筛选原则
这份资源清单不追求大而全，只保留适合个人学习者第一阶段使用的资源。
我筛选资源时会看四点：
- 来源是否可靠，优先官方文档和长期维护的平台。
- 是否适合入门，不要求一开始就看研究论文。
- 是否能直接用于实践，而不是只讲概念。
- 是否适合沉淀成笔记、Prompt、学习路线或项目。
资源收藏的目标不是让你打开 50 个标签页，而是帮你少走弯路。
官方文档和 Prompt 指南
1. OpenAI Prompt Engineering
适合用来理解如何写更清楚的指令、如何给模型更多上下文、如何拆解复杂任务。对灵犀 Synapse AI Lab 的 Prompt 库很有参考价值。
建议用法：不要一次看完。每读一个技巧，就拿自己的学习场景测试一次。
2. Anthropic Prompt Engineering
链接：Anthropic Prompt Engineering
Anthropic 的 Prompt 文档适合用来学习如何和 Claude 协作，尤其适合长文分析、结构化输出和复杂任务拆解。
建议用法：把其中的方法拿来对照 ChatGPT 的输出，观察同一个 Prompt 在不同模型上的差异。
3. Google Gemini Docs
Gemini 官方文档适合了解 Google 的 Gemini 能力、API 和使用方式。如果后续要做多模型对比或工具实验，这类文档会很有用。
建议用法：先看概览和快速开始，不要一开始陷入 API 细节。
入门课程
4. Google Machine Learning Crash Course
链接：Machine Learning Crash Course
这是 Google 的机器学习入门课程，适合想理解 AI 基础概念的人。它比单纯工具教程更系统，但仍然适合入门阶段。
建议用法：把它当作基础概念课程，不需要一开始追求全部掌握。
5. DeepLearning.AI Short Courses
链接：DeepLearning.AI Short Courses
DeepLearning.AI 的短课程覆盖 Prompt、生成式 AI、AI Agent、RAG 等主题。适合在掌握基础后按主题补课。
建议用法：选一个和当前项目最相关的课程，而不是一次收藏全部课程。
6. Hugging Face Course
Hugging Face 的课程适合想了解开源模型、Transformers 和 NLP 的学习者。它更偏技术实践，适合在入门后继续深入。
建议用法：如果你暂时不做模型开发，可以先收藏，等做项目时再深入。
实践平台和工具
7. Kaggle Learn
链接：Kaggle Learn
Kaggle Learn 适合做短小、可操作的数据和机器学习练习。它的好处是任务明确，不容易只看不练。
建议用法：用它练 Python、数据分析和机器学习基础。
8. OpenAI Cookbook
OpenAI Cookbook 提供很多可运行示例，适合从“会用工具”过渡到“能做 AI 小项目”。
建议用法：不要只看示例，挑一个最小案例改成自己的项目。
9. GitHub
链接：GitHub
GitHub 是保存代码、文章草稿、网站项目和开源学习材料的基础工具。灵犀 Synapse AI Lab 后续部署和版本管理也会依赖它。
建议用法：每个学习项目都建一个仓库或文件夹，保持可回溯。
推荐使用顺序
如果刚开始，可以按这个顺序：
- 先读 OpenAI Prompt Engineering，练习基本 Prompt。
- 再用 ChatGPT / Claude / Gemini 做 7 天学习计划。
- 用 Google ML Crash Course 补基础概念。
- 用 Kaggle Learn 做小练习。
- 用 OpenAI Cookbook 或 Hugging Face Course 做项目延伸。
- 把所有输出整理到灵犀 Synapse AI Lab。
我的提醒
资源越多，越容易制造“我已经开始学习”的错觉。真正有用的资源，应该能转化成一个行动：
- 一条笔记。
- 一个 Prompt。
- 一次练习。
- 一个项目。
- 一次复盘。
这份清单后续会继续更新，但第一版先保持克制。少一点收藏，多一点实践。