Courses
Large Language Models (LLMs) 概念
2小时
103.8K
大语言模型已经从研究领域的小众好奇，变成每位开发者都被期待要有看法的主题——无论是调用某个 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”出了退款政策。
为此，我们基于四项标准整理并排序了课程清单：
- 概念深度：课程是否真正讲清楚 tokens、embeddings、attention 以及 Transformer 架构
- 动手严谨度：是否会编写代码去调用、微调或部署真实模型
- 平台与模型覆盖：课程是只停留在一个 API，还是能让您体会开源与专有模型的差异
- 讲师专业度与产出：授课者是谁，以及课后您实际能构建什么
1. 用 Python 认识 LLM —— DataCamp
DataCamp 的《Introduction to LLMs in Python》是开发者迈过“只会调用 OpenAI API”阶段、真正理解现代 LLM 背后 Transformer 架构的最佳单门课程。
- 难度：中级
- 时长：约 3 小时，自主进度；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：希望以代码为先、聚焦入门 LLM 与 Transformer，但暂不打算先投入完整专项学习的开发者
课程先讲解 Transformer 架构的工作机制，再转向使用来自 Hugging Face 的预训练模型与数据集，对其进行特定任务的微调，并评估结果。
其突出之处、也是排名第一的原因在于：课程运行在 DataCamp 的 AI Tutor 上，它会结合您当前正在查看的确切代码来解释错误。LLM 的问题很少能从堆栈跟踪中一眼看出，能围绕您具体失误进行推理的导师，远胜于盲猜。
2. LLM Engineering: Master AI, Large Language Models & Agents —— Udemy
LLM Engineering 非常适合想通过一门覆盖全面、以项目为主的课程，完成从调用商业 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：200+ 节课，30+ 小时内容；含项目预计 6–8 周
- 费用：Udemy 频繁促销时通常大幅低于标价
- 适合人群：希望走通覆盖专有与开源模型的 LLM 工程路径的开发者
讲师 Ed Donner 曾是 AI 初创公司 CEO、也曾任职于摩根大通的董事总经理。课程从提示结构与分词机制讲起，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 课程很适合想要理解大多数开源 LLM 项目底层所用库的开发者：Transformers、Datasets、Tokenizers 与 Accelerate。
- 难度：初级到中级
- 时长：约 15–20 小时，自主进度
- 费用：免费，可获得结业证书
- 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，它基本能避免教授已弃用的 API——但整体会更偏向 Hugging Face 生态，而非广泛覆盖商业替代方案。
4. ChatGPT Prompt Engineering for Developers —— DeepLearning.AI
ChatGPT Prompt Engineering for Developers由 Isa Fulford（OpenAI）与 Andrew Ng 授课，适合希望快速、聚焦地学习通过 API 而非聊天窗口来调用 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：希望从手动在 ChatGPT 中提示，转向以编程方式调用 LLM 并在其之上构建简单应用的开发者
课程涵盖 LLM 的底层工作原理、两条编写高效提示的核心原则，以及如何将这些提示用于摘要、情感推断、文本转换、将简短笔记扩展为长文等任务，最后以构建自定义聊天机器人收尾。课程刻意保持精炼，假设具备基础 Python，因此也适合作为更长课程之前的入门台阶。
5. Prompt Engineering for ChatGPT —— 范德堡大学（Coursera）
Prompt Engineering for ChatGPT由范德堡大学的 Jules White 博士授课，非常适合开发者与非开发者，专注于提示技术本身的严谨训练，不依赖任何单一框架或代码库。
- 难度：初级（无需任何经验）
- 时长：约 19 小时
- 费用：可免费旁听；获得证书需订阅 Coursera
- 适合人群：希望掌握可在 ChatGPT、Claude 等聊天式 LLM 间通用的提示模式与技巧的学习者
课程讲解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，并构建基于提示的工作或个人应用。
6. 生成式 AI：大语言模型导论 —— LinkedIn Learning
Generative AI: Introduction to Large Language Models由 Fred Nwanganga 授课，适合希望在接触 API 之前，先通过清晰、无代码的方式了解 LLM 工作原理的开发者与技术管理者。
- 难度：初级
- 时长：2 小时以内
- 费用：LinkedIn Learning 订阅（常可通过图书馆会员包含）；提供免费试用
- 适合人群：希望在写代码前，先把概念模型——神经网络、Transformer、编码器与解码器、注意力机制——理解清楚的开发者
课程涵盖什么是生成式 AI 与 LLM、它们如何演进、所依托的深度学习基础，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、可交互课程而非纯视频，并希望建立 LLM 实际工作方式“系统级”心智模型的开发者。
- 难度：初级
- 时长：自主进度，文本与代码结合
- 费用：需要 Educative 订阅
- 适合人群：更习惯边读边在行内运行代码、而非观看演示视频，并希望理解 LLM 行为背后的“为什么”、而不仅是 API 调用的开发者
课程自第一性原理讲解 LLM 基础——架构、分词、嵌入、注意力与训练动力学——然后转向提示实践流程，以及集成外部工具以实现动态响应。
最佳 LLM 课程对比表
| 排名 | 课程 | 学习形式 | 课程深度 | 费用／成果信号 |
|---|---|---|---|---|
| 1 | Introduction to LLMs in Python —— DataCamp | AI 原生，动手实践 | 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 | 经常有折扣；畅销徽章 |
| 3 | The LLM Course —— Hugging Face | 免费互动课程 | Transformers、Tokenizers、Datasets、微调 | 免费；由 Hugging Face 直接维护 |
| 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 | 需要 Educative 订阅；无视频形式 |
常见问题
学习 LLM 课程需要会 Python 吗？
对本清单中大多数动手课程——如 DataCamp、Hugging Face 课程，以及 Udemy 和 Databricks 的课程——而言，是的，通常需要具备基础的 Python 与 API 知识。范德堡大学的提示课程和 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写代码。
提示工程课程与 LLM 工程课程有何区别？
提示工程课程教您通过调整请求表述，从现有模型获得更好的输出——无需编写代码。LLM 工程课程则教您围绕模型搭建系统：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？
范德堡大学的《Prompt Engineering for ChatGPT》不要求任何基础，是不错的非技术起点。对于想要编程的初学者，DataCamp 的《Introduction to LLMs in Python》设计上更易上手，AI Tutor 会在学习中及时补足知识空白。
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会两者都需要。商业 API 能让您更快动手构建；开源模型能让您理解底层原理，并掌控微调、托管与成本。像 DataCamp 与 Hugging Face 的课程更偏向开源；Udemy 的 LLM Engineering 和 DeepLearning.AI 的短课则两边都覆盖。
要学到能上手构建 LLM 应用，大概需要多久？
短课（1–3 小时）足以让您熟悉调用 API 并写出像样的提示。要达到对 Transformer、微调与 RAG 的工作级代码理解，通常需要 15–30 小时，配合如 DataCamp、Hugging Face 或 Databricks 的课程。若要深入到能微调并部署生产系统，如 Udemy 的 LLM Engineering 训练营，更现实的投入是 6–8 周。
主题