Помощник сценариста▸ 
AI Приложения 
AI Новости 2026年AI学习路线：从入门到Agent应用开发，附详细的资源整理
小编 ·
2026年AI学习路线：从入门到Agent应用开发，附详细的资源整理
Многие спрашивают: «Я хочу изучить ai-разработку и научиться программировать. Как это сделать?» На самом деле главная причина, по которой люди застревают при изучении AI, чаще всего заключается не в непонимании материала, а в отсутствии чёткого маршрута обучения. Туториалов, курсов, инструментов и научных статей слишком много, поэтому, изучив множество материалов, люди зачастую так и не создают ни одного работающего проекта.
Ниже мы собрали маршрут изучения AI: сначала научиться использовать инструменты, затем создавать решения и, наконец, применять их на практике. Мы движемся по этапам «Введение — Основы — Машинное обучение — Глубокое обучение — Большие языковые модели и Agent — Инженерия», а также приводим достойные внимания курсы и книги. Рекомендуем также посетить AI-университет iFlytek, где опубликовано много бесплатных курсов по AI.
Первый этап: научиться использовать AI и сформировать собственное суждение
Если сразу углубляться в математику и программирование,很容易 бросить. Более надёжная отправная точка — понять, что AI умеет и чего не умеет.
На этом этапе следует изучить:
AI умеет генерировать тексты, выполнять перевод, систематизировать материалы, проводить анализ данных, создавать изображения и автоматизировать рабочие процессы;
Научиться составлять промпты: чётко указывать цель, приводить примеры, задавать формат вывода и просить модель рассуждать пошагово;
Подключить AI к реальным задачам, например для систематизации заметок, написания рекламных и редакционных текстов, проверки кода, работы с таблицами и генерации изображений.
Ознакомьтесь с распространёнными инструментами и не ограничивайтесь общением в чате.
Для начала можно посмотреть курс Эндрю Нга «AI for Everyone», который за 6 часов даст базовое понимание темы. В дополнение хорошо подойдут видео Ли Хунъи по машинному и глубокому обучению: они доступны на китайском языке и охватывают Transformer и большие языковые модели.
Второй этап: изучить основы Python, данных и математики
Если вы хотите разрабатывать приложения на базе AI, основы пропускать нельзя. Но это не означает, что нужно зубрить все математические доказательства: достаточно практических знаний.
Основные темы:
переменные, функции, чтение и запись файлов и вызовы API в Python;
обработка данных с помощью NumPy, Pandas и Matplotlib;
линейная алгебра, теория вероятностей и статистика, математический анализ; особое внимание — векторам, матрицам, вероятности и градиентному спуску.
Для видео подойдут курсы 3Blue1Brown «Сущность линейной алгебры» и «Сущность математического анализа»: они нагляднее учебников. Для программирования можно изучить Harvard CS50P или курс Python Ляо Сюэфэна. Из книг идеально подходит «动手学深度学习» для изучения с одновременным запуском кода.
Третий этап: машинное обучение — понять, как модели учатся
На этом этапе важно не заучивать формулы, а понять, как модель обучается на данных и как оценивается её результативность.
Основные темы: регрессия, классификация, деревья решений, случайные леса и XGBoost в обучении с учителем; кластеризация и снижение размерности в обучении без учителя; точность, полнота, F1, AUC и перекрёстная проверка при оценке моделей.
Первый выбор среди курсов — «Machine Learning Specialization» Эндрю Нга. В качестве дополнения можно использовать книги Чжоу Чжихуа «机器学习» и Ли Ханга «统计学习方法», а для практики — «Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow». Желательно выполнить вводный проект на Kaggle, например прогноз выживания пассажиров «Титаника» или прогноз стоимости жилья.
Четвёртый этап: глубокое обучение — переход к нейронным сетям
Глубокое обучение — обязательный этап на пути к большим языковым моделям. Начинать сразу со сложных моделей не нужно: сначала стоит полностью пройти цикл обучения.
Необходимо изучить прямое и обратное распространение, функции потерь и оптимизаторы; CNN, RNN, LSTM и Transformer; а также основы работы с PyTorch.
Для видео подойдёт курс fast.ai «Practical Deep Learning for Coders»: сначала получаете результат, затем восполняете теорию. Сопутствующие видео к книге Ли Му «动手学深度学习» также подойдут тем, кто учится на китайском языке. На продвинутом уровне стоит изучить материалы Стэнфорда CS231n и CS224n. Из книг «Deep Learning with Python» отличается понятной подачей, а фундаментальный труд «深度学习» лучше использовать в качестве справочника.
Пятый этап: большие языковые модели, RAG и Agent
Это одно из наиболее перспективных направлений в 2026 году. Умение вызывать API ещё не означает умение создавать приложения: для практического внедрения обычно требуются Embedding, векторные базы данных, поиск с расширением генерации, вызов инструментов и оркестрация Agent.
Основные темы: Transformer, предварительное обучение, дообучение и Embedding; Prompt Engineering; RAG и поиск с расширением генерации; векторные базы данных; LangChain, LangGraph, LlamaIndex, Dify и Coze; а также память, планирование, вызов инструментов и взаимодействие нескольких Agent.
Можно пройти курсы Hugging Face NLP Course и Agents Course: они бесплатны и дают сертификаты. Краткосрочные курсы DeepLearning.AI отличаются хорошим соотношением цены и полезности. Курс微软 «Generative AI for Beginners» подходит как основной учебник. На этапе практики лучше больше изучать официальную документацию, поскольку инструменты для больших языковых моделей обновляются слишком быстро.
Шестой этап: инженерия и применение в отраслях
Работающий Demo — это лишь начало; полный цикл предполагает также развёртывание, сопровождение и решение реальных задач.
На этом этапе следует изучить дообучение с LoRA; локальное развёртывание Ollama и vLLM; создание сервисов на FastAPI/Flask; Docker, CI/CD и облачное развёртывание; основы MLOps; мультимодальные системы, системы Agent, безопасность и соответствие нормативным требованиям.
Полезны «Full Stack Deep Learning», курс LLM Agents от Berkeley, а также официальная документация Ollama, vLLM, LangGraph, Dify, CrewAI и AutoGen. На этом этапе лучше учиться через проекты: например, создать помощника для ответов на вопросы по базе знаний, инструмент для систематизации документов, автоматизированную систему отчётности или рабочий процесс генерации контента.
Лучшие видеокурсы
| Этап | Курс | Для кого |
|---|---|---|
| Введение | «AI for Everyone» Эндрю Нга | Для получения базового понимания с нуля |
| Основы | Серия курсов Ли Хунъи по машинному и глубокому обучению | Системный курс на китайском языке |
| Математика | 3Blue1Brown: линейная алгебра и математический анализ | Визуальное изучение основ |
| ML | «Machine Learning Specialization» Эндрю Нга | Основной курс по машинному обучению |
| DL | fast.ai «Practical Deep Learning for Coders» | Быстрое освоение глубокого обучения |
| Практика на китайском языке | Ли Му «动手学深度学习» | Изучение с одновременным запуском кода |
| Продвинутый уровень | Стэнфорд CS224n/CS231n | Продвинутое изучение NLP и компьютерного зрения |
| Большие языковые модели | Hugging Face NLP/Agents Course | Разработка приложений на базе больших языковых моделей |
| Краткосрочные курсы | Серия краткосрочных курсов DeepLearning.AI | Быстрое восполнение специализированных навыков |
| Открытые учебники | 微软 «Generative AI for Beginners» | Введение в полный цикл разработки |
Обязательный список книг
Введение и общие основы
Дополнительное чтение к курсу «AI for Everyone»
«Волна впереди»
«Sapiens: Краткая история человечества»
Основы и математика
«Сущность линейной алгебры»
«Python for Everybody» или учебник CS50P
«Сила матриц»
Машинное обучение
«Машинное обучение» Чжи Чжихуа
«Статистические методы обучения» Ли Хан
«Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow»
Глубокое обучение
«Глубокое обучение» Яна Гудфеллоу
«Глубокое обучение: практический подход» Ли Му
«Deep Learning with Python»
«Нейронные сети и глубокое обучение» Цю Сипэна
Большие языковые модели и приложения
«Transformer для машинного обучения»
«Разработка приложений на основе больших языковых моделей: создаём AI Agent»
Официальная документация LangChain / LangGraph / LlamaIndex / Dify
Продвинутый уровень
«Искусственный интеллект: современные подходы»
«Pattern Recognition and Machine Learning»
«Reinforcement Learning: An Introduction»
«Сверхинтеллект»
Как пройти этот путь
Не начинайте слишком много курсов одновременно. На каждом этапе достаточно выбрать один основной курс, одну книгу и один небольшой проект.
Примерный темп обучения можно взять из следующей временной шкалы:
1–2 месяца: Python, обработка данных и промпты; выполните несколько задач с помощью AI;
3–5 месяцев: машинное обучение и метрики оценки; создайте проект по классификации или регрессии;
6–8 месяцев: глубокое обучение и PyTorch; создайте небольшой проект по обработке изображений или текста;
9–12 месяцев: большие языковые модели, RAG и Agent; разработайте систему вопросов и ответов по базе знаний или автоматизированного помощника;
После 12 месяцев: развёртывание, оптимизация и отраслевые приложения; сформируйте портфолио, которое можно продемонстрировать.
Если ваша цель — просто повысить эффективность работы с помощью AI, сосредоточьтесь на первом и пятом этапах. Если вы хотите разрабатывать приложения на основе AI, начните с изучения основ на втором этапе. Если вы хотите создавать контент для сайта AI-инструментов, в первую очередь изучите большие языковые модели, RAG, Agent и вопросы инженерии, больше разбирайте продукты, пишите кейсы и проводите сравнительные тесты.
Самое важное в изучении AI — как можно быстрее начать создавать. Даже простой помощник, способный отвечать на вопросы по документам, полезнее, чем десятки сохранённых курсов. Желаю всем получить знания!
