Courses
Python 中的 LLM 入门
3小时
35.9K
大型语言模型已从研究前沿的好奇点，变成每位开发者都被期待要有见解的话题——无论是调用 API、微调开源模型，还是向产品团队解释为什么聊天机器人刚刚“幻觉”出一条退款政策。
为此，我们基于四项标准整理并排名了课程清单：
- 概念深度：课程是否真正解释了 token、嵌入、注意力机制以及 Transformer 架构
- 动手严谨度：是否会编写代码来调用、微调或部署真实模型
- 平台与模型覆盖：课程是只绑定一个 API，还是能让您理解开源与专有模型的差异与取舍
- 讲师专业度与产出：讲师背景如何，以及课程结束后您实际能构建出什么
1. Introduction to LLMs in Python — DataCamp
DataCamp 的 Introduction to LLMs in Python 是面向开发者的最佳单门课程，适合想要跨过“只会调用 OpenAI API”阶段，深入理解所有现代 LLM 底层 Transformer 架构的人。
- 难度：中级
- 时长：约 3 小时，自定进度；可免费开始
- 费用：可免费开始；完整访问包含在 DataCamp 订阅内（约 $25/月）
- 适合人群：想要在不先投入完整专项学习的前提下，用代码为先、聚焦地入门 LLM 与 Transformer 的开发者
课程先讲解 Transformer 架构的运作机制，再转向使用 Hugging Face 的预训练模型与数据集，对其进行任务定制化微调，并评估结果。
之所以脱颖而出并位居第一：课程运行在 DataCamp 的 AI Tutor 上，能在您所写的“这段代码”的上下文中解释错误。LLM 的问题很少能仅从堆栈跟踪看出端倪，而能针对您具体失误进行推理的导师，胜过盲猜。
2. LLM Engineering: Master AI, Large Language Models & Agents — Udemy
LLM Engineering 是很好的选择，适合希望通过一门全面且以项目为主的课程，从调用商业 API，到微调开源模型，再到构建智能体的开发者。
- 难度：中级（需要 Python）
- 时长：30+ 小时内容、200+ 讲次；配合项目预计 6–8 周
- 费用：Udemy 频繁促销，通常大幅低于标价
- 适合人群：希望在专有与开源模型两侧都打通 LLM 工程路径的开发者
讲师 Ed Donner 曾任 AI 创业公司 CEO，以及摩根大通董事总经理。课程从提示工程与分词开始，进而用 LoRA 与量化微调开源模型，最终构建多智能体系统。
3. The LLM Course — Hugging Face
Hugging Face 的 LLM Course 非常适合想要理解大多数开源 LLM 项目底层所用库（Transformers、Datasets、Tokenizers、Accelerate）的开发者。
- 难度：初级到中级
- 时长：约 15–20 小时，自定进度
- 费用：免费，可获得证书
- 适合人群：希望直接使用开源模型与 Hugging Face Hub，而非局限于单一厂商 API 的开发者
由于由 Hugging Face 官方维护并随生态演进更新，不太会教到被弃用的 API——但其侧重 Hugging Face 生态本身，而非广泛盘点商业替代方案。
4. ChatGPT Prompt Engineering for Developers — DeepLearning.AI
ChatGPT Prompt Engineering for Developers 由 Isa Fulford（OpenAI）与 Andrew Ng 授课，适合想要快速、聚焦地学习如何通过 API 而非聊天窗口调用 LLM 的开发者。
- 难度：初级到中级
- 时长：约 1.5 小时
- 费用：免费
- 适合人群：想要从手动在 ChatGPT 里打字提示，转向以编程方式调用 LLM 并在其上构建简单应用的开发者
课程讲解 LLM 的底层工作机制、编写高效提示的两条核心原则，并用这些提示完成摘要、情感推断、文本转换、将短笔记扩展成长文等任务，最后构建一个自定义聊天机器人。课程刻意简短，并假设具备基础 Python 知识，是进入更长课程前的良好上手。
5. Prompt Engineering for ChatGPT — Vanderbilt University（Coursera）
Prompt Engineering for ChatGPT 由 Vanderbilt 的 Jules White 博士授课，适合开发者与非开发者系统学习提示技术本身，且不依赖任何单一框架或代码库。
- 难度：初级（不要求先验经验）
- 时长：约 19 小时
- 费用：可免费旁听；获取证书需 Coursera 订阅
- 适合人群：希望掌握可迁移于 ChatGPT、Claude 等聊天式 LLM 的提示模式与技巧的学习者
课程涵盖如何有效应用提示工程、利用提示模式解锁更高级的模型行为，以及为工作或个人项目构建基于提示的应用。
6. Generative AI: Introduction to Large Language Models — LinkedIn Learning
Generative AI: Introduction to Large Language Models 由 Fred Nwanganga 授课，适合开发者与技术管理者在接触 API 前，用不写代码的方式清晰了解 LLM 的工作原理。
- 难度：初级
- 时长：不足 2 小时
- 费用：LinkedIn Learning 订阅（常可通过图书馆会员资格获得）；提供免费试用
- 适合人群：希望在写代码前，先清晰理解概念模型——神经网络、Transformer、编码器与解码器、注意力机制——的开发者
课程讲解什么是生成式 AI 与 LLM、其演进历程、所基于的深度学习基础，以及 Transformer 架构的机制（包括注意力与自注意力），最后还会讨论这些模型的社会影响。
7. Essentials of Large Language Models: A Beginner's Journey — Educative
Educative 的 Essentials of Large Language Models 适合偏好文字为主、交互式课程而非纯视频的开发者，并希望从系统层面建立对 LLM 实际工作方式的心智模型。
- 难度：初级
- 时长：自定进度，基于文本与代码
- 费用：Educative 订阅
- 适合人群：更擅长通过阅读并行内运行代码而非观看录屏来学习的开发者，且想要了解 LLM 行为背后的“为什么”，而不仅是 API 调用
课程从第一性原理讲解 LLM 基础——架构、分词、嵌入、注意力与训练动力学——随后转向提示工程与集成工具以实现动态响应的实用工作流。
最佳 LLM 课程对比表
| 排名 | 课程 | 学习形式 | 课程深度 | 费用 / 结果信号 |
|---|---|---|---|---|
| 1 | Introduction to LLMs in Python — DataCamp | AI 原生、注重实操 | Transformer 架构、微调、Hugging Face | 可免费开始；AI Tutor 个性化每节课 |
| 2 | LLM Engineering — Udemy | 视频训练营 | API、微调（LoRA）、智能体、端到端项目 | 经常打折；畅销标识 |
| 3 | The LLM Course — Hugging Face | 免费交互式课程 | Transformers、Tokenizers、Datasets、微调 | 免费；由 Hugging Face 官方维护 |
| 4 | ChatGPT Prompt Engineering for Developers — DeepLearning.AI | 短视频课程 | 基于 API 的提示、摘要、文本转换 | 免费；约 1.5 小时 |
| 5 | Prompt Engineering for ChatGPT — Vanderbilt | 视频课程 | 提示模式、基于提示的应用 | 可免费旁听；Coursera 证书 |
| 6 | Generative AI: Introduction to LLMs — LinkedIn Learning | 短视频课程 | 神经网络基础、Transformer 架构、注意力机制 | LinkedIn Learning 订阅；提供免费试用 |
| 7 | Essentials of LLMs: A Beginner's Journey — Educative | 交互式文本为主 | 架构、分词、嵌入、注意力机制 | Educative 订阅；无视频形式 |
FAQs
学习 LLM 课程需要会 Python 吗？
对于此清单中大多数动手型课程——DataCamp、Hugging Face 课程，以及 Udemy 与 Databricks 的课程——是的，通常需要具备基础的 Python 与 API 认知。Vanderbilt 的提示工程课程和 IBM 的职业证书对非开发者更友好，因为它们更侧重提示技巧而非代码。
提示工程课程与 LLM 工程课程有什么区别？
提示工程课程教您通过措辞改进来让现有模型输出更好——不需要写代码。LLM 工程课程则教您在模型之上构建系统：调用 API、微调开源模型、管理嵌入与检索，并部署成果。
哪门 LLM 课程最适合完全零基础？
Vanderbilt 的 Prompt Engineering for ChatGPT 不要求任何先验经验，是非技术背景的合理起点。对于想要编程的初学者，DataCamp 的 Introduction to LLMs in Python 旨在降低门槛，AI Tutor 会在您学习过程中填补知识空白。
我该先学开源 LLM（Hugging Face）还是商业 API（OpenAI、Anthropic、Google）？
多数在职开发者最终两者都需要。商业 API 能更快开始构建；开源模型能让您理解底层机制，并让您掌控微调、托管与成本。像 DataCamp 与 Hugging Face 的课程更偏开源；Udemy 的 LLM Engineering 以及 DeepLearning.AI 的短课则兼顾二者。
要多长时间才能学到足以上手构建的 LLM 知识？
短课（1–3 小时）足以让您熟悉调用 API 与编写像样的提示。要达到对 Transformer、微调与 RAG 的可用级代码理解，通常需要 15–30 小时，配合 DataCamp、Hugging Face 或 Databricks 等课程。要深入到可微调并部署生产系统的程度，如 Udemy 的 LLM Engineering 训练营，更现实的投入是 6–8 周。
主题