型进行提示，以及多轮对话。由我们的 CTO James Chapman 与 Eduardo Oliveira 授课。
凭借 17.4 万学习者和 9,508 条评论，这门课的评分样本量在此处居首。它只讲 OpenAI，因此概念可迁移到其他提供商，但代码大多不可。
2. Prompt Engineering with the OpenAI API - DataCamp
把提示当代码写，目标是可复现的输出，而不是一次性的侥幸成功。
四章内容涵盖提示最佳实践、高级策略、面向业务应用的提示，以及面向聊天机器人的提示。由 Fouad Trad 授课。
4 小时是本节最长。聊天机器人一章与上文对话一章有重合，可快速略过。
3. Developing AI Systems with the OpenAI API - DataCamp
当原型遇到不是开发者的真实用户后，您该学什么。
三章内容涵盖端到端应用结构化、函数调用，以及生产应用最佳实践。由 Francesca Donadoni 授课。
函数调用是优先级最高的一章，因为它是模型向您代码传递结构化请求的方式。我们开发者路径的最新版本已不包含此课，如果您学过该路径，请单独补上。
4. Introduction to Claude Models - DataCamp
Anthropic API，适合希望使用第二家提供商或优先基于 Claude 构建的团队。
三章内容涵盖 Anthropic API、用 Claude 进行提示，以及多消息交互。由 Nikhil Rangarajan 授课。
同时对接两家提供商，是防范价格变化与宕机的低成本保险，而实际请求格式比文档所示更不同。其 981 条评论的样本量小于 OpenAI 课程，评分样本较小。
5. Introduction to LLMs in Python - DataCamp
了解您所调用的模型内部发生了什么。
三章内容涵盖 LLM 与 Transformer 的工作机制、LLM 微调，以及 LLM 性能评估。由 Jasmin Ludolf 和 Iván Palomares Carrascosa 授课。
不学它也能交付不少东西。我仍会推荐它的原因是评估那一章，了解 LLM 输出如何被评分，能帮您判断分数何时在“说谎”。它也是我们数据科学家路径的一部分，如果已经学过可跳过。
我们的建议：先学 Working with the OpenAI API，然后在上线前学 Developing AI Systems with the OpenAI API。如果使用多家提供商，再加学 Introduction to Claude Models。
最佳 RAG 与嵌入课程
最佳 RAG 课程会先讲检索再讲生成，因为 RAG 答案差通常源于检索到的片段不对，而不是模型不好。
检索增强生成（RAG）让模型的回答以您提供的文档为依据。它依赖嵌入，即把文本转成可按语义比较的向量。
1. Introduction to Embeddings with the OpenAI API - DataCamp
从第一性原理讲语义搜索，是本节其余内容的基石。
三章内容涵盖什么是嵌入、嵌入在语义搜索与推荐等 AI 应用中的使用，以及向量数据库入门。由 Emmanuel Pire 与 James Chapman 授课。
全程使用 OpenAI 的嵌入模型。Hugging Face 的开源嵌入模型在概念上相同，但代码不同。
2. Building AI Applications with Pinecone - DataCamp
当向量多到无法放内存里时，应该放在哪里。
三章内容涵盖 Pinecone 基础、用 Python 管理向量，以及 AI 应用的性能调优。由 James Chapman 与 Ryan Ong 授课。
这门课专讲 Pinecone（托管向量数据库）。多数概念可迁移到 Weaviate、Chroma 或 pgvector，但客户端代码不通用。
3. Retrieval Augmented Generation (RAG) with LangChain - DataCamp
端到端的 RAG 模式，也是本文更新最晚的课程。
三章内容涵盖用 LangChain 构建 RAG 应用、改进 RAG 架构，以及用知识图做 Graph RAG。由 Meri Nova 授课。
Graph RAG 是多数 RAG 课程没有的一章，当您的文档描述实体及其关系时，这是对的工具。它也是我们 Developing Applications with LangChain 路径的第二门课。
4. Retrieval Augmented Generation (RAG) - DeepLearning.AI，Coursera
当您已有 RAG 系统但答案仍不够好时的更深入选择。
Zain Hasan 在检索上讲得比我们更深入：BM25 关键词检索、使用互惠秩融合的混合检索、跨编码器重排与分块，向量数据库用 Weaviate。最后一模块涵盖用 Arize Phoenix 做评估与监控。
它于 2025 年 7 月上线。实验在虚构的电商与新闻数据集上构建聊天机器人，而非您的文档，所以当您已经遇到自己的检索问题后再学它更合适。
我们的建议：按顺序学习我们的三门课，从 Introduction to Embeddings with the OpenAI API 开始。当问题在于检索质量而非流水线时，再转向 DeepLearning.AI 的 RAG 课程。
最佳 AI 智能体课程
最佳 AI 智能体课程先讲设计模式，再讲某个框架，因为框架变化比模式快得多。
AI 智能体是指 LLM 不只是回答一次，而是会决定采取哪些步骤、调用哪些工具。若只需 LangChain 清单，参见我们的 开发者最佳 LangChain 课程指南。
1. AI Agent Fundamentals - DataCamp
不写代码的智能体概念课，即使之后会写大量代码，这仍是正确的第一步。
3 门课从 Introduction to AI for Work 与 Introduction to AI Agents 起步，最后到 Building Scalable Agentic Systems。过程中会学习 Thought-Action-Observation 循环、ReAct 提示、多智能体模式与 Agent-to-Agent（A2A）协议。
开发者可跳过第一门课。值得花时间的部分是为什么智能体难以走出开发环境，这是本节后续课程默认您已思考过的问题。
2. Designing Agentic Systems with LangChain - DataCamp
走出教程阶段的智能体设计，精彩之处从这里开始。
三章内容涵盖 LangChain 智能体要点、用 LangGraph 构建聊天机器人与构建动态聊天智能体。由 Dilini K. Sumanapala 授课。
LangGraph 是学习重点：它是 LangChain 现在处理循环、分支与状态保持智能体的方式。它也是我们 Developing Applications with LangChain 路径的最后一门课，若想完整序列可学习整个路径。
3. Introduction to Model Context Protocol (MCP) - DataCamp
连接智能体与工具的标准，如果您只够时间再学一门，我会优先学它。
三章内容涵盖 MCP 的构建块、支持 MCP 的 LLM 应用，以及让 MCP 服务器走向生产。由 James Chapman 与微软的 Korey Stegared-Pace 授课。
MCP 用一个接口取代各框架的粘合代码，任一兼容客户端都可使用。它也是我们开发者路径的一部分；仅 607 条评论，评分样本较小。
4. AI Agents Course - Hugging Face
免费、跨框架，是本节最好的零成本选择。
它涵盖 smolagents、LlamaIndex 与 LangGraph，加餐单元讲函数调用微调与智能体可观测性。Hugging Face 公开维护，至 2026 年 9 月仍在更新。
同一个智能体用三种方式构建，是最快看清哪些是框架习惯的途径。证书免费，几乎没有不与我们的课程并行学习的理由。
5. Agentic AI - DeepLearning.AI
Andrew Ng 讲智能体设计模式，用纯 Python 实现。
于 2025 年 10 月上线，教授 4 种模式：反思、工具使用、规划与多智能体协作。一切都用原生 Python，而非库。
这让它成为本节最“耐用”的材料，因为模式会比上面提到的每个框架都更长寿。权衡在于您学不到各框架的生产特性，比如 LangGraph 的状态处理。
我们的建议：若您对智能体还陌生，先学 AI Agent Fundamentals，然后学 Introduction to Model Context Protocol (MCP) 与 Designing Agentic Systems with LangChain。再加学 Hugging Face 的免费课，掌握第二与第三个框架。
最佳开源模型与微调课程
最佳微调课程从寻找与运行开源模型开始，因为数据集准备而非训练本身，往往是最费工的部分。
像 Llama 这样的开源权重模型，让您能在自有硬件上运行和适配模型。微调是在您的数据上再训练，使其遵循提示难以长期维持的格式或语气。
1. Working with Hugging Face - DataCamp
查找、加载并运行开源模型，是此处其他内容的先决条件。
两章内容涵盖如何开始使用 Hugging Face Hub，以及为常见任务构建管道。由 Jacob Marquez 授课。
它是本文最早的课程，最近一次刷新为 2025 年 7 月，Hugging Face 库此后已有演进。目前尚未显示评分，因此可参考 38K 学习者与章节目录作判断。它同时出现在我们的两条 AI 工程学习路径中。
2. Fine-Tuning with Llama 3 - DataCamp
在可实际获得的硬件上适配开源权重模型。
两章内容涵盖为 Llama 微调准备数据，以及用 Hugging Face 的 SFTTrainer 进行微调。由 Francesca Donadoni 授课。
数据集准备是大头、也是最容易被低估的部分，因此专门用一整章讲解。其 414 条评论样本较小，评分解读时请相应权衡。
3. Transformer Models with PyTorch - DataCamp
自己搭建该架构，少数工程师需要，但会改变您阅读其他一切的方式。
两章内容先讲 Transformer 构建块（包括注意力与位置编码），再在 PyTorch 中组装完整的 Transformer 架构。由 James Chapman 授课。
为理解而学，而非为上手。没人从零构建生产 Transformer；学完后，“注意力”不再只是一个您点头附和的词。
4. LLM Course - Hugging Face
免费、官方出品，训练技术的深度超过我们在此层级的覆盖。
最新章节涵盖数据集策划、用 SFTTrainer 做监督微调、LoRA，以及用 GRPO 训练推理模型。Hugging Face 以开源方式持续开发，其 GitHub 仓库至 2026 年 7 月仍在更新。
维护这些库的人亲自写的课，这是它最大的优势。早期章节覆盖经典 NLP 任务，如果您只关心 LLM，可快速略过。
我们的建议：先学 Working with Hugging Face，再学 Fine-Tuning with Llama 3。当需要 LoRA 或推理模型训练时，再转 Hugging Face 的 LLM Course。
最佳 LLMOps 与部署课程
最佳 LLMOps 课程在部署之外同时讲评估与监控，因为 LLM 功能的失败是“静默”的——给出貌似正确却实则错误的输出，而非报错。
LLMOps 覆盖原型之后的一切：提示版本化、输出评估、模型服务化与生产监控。
1. LLMOps Concepts - DataCamp
一小时，是本文中对即将上线者最有价值的一小时。
三章内容沿着 LLM 全生命周期展开：创意、开发与运营阶段。由 Uber 的应用科学家 Max Knobbout 授课。
它是概念性课程，不含部署代码。请在接下来的两门课之前先学它，后者默认您已理解每个生命周期阶段存在的原因。
2. Deploying AI into Production with FastAPI - DataCamp
让模型在其他服务可调用的 API 背后运行。
四章内容涵盖用 FastAPI 部署模型、集成 AI 模型、API 安全与优化，以及 API 的版本化、监控与日志。由 Matt Eckerle 授课。
版本化与日志一章常被教程忽略，但当出问题时这是您最先要用的部分。该课最近一次刷新为 2025 年 11 月，涉及 FastAPI 具体版本时请对照当前文档。
3. MLOps Fundamentals - DataCamp
更广泛的实践，LLMOps 多数习惯皆源于此。
其中 4 门课（含 MLOps Concepts）覆盖模型如何从笔记本走向生产，以及到达后如何保持健康。
对 LLM 工作最直接可迁移的是漂移监控。14 小时是本节投入最大的课程，学过我们 AI 工程（数据科学家）路径的人已上过 MLOps Concepts。
4. AI Evals for Engineers & PMs - Hamel Husain 与 Shreya Shankar，Maven
实践者公认最好的 LLM 评估课程，而评估是多数团队跳过的技能。
您会为真实智能体埋点、读追踪、归类失败类型，并构建与专家判断一致的“LLM 评审”和基于代码的评测。2026 年 10 月 10 日的班次是本年度最后一班。
我们发布的内容中，没有哪门在评估上能做到这般深入。显而易见的限制是价格：这个级别的费用属于团队培训预算，而非个人支出。
我们的建议：上线前学 LLMOps Concepts，然后学 Deploying AI into Production with FastAPI 来对外提供模型服务。如果公司愿意买单，Maven 的评估课程是本节最值得的投资。
最佳 AI 编码工具课程
最佳 AI 编码工具课程会教您如何审阅工具写出的代码，因为接受自己不理解的生成代码，是引入 Bug 的最快方式。
AI 编码工具从编辑器里的自动补全（如 GitHub Copilot），到能编辑多文件并运行测试的智能体（如 Claude Code）。请选择团队实际使用的工具所对应的课程。
1. AI for Software Engineering - DataCamp
覆盖面广，讲解您在不同团队里最可能遇到的工具。
4 门课包括 AI-Assisted Coding for Developers、Software Development with GitHub Copilot、Software Development with Windsurf 与 Vibe Coding with Replit。Replit 课程由其开发者关系负责人 Matt Palmer 授课。
第一门课与工具无关，也最实用：为代码提示，然后测试与文档化返回结果。若团队已统一编辑器，Windsurf 与 Replit 课程的重要性相对降低。
2. GitHub Copilot Fundamentals (GH-300) - DataCamp
为 GitHub 的 Copilot 认证做准备，与 GitHub 合作打造。
它与上述学习路径共享前两门课，随后加入 Advanced AI-Assisted Coding for Developers 与 AI Ethics。教程补充了考试主题，如 Copilot 方案、Copilot CLI 与内容排除。
其学习人数来自最热门课程 AI Ethics，因此标题数字更多反映那门课，而非 Copilot。本身若非为了证书，上述学习路径覆盖的工具面更广。
3. Claude Code 101 - DataCamp 与 Anthropic Academy
在终端中进行“智能体式编码”，在我们平台免费，由 Anthropic 制作。
四章内容涵盖 Claude Code 是什么、您的第一个提示、日常工作流，以及为您的项目定制 Claude Code。由 Anthropic Academy 制作。
Claude Code 面向整个代码库工作，因此课程更多关注审阅与引导变更，而非提示技巧。它针对 Claude，但这些工作流习惯可迁移到其他编码智能体。
4. Claude Code in Action - DataCamp 与 Anthropic Academy
为已触及 Claude Code 默认能力的人而设，也是本文评分最高的课程。
四章内容涵盖引导长会话、用规则与钩子配置 Claude、用例程与 GitHub 自动化重复工作，以及验证返回结果。由 Anthropic Academy 制作。
其 4.9 的评分来自 249 条评论，刚刚超过我们 200 条评论的门槛。请预期界面截图更新较快，因为 Claude Code 变化频繁。
我们的建议：若想广泛覆盖，学 AI for Software Engineering；若需要证书，学 GitHub Copilot Fundamentals (GH-300)。关于 Claude Code，请从免费的 Claude Code 101 开始。
我们如何挑选这些课程
本文所列自家课程的评分、评论数与学习人数均取自实时课程数据，日期见页首“新鲜度”标注。学习路径的评分为其所含课程按评论权重计算的平均值，学习人数为路径内最热门课程的学习人数。
过去 18 个月未更新内容的课程，无论是否出自我们，均未入选。我们也未纳入评论少于 200 条的课程评分，并将每个小节的推荐上限设为 5 门。
外部课程在 2026 年 9 月依据提供商页面或近期报道进行核实。若外部课程更优，我们会纳入并说明原因。
结语
对大多数开发者而言，我建议从我们的 Associate AI Engineer for Developers 学习路径开始，因为它在 29 小时内覆盖 API、RAG、智能体与 LLMOps，并为您准备认证。数据科学家应改学我们的 Associate AI Engineer for Data Scientists 学习路径，而 JavaScript 开发者用 Scrimba 会走得更快更远。
如果您是初学者且本周只学一门课，请选 Working with the OpenAI API。它只需 3 小时，而本文的其他课程都默认您已学过它。