闭关 3 个月成为 AI 工程师（下方有分步计划）

把自己锁在房间里 3 个月，成为 AI 工程师（下方是逐步计划）July 14, 2026 · 13 min read · View source ↗ AI Claude MCP Obsidian 八个月前，我花了 $2,400 报了一个 12 周的 AI 训练营，为一个"prompt 精通"平台连续付了四个月的 $59/月 订阅，还买了一个 $349 的终身课程，结果 80% 是过时的幻灯片。 我手里有一个装满 PDF 的文件夹、三张半途而废的证书，以及零个能真正展示给任何人看的项目。 然后我发现了改变一切的东西：真正在构建 AI 的公司——Google、Anthropic、OpenAI——已经开始免费发放他们的培训了。不是稀释过的入门视频。是带证书的完整课程。与此同时，GitHub 上有 95,000+ star 的仓库，比我付过钱的任何训练营教得都好。 我取消了订阅，把训练营的损失当教训吞下，从头重建了我的整个学习路径。构建了一个管理我晨间流程的 AI agent。而这一切花了我 $0。 这就是那套系统，一步一步，从环境配置到另一头的付费 AI 业务。按顺序跟下去。 开始前的三条规则 不要跳步。如果你没搞懂梯度就跳去 LLM，你会抄你不理解的代码。 在 Obsidian 里做笔记，免费且本地。每次学习之后写下你学到了什么、什么让你惊讶、还有什么不清楚。这没有商量余地。 每一步都要构建。每个阶段以一个检查点（checkpoint）结束。如果你完成不了，就回去，再往前走。 第 1 步：环境配置，第一天 这是唯一一个你不允许过度思考的晚上。从 python.org 安装 Python 3.11 或更高版本，安装时勾选 "Add to PATH"，这样你的终端之后能找到它。安装 VS Code 并带上 Python 扩展，从今以后这里就是你的工作区。 设置 Git 和一个 GitHub 账号，你构建的每个项目都会推到这里，雇主最终也会看这里。安装 Obsidian，并在里面搭好下面的文件夹结构，这个 vault 会成为整个路线图的第二大脑。 现在就安装 Ollama，尽管你要到第 4 步才会碰它——这让你能在自己机器上本地运行开放模型，零 API 成本。 然后在四个平台上创建免费账号。Anthropic Academy 给你 16 门带真实证书的免费课程，可以说是 2026 年最被低估的 AI 学习平台。OpenAI Academy 提供免费工作坊，以及一门直接来自构建 ChatGPT 团队的 AI Foundations 课程。Google AI 托管着 Google AI Professional Certificate，七个模块，通过 Coursera 的审计模式（audit mode）免费。还有 Coursera 本身，当你在结账时找到那个小小的 "Audit this course" 链接而不是付款，就能免费解锁每个视频和材料，唯一缺的是 Coursera 品牌的证书——这不重要，因为你拿到的将是直接来自 Anthropic、OpenAI 和 Google 的证书。 检查点：Python、VS Code 和 Ollama 已安装。GitHub 账号已创建。Obsidian vault 就绪。Anthropic Academy、OpenAI Academy、Google AI 和 Coursera 的账号都已激活。 第 2 步：AI 基础，第 1-2 周 一份 2025 年 WEF 分析发现，具备 AI 素养的劳动者比不具备的同侪拥有 15-22% 的薪资溢价。光是这一步，就在你写一行代码之前，把你放到了 90% 申请者的前面。 第一周是关于词汇，不是代码。从 Google AI Professional Certificate 的第 1 到第 3 模块开始，这是最温和的上坡，覆盖 AI 到底是什么、以及如何用它做头脑风暴和研究。然后转向 Anthropic Academy 的 AI Fluency: Framework & Foundations 课程，它围绕 4D AI Fluency Framework 构建，并与大学教授共同开发。它花 2-3 小时，证书在 LinkedIn 上有实打实的份量，因为它来自 Anthropic——Claude 背后的公司，而不是一个泛泛的 MOOC 平台。 第二周是你第一次写代码。Fork microsoft/generative-ai-for-beginners——一个 95,000+ star、21 节完整课程的仓库——并做完第 1 到第 6 课：生成式 AI 到底是什么、大语言模型底层如何工作、如何写你的第一个 prompt、如何构建你的第一个聊天应用。每次学习之后，在 Obsidian vault 里记录你学到了什么、什么让你惊讶、什么还不清楚，把 LLM、transformer 和 token 这样的词当作你的滚动词汇表。 检查点：你能用自己的话、不查任何东西地解释 LLM、token 和 transformer。你的第一个 Jupyter notebook 能跑起来。你的 Obsidian vault 里有 4-6 条真实笔记。 第 3 步：ML 基础，第 3-5 周 公司为那些理解一个模型为什么表现不佳、而不只是会调用 API 端点的工程师，付 $150K+。这就是"抄教程的人"和"真正会调试模型的人"之间的差距，也是大多数初学者想跳过的那一步。 你的主线是 microsoft/ML-For-Beginners，一个 44,900+ star 的仓库，按完整的 12 周课程构建，覆盖回归、分类、聚类和 NLP 基础，配有测验和挑战 notebook。通过每天做两课而不是既定节奏，把它压缩到三周。 并行跑 Coursera 上的 IBM Machine Learning，用审计模式所以免费，这是更传统的视频格式，给你对完全相同概念的第二个视角，相比只研究一个来源能显著提升留存。 全程把 mlabonne/llm-course 当数学参考打开，这是一个 40,000+ star 的仓库，它的第一节只覆盖对机器学习真正相关的线性代数、微积分和概率，没有浪费的学术绕路。 到第五周，直接从 Microsoft 仓库里挑一个数据集，完全从零构建你自己的分类模型，然后把完成的项目推到 GitHub。 检查点：你理解回归、分类、聚类、梯度下降、损失函数和过拟合，好到能解释给别人听。你在真实数据上训练过一个模型。你在 GitHub 上有一个上线的项目。 第 4 步：深度学习与神经网络，第 6-8 周 你在这里的主要资源是 karpathy/nn-zero-to-hero，包括视频讲座和配套的代码仓库，作者是 Andrej Karpathy，前 Tesla AI 总监、OpenAI 联合创始人。他从绝对的零开始构建神经网络，不用框架，只用裸 Python 和数学，你跟着他一起构建：micrograd、makemore，最终是 nanoGPT。 第六周覆盖第 1 到第 3 讲，micrograd 和 makemore。实时跟着敲代码，不断暂停，每一行都自己打而不是复制粘贴，跑它，然后刻意弄坏它，看会发生什么。第七周很密集，第 4 和第 5 讲讲激活、BatchNorm 和反向传播，每天一讲并做详细笔记，因为这是整条路线图里概念最重的阶段。第八周是回报，第 6 和第 7 讲，你会从零构建一个 GPT 风格的 transformer，并学习 tokenization。 在构建 nanoGPT 的同时跑一个并行实验：打开第二个终端，运行 ollama run llama3.2:3b，然后把你自己的"玩具"模型的输出和一个真实的 30 亿参数模型并排对比。这真的让人大开眼界，就是那个理论（"我理解 transformer 了"）变成切身经验（"我能确切看到规模到底买来了什么"）的时刻。 用 microsoft/AI-For-Beginners 第 7-12 周关于 CNN 和 RNN 的内容做补充，它扩展到 Karpathy 课程之外，如果你想要计算机视觉的曝光会特别有用。然后用 Anthropic Academy 的 Building with the Claude API 课程架起通向生产的桥梁——现在你理解了模型内部在发生什么，你就学会如何真正通过 API 调用一个，覆盖鉴权、系统 prompt、工具使用和流式输出。 检查点：你完全从零构建了一个神经网络。你理解反向传播、注意力和 transformer，好到能向一个非技术朋友解释 GPT 如何工作。你能用 Ollama 本地运行模型。你懂 Claude API。 第 5 步：LLM 与 Prompt 工程，第 9-10 周 mlabonne/llm-course 的 LLM Scientist 轨道是现有最全面的免费 LLM 课程，每个主题都配一个 Colab notebook。它走过 LLM 架构（直接连回你用 Karpathy 构建的东西）、像 LoRA 和 QLoRA 这样的微调技术（用于把模型定制到特定任务）、量化（用于本地运行模型，正好接上你已有的 Ollama 配置），以及评估方法（用于真正衡量一个模型是真好，还是只是看起来好）。 在 prompt 这一侧，OpenAI Academy 的 "Intro to Prompt Engineering" 和 "ChatGPT for any role" 直接来自构建 ChatGPT 的团队。Anthropic 的官方 prompt 工程文档，可以说是互联网上同类指南里写得最好的——不是一门课，而是一份你会反复回来查的、深度详尽的参考。 回到 microsoft/generative-ai-for-beginners，做完你之前跳过的第 7 到第 21 课。凭借你现在拥有的深层知识，像 RAG、function calling、设计模式和微调这样的进阶主题，终于以一种它们第一天不会有的方式点亮了。 你的第 10 周项目：用 ChromaDB 或 LanceDB（都免费且完全本地）直接在你的 Obsidian vault 上构建一个 RAG 系统。你最终得到一个能回答关于你迄今所学一切问题的工具——字面意义上的、建在你的第二大脑之上的第二大脑。推到 GitHub。 第 6 步：AI Agent，第 11-12 周 microsoft/ai-agents-for-beginners 覆盖关于工具使用、记忆、多 agent 系统和编排的 12 节完整课程。用 Anthropic Academy 的 MCP 课程——"Introduction to Model Context Protocol" 和 "MCP: Advanced Topics"——往深走，其中 MCP 是 Anthropic 用于把 AI 连接到外部工具的开放标准，已成为 2026 年 agent 工具使用的标准。这些课程教你从零构建 MCP server 和 client。 花两到三节课用 LangGraph——LangChain 用于构建有状态、多步骤 agent 工作流的框架——在免费 Colab notebook 里。它和 Anthropic 的 MCP 方法完美互补：LangGraph 处理编排，MCP 处理工具连接。把 Anthropic Cookbook 作为额外资源研究，它包含现有最好的一手工具使用和 MCP 模式示例。 你的最终 agent 项目：构建一个使用 MCP 和 Claude 来处理你自己本地文件的东西，例如一个 agent，它读取你的 Obsidian vault，在网上检查你正在学习的主题的更新，并生成一份直接发到你 Telegram 的每日摘要。 检查点：你构建了一个带 MCP 的、能工作的 AI agent。你理解 agent 架构、工具使用和多步骤工作流，好到能自己从零设计一个。你的作品集持续增长。 第 7 步：生产、作品集与负责任 AI，第 13-14 周 完全免费地部署你最好的项目。Gradio 搭配 Hugging Face Spaces 是分享 ML demo 的最快方式，带免费托管。Streamlit Community Cloud 在它的免费层上很适合数据类应用。Vercel 在它的免费层上处理基于 Web 的 AI 工具。 一个没有评估的已部署模型是负债，不是产品。学习 DeepEval——一个开源的 LLM 评估框架；RAGAS——专门用于评估你第 5 步的 RAG 流水线；以及 LLM-as-Judge——你用一个大模型（Claude 在这里表现得很好）来评估另一个的输出。 这是 90% 免费指南彻底失败的地方，它们教你构建，却从不教你负责任地构建。研究 Constitutional AI，理解现代模型是如何真正对齐的——Anthropic 安全性的核心方法。学习 prompt 注入防御，保护你的应用免受对抗性输入；以及红队测试（red-teaming），在真实用户有机会弄坏它之前，先对你的系统做压力测试。 你的 GitHub 主页就是这个领域的简历。写一份专业的个人主页 README，加上带架构图和在线 demo 链接的项目 README。起草两到三篇简短的 LinkedIn 案例研究，覆盖你解决了什么问题、构建了什么、学到了什么。从这里起的职业阶梯是：初级 AI 工程师 $80-120K，往上到 Prompt 或 Agent 工程师 $120-180K，再往上到 AI 产品工程师 $150-250K。 你的顶点项目是一个生产级的 AI agent，解决你自己的生活里的一个真实问题，已部署、已评估、已做过安全检查。这就是你展示给雇主的东西。这就是你发帖讲的东西。这就是证明。 维护模式：完成后如何保持领先 AI 动得足够快，路线图不会在第 14 周结束，它只是变了形状。周一，花 10 分钟查 Anthropic、OpenAI 和 Google 的发布说明。周三，花 15 分钟浏览 arxiv-sanity-lite，读一篇吸引你的摘要。周五，花 20 分钟看一个 Yannic Kilcher 或 1littlecoder 的视频，讲一篇新论文或新工具。每月一次，用某个新东西构建一个小项目并推到 GitHub。总时间投入大约每周一小时，而这足以让你留在实践型 AI 工程师的前 10%。 路线图之后：把技能变成收入 完成 14 周路线图给你的是技术地板。真正把它变成钱的是一个交付系统，而"Start a 1-Person Business with Claude"框架恰好从路线图结束的地方接起。 地球上大约 84% 的人从未用过一次 AI，连一个 prompt 都没发过；大约 16% 碰过一个免费聊天机器人就停在那里；大约 0.3% 为真正的模型订阅付费；而知道 Claude Code 这类工具存在的人，是人类的四舍五入误差。完成上面这条路线图已经让你领先于几乎所有人，这意味着你要卖的客户——屋顶工、牙医、律所、电商店铺——会把你构建的东西当作纯粹的魔法，而魔法是可以计费的。 商业模式分三层运行，而每个人无一例外都从第一层开始。第一层是 AI 搭建的网站，卖的不是那 30% 完全没有网站的小企业——他们是市场上最难卖的一群——而是另外那 70% 运营着烂网站、过时网站、不转化网站的小企业，他们是已被证明的买家，因为他们已经付过一次钱了。一笔典型的第一单大约 $500，一旦你有了证据和客户见证，就涨到 $3-10k。 第二层是自动化和 agent：开票、线索跟进、引导接入、评价收集和支持，卖进那些正因响应慢而肉眼可见地在漏钱的利基——家政服务、牙科诊所、房地产、律所和太阳能承包商。同样的四个自动化——即时跟进、评价收集、预约提醒和死线索复活——在每一个这些利基里被重建并转卖。典型报价是 $1-5k 的搭建费，加上每月 $200-500 的经常性收入。 第三层把 5-25 个自动化打包进一个单一的客户仪表盘后面，把整件事变成一个产品而不是一个接单活，通常定价为每项目 $10-20k，或每月 $2-5k 的顾问费。 整个运营跑在一个 Claude Code 文件夹里，它充当操作系统，skill 像部门一样组织：工程、设计、销售、交付和运营，备份到一个私有 GitHub 仓库，这样即使你的笔记本没了，生意也能活下来。获客跑在两台并行机器上：一个建立在"证据优先"内容上的个人品牌——在任何人开口要之前就构建并发布真实的 demo；以及一个通过 Instantly、Apollo 和 Claude 运行的冷邮件引擎，通过 MCP 连接，自主起草和管理整个 campaign。 成交遵循框架所称的"医生方法"（Doctor Approach）：永远不要在通话前给价，问问题直到客户亲口说出自己的痛点、亲口给自己解决方案定价，然后报一个干净的数字并保持沉默。概念验证式成交——预付款加全额满意保证——基本消除了客户的所有风险，并持续提高成交率。 也看看这篇文章，它可以提升你在循环工程上的知识： https://x.com/keloneoneal/status/2074484119845605379 收藏、点赞、引用这篇文章，并把它发给你那个想开始却还没动起来的好朋友。 Links python.org x.com/keloneoneal/status/2074484119845605379 Tags: # X # AI # Claude # MCP # Obsidian # Marketing # Growth # Linkedin # Guide # Chatgpt # Rag Related articles Every Morning I Re-Taught Claude My Whole Life. It Forgot by Lunch. One File Ended the Loop People spent years hunting the perfect prompt. The answer was never how you ask. It was what the AI already knows about you before you open your mouth. Claude AI Obsidian MCP