上完 Andrew Ng 嗰 7 堂課兩年之後：如果由今日重新嚟過，2026 年我會點走呢條路
到而家仲有人 send message 嚟問我：2023 年我推介嗰 7 堂 Andrew Ng 嘅 課程，喺 2026 年係咪仲係啱條路？簡短版：大部分仲值得上，但外面包住佢 哋嗰張 roadmap 已經唔同咗。呢篇係我 2026 年嘅 update，每堂課畀我嘅最新 判斷，再加上畀 builder 同 operator 兩條唔同嘅叉路。
仲有人會 send message 嚟問我嗰篇 2023 年嘅舊文。最多人問嘅，幾乎一字不差："呢條路，2026 年仲啱行嗎？"
我要承認，呢個答案我拖咗好耐先敢認真寫，因為誠實嘅答案係分層嘅。Andrew Ng 嗰幾堂課本身大部分依然企得住。但我當年圍住佢哋畫嗰張 roadmap，就企唔住啦。呢篇文，就係我欠返你哋嗰份 update。
如果你今日係由零開始，好似我 2023 年嗰陣，呢張 roadmap 嘅 foundation 部分，依然啱你。只係你需要嘅份量，會比我嗰陣少，點解咁講，後面會解釋。
先打個預防針：下面啲判斷，我可能會錯，如果你嘅經驗同我唔一樣，我真心想聽你返嚟講。我喺呢個 subject 裡面，始終仲係個學生。只不過過去兩年，我花咗啲時間，嘗試將學返嚟嘅嘢真刀真槍 ship 出去。
1. 嗰 7 堂課到底畀咗我啲咩
多咗兩年 context 再望返轉頭，我覺得 2023 年嗰批課程清清楚楚畀咗我兩樣嘢，同時有一樣嘢係佢哋畀唔到嘅。
佢哋畀咗我詞彙表。prompt engineering、retrieval-augmented generation、embeddings、function calling、chain-of-thought reasoning——呢啲字，我到而家幾乎每次技術討論都會用到。當我要同一個剛入行 AI 嘅 teammate 解釋一個難搞嘅 bug，我哋之間有一套共通語言。呢套語言係 Andrew 畀我嘅。
佢哋畀咗我信心。我 background 唔係 technical。如果冇嗰啲課畀我嘅結構感，我唔知道自己有冇膽真係開始動手 build。一堂好課可以做到呢件事：唔係教你所有嘢，而係令你相信，下一步冇咁遠。
佢哋畀唔到嘅，係taste——嗰種感覺：你會嗅到一個 prompt 幾時快要爆煲、可以判斷一個 eval 係咪真係量緊你關心嘅嘢、可以喺 cost 未真正失控之前就嗅到佢將會失控。呢啲嘢，只有喺真實用家面前搞砸過幾次之後先會長出嚟。第一年嗰段經歷我寫過呢篇 2024 年嘅文——三個月過去，我仍然喺度卡住。兩年後，我卡住嘅嘢換咗另一批，但我依然會卡住。
嗰幾堂課將我帶到*"我可以心平氣和咁去睇 docs"*呢個起點。之後所有嘢，都係 shipping 教返畀我嘅。
2. 點解舊嗰張 roadmap 而家老得更快
呢段就係我 2023 年嗰篇文最想重寫嘅部分。
當年我將嗰 7 堂課 frame 做一條完整嘅 on-ramp。佢哋唔係，而且從來都唔係。佢哋係一層 foundation。圍住佢哋嗰張 roadmap，呢兩年變嘅程度，遠遠大過課程本身。
我嘅短結論係咁：AI pair-programming 壓縮 execution 嘅速度，遠遠快過佢壓縮 judgment 嘅速度。 所以 foundation 課程依然教到對嘅嘢（judgment 老得慢），但我自己嘅學習 stack 入面，除咗呢啲之外，幾乎冇一樣仲維持住 2023 年嘅樣。
我自己嘅 timeline，用簡單啲嘅講法：
- 2022 年尾： ChatGPT 出街，個個都開始學 prompt。
- 2025 年 3 月： Google Gemini 2.5 Pro 變成我日日寫 code 嘅主力工具。嗰陣開始，個 model 寫出嚟嘅 code，係我真係敢 ship 嘅 code。
- 大約 2025 年 3 月： 我 subscribe 咗 Claude Max，即係 Anthropic 嘅 premium plan。佢畀我 Claude Code，一個行喺 terminal 裡面、喺你自己個 project 同你一齊寫同改 code 嘅 AI coding assistant。佢好快就接管咗我日常工作相當大嘅一部分。
- 2026 年 3 月： 我開始同時用 OpenAI 嘅 Codex 同 Claude Code。
- 2026 年 4 月： 我用咗 13 個月之後取消咗 Claude Max，主力轉 Codex。30 日實驗，結果未有。
上面每一步，都係一次 workflow 改變，唔係一堂我上過嘅課。一個瀏覽器入面嘅 lecture 教唔到你呢樣嘢：眼睇住一個 AI assistant 喺你自己個 repository 入面做 refactor，而你正喺度睇住佢畀嘅建議。呢件事比較接近「喺壓力下做 code review」而唔係「寫 code」，而 2026 年真正有嘢學嘅地方，好多都係發生喺呢個位。
順帶一提，呢兩年我都冇淨係學。由嗰篇 2023 年嘅文到而家，我 ship 咗三樣嘢：DIALOGUE，一個 AI podcast generator；STRATUM，一個 9-agent marketing 平台；同埋呢個網站上面嘅課程平台。期間我都仲有偶爾去上堂課，多數係補 foundation 嗰類——例如 Google IT Automation with Python 同 Cybersecurity Specialization。課程令我保持「識字」，產品令我變得「做到嘢」。
呢一切帶嚟一個好實際嘅後果：你嘅學習預算流向邊度，已經同 2023 年唔同咗。2023 年你畀錢買結構化嘅 lectures，再喺幾個 API 嘅 free tier 上跑下就得。2026 年，lectures 只係條數嘅一小部分；你用嚟寫 code 嗰啲工具，先係持續上升嗰舊大錢。如果你今日喺度為學 AI 做預算，就請將工具都計埋入去，唔好淨計課程。
如果你唔係 builder——你係 marketing leader，或者係一個永遠唔會親自去 run Claude Code 嘅 operator——呢件事換個講法仍然一樣：2026 年呢條學習路徑，你真正買緊嘅，係對工具嘅 judgment，而唔係對某一個工具嘅熟練度。 工具會一代換一代。但「幾時可以信佢、幾時要 challenge 佢個 output、幾時必須將人放返入 loop」呢種 judgment，先係會留低嘅部分。
3. 2026 年每堂課嘅最新判斷
呢一 part 應該係對你最有用嗰一 part，所以我會直接啲講，判斷軟嘅地方我會標出嚟——因為誠實嘅答案視乎你係邊個人。
呢段寫畀邊個睇： 今日正喺度諗緊去唔去上呢啲課嘅人。無論你係需要足夠 AI literacy 去帶 team 嘅 marketing operator，定係想真係 ship 嘢嘅 builder，下面呢個表會喺需要分開講嘅地方分開講。
| 2023 年嘅課程 | 2026 年嘅判斷 | 原因 |
|---|---|---|
| Machine Learning Specialization | Time-box 1–2 星期，數學快速掃過 | 對大多數讀者嚟講，呢堂課嘅價值主要係詞彙表。數學推導密嗰啲，如果你想走 research 方向就值得啃；否則 skim 就得。 |
| Generative AI for Everyone | 個個都應該上 | 我見過最好嘅 generative AI 非技術講法。老得好優雅。認真推介：send 畀你個 CEO。 |
| ChatGPT Prompt Engineering for Developers | 仲值得上，但要配埋 cookbooks | Core patterns 仍然啱用。配 Anthropic 同 OpenAI 嘅 cookbooks 嚟接返 2026 年嗰代 API。 |
| Building Systems with the ChatGPT API | 上佢係為咗學 mental model；具體 API 細節唔好照搬 | moderation、chain-of-thought、chained prompts、output checks——思路仍然啱。但佢講嘅具體 API surface，已經換過唔止一次。 |
| Neural Networks and Deep Learning | 除非走 research，直接 skip | 2023 年我已經講過呢堂同 ML Specialization 有重疊。今日我會講得更大聲，無論你係 builder 定 operator 都一樣。 |
| Functions, Tools, and Agents with LangChain | 報名前先睇下佢而家點 | 2025 年我 build 嗰個 9-agent 平台嘅時候，冇用 LangChain。嗰年早啲我試過一個 LangGraph agent，撞到 performance 天花板，迫我轉去用更簡單嘅 orchestration。真正要學嘅係 agentic patterns；具體揀邊個 framework 係你自己嘅事，而呢個領域喺我 2025 年嗰次經驗之後又行咗一段路。要我再將 LangChain 放返入嚟，我會先去重新望一眼而家嘅情況。 |
| Vector Databases: from Embeddings to Applications | 仲值得上，短啲就得 | 呢堂講嘅 patterns 就係而家呢個網站搜尋功能背後嗰啲嘢。將同某個 provider 綁得太實、已經過時嘅章節 skip 咗佢。 |
請將以上睇做一個 builder 嘅 view，唔係一個 universal 排名。如果你帶住唔同目標入嚟（research、或者某個特定 stack），你嗰張表會唔同。
4. 而家我會加返啲咩入去，同埋路點樣分叉
去到呢個位，條路開始分叉。operator 同 builder 要嘅第二層係唔同嘅。
如果你係 marketing leader 或 operator
Tier 1. 將上面標住「仲值得上」嗰幾堂上完。重點放喺 Generative AI for Everyone 同 Prompt Engineering for Developers。你買緊嘅係詞彙表同直覺。
Tier 2. 學到足夠程度，去理解 evaluations（一種去衡量一個 AI output 係咪真係好，而唔單止係聽落似樣嘅方法）同 agent design（點樣將幾個 AI 步驟串成一條 reliable workflow）——夠你做 team decision 就得。你唔需要自己 build 呢啲嘢。你需要嘅係識問啱嘅問題：我哋究竟喺度量緊啲咩？失敗係點樣？traces 擺喺邊？我哋幾耐睇一次真實嘅 output？如果你 team 裡面冇人答得清楚呢幾條，你大機會睇緊一個 demo，而唔係一個 durable 嘅 system。而如果有人同你講「AI 會自己搞掂」，請再追問：佢 ground 喺咩 raw materials 上面？一個夠強嘅 model，係可以將真實 traces、已經被接納嘅 output、失敗 case 同內部文檔變成一份 draft 嘅 eval criteria 同有 seed 嘅 dataset。呢件事好有用。但仍然需要一個人去覆核 rubric、calibrate 標準。
Tier 3. 重新設計一條 workflow。喺你 team 每個星期最細嗰件真實嘅事入面揀一樣——週報、brief intake、QA review——將 AI 放入個 loop 重新搭一次。呢件事點樣搭，我喺文章最後會再講返，但呢件事本身始終要你自己做。
如果你係 builder
Tier 1. 同上面表入面同嗰幾堂 foundation 課。
Tier 2.
先動手 build，唔好先坐低學。 開一個免費嘅 GitHub account，建你嘅第一個 repository。Git 學到夠用就得：識 commit 細改動，喺搞砸嗰陣乾淨咁 roll back。然後喺一個真實嘅 project 上面，配住一個主流 coding assistant 開始寫。我自己用過 Claude Code 配 Opus 4.7，都用過 OpenAI Codex 配 GPT-5.4。成個 walkthrough 就係嗰段功夫，如果你要等到覺得「準備好」先開始，你就唔會開始。卡住嗰陣先去睇返你手上嗰個工具嘅 docs，唔好將「研究晒成個 stack」變成另一個拖延藉口。
一旦嘢跑得起，就開始用實用嘅方式去學 evals。 將真實 input 同 output 存低。儲定啲 ground-truth 材料。為 workflow 每一步，決定「好」同「唔好」長成點。然後用一個夠強嘅 coding assistant——Claude Code 配 Opus 4.7 開 xhigh thinking，或者 Codex 配 GPT-5.4 開 xhigh thinking——幫你搭 eval framework 個骨架、提出 criteria、生成一個以嗰啲材料做 ground嘅初始 dataset。呢啲 setup 功夫，AI 可以幫你做走好多。但佢唔應該悄悄咁替你定義個標準。rubric 你要自己睇。
然後學啲 MCP 嘅基礎——Model Context Protocol：令到 Codex 呢啲工具可以直接同你 stack 其他部分對話嗰一層。喺我自己呢個 repo 嘅日常工作度，而家即係 Chrome DevTools、Playwright、Supabase、GitHub、Stripe、Resend 同 Cloudflare。MCP 2023 年仲未存在。到今日佢已經係我點樣 build 嘢嘅一部分。
Tier 3. 做一樣有其他人真係用緊嘅嘢。唔係 tutorial。唔係複刻一個 demo。係真有 user 嘅嘢，即使嗰個 user 淨係你自己 team 裡面一個人。
兩條路共享同一條規則：冇樣真嘅嘢 run 到，就唔算完。
順帶一提，錢一直都重要：如果 $20 一個月嘅 coding assistant 對你而家嚟講係硬 expense，就暫時 skip tooling 嗰層。Foundation 課程加 free-tier API key 依然 work。我 2023 年就係咁開始，而到而家都仲係一條真嘅路。
5. 而家我會 skip 或者 time-box 嘅嘢
三個陷阱，都好易踩，因為佢哋睇落似進步。
- 考 cert 當拖延。 呢件事我做過。感覺好有 productivity。但佢唔係 shipping 嘅 substitute。Foundation cert 考完就停，唔好再數。
- 追住「呢個月最 hit 嗰個 framework」嘅課。 如果一堂課綁死喺一個仲未夠兩年嘅 framework 度，請小心。先去睇嗰個 framework 自己嘅 docs，等個領域 settle 返先再睇課。
- 數學密嘅 deep learning 理論，除非你準備走 research。 一個 builder 唔使自己推 backpropagation。一個 leader 更加唔使。
6. 我最後自己開咗嗰堂課
將 foundation 課程全部上完之後，我一直撞到嘅嗰堵牆，唔係技術問題。係 operator-level 嘅 judgment 問題。你要點樣圍住 AI 重新設計成個 marketing team——而唔係淨係多 call 幾個 API？你要點樣決定，邊啲嘢仍然應該由人做，邊啲嘢部機器終於配得上接手？呢個位，冇人用同我喺公司實際睇到嗰種方式去教。
所以我去 build 咗嗰堂我當年好想喺 Andrew Ng 嗰 7 堂之後可以上到嘅課。佢叫 AI-Native Media Operations，就開喺呢個網站。7 個 modules、16 份 templates、大約 3 個鐘 video，買咗就係你嘅。佢就係我為 operator 嗰條路指返轉頭嗰套 framework，因為我真係信佢。
一條 link，一段推介。如果 Andrew Ng 嗰 7 堂課喺你身上做咗佢哋應該做嘅嘢，上面呢啲判斷又幫你 trim 返張 roadmap，下一級台階係真正動手做嘢——不論你上唔上我嗰堂課。
如果你當年上咗嗰張 2023 年嘅清單，我真係好想知：邊一堂對你回報最大，邊一堂你而家回望覺得應該 skip。如果你係今日先起步嗰個人，令你躊躇嘅係咩？
差唔多就係咁。
祝好，Chandler
