我上完 Andrew Ng 那 7 门课两年之后：如果今天重来，2026 年我会走的路
直到今天，还有人来问我：2023 年我推荐的那 7 门 Andrew Ng 课程，今天 是不是仍然是正确的学习路径。简短回答：大部分课依然值得上，但外面包裹 着它们的那张地图已经变了。这篇是我 2026 年的更新，附上每门课的最新判 断，以及给 builder 和 operator 两条不同的分叉路径。
到现在还会有人发消息来问我那篇 2023 年的旧文，问得最多的几乎是同一句话："这条路 2026 年还值得走吗？"
我必须承认，这个回答我拖了很久才敢写完，因为诚实的答案是有层次的。Andrew Ng 那几门课本身大部分依然能打。我当年围绕它们画出来的那张路线图，已经不能打了。这篇文章，就是我欠你们的那份更新。
如果你今天完全从零开始，就像我 2023 年那样，那么这份路线图里的基础部分，依然适用。只不过你需要的会比我当年少一些，原因我后面会展开说。
先打个预防针：下面这些判断我可能会错一些，如果你的经验和我不一样，我真的很想听你回来告诉我。在这个领域里，我始终还是个学生。只是过去两年里，我花了不少时间，试着把学到的东西真刀真枪地做出来。
1. 那 7 门课到底给了我什么
回头看这两年多出来的上下文，我觉得 2023 年那批课程清清楚楚地给了我两样东西，同时也有一样东西是它们给不了的。
它们给了我词汇表。prompt engineering、retrieval-augmented generation、embeddings、function calling、chain-of-thought reasoning——这些至今仍是我每一次技术对话里会用到的词。当我要向一个刚入门 AI 的同事解释一个棘手的 bug，我们之间有一套共同语言。这套语言，是 Andrew 给我的。
它们给了我信心。我是非技术背景出身的。没有那些课给我的结构感，我很难相信自己敢真的开始动手写。一门好的课程就是能做到这件事：不是把一切都教给你，而是让你相信下一步其实没那么远。
它们给不了我的，是品味——那种能嗅到 prompt 快要崩、能判断 eval 有没有在真正衡量你关心的东西、能在 cost 曲线还没爆炸之前就提前感觉到的直觉。这些东西，只有在真实用户面前一次次搞砸之后才会慢慢长出来。关于第一年那段，我写过一篇 2024 年的文章——三个月过去，我还在卡住。两年后，我被卡住的事情换了一批，但我依然会被卡住。
那些课程把我带到了*"我可以心平气和地去读 docs"*这个起点。剩下的部分，全部是 shipping 教会我的。
2. 为什么老的路线图现在老得更快
这里就是我 2023 年那篇文章里，最想重写的一段。
我当时把那 7 门课包装成了一条完整的入门通道。它们不是，也从来不是。它们是一个基础层。围绕它们的那张路线图，这两年里变的程度，比课程本身要大得多。
我的短论断是这样的：AI pair-programming 压缩 execution 的速度，已经远远快过它压缩 judgment 的速度。 所以基础课程依然在教对的东西（judgment 老得慢），但我自己的学习栈里，除了它们以外几乎没有一样东西还保持着 2023 年的样子。
讲讲我自己的时间线，用大白话：
- 2022 年末： ChatGPT 发布，人人开始学 prompt。
- 2025 年 3 月： Google Gemini 2.5 Pro 成为我每天写代码的主力。那一刻起，模型写出来的代码，是我真的敢 ship 的代码。
- 大约 2025 年 3 月： 我订阅了 Claude Max，也就是 Anthropic 的高端套餐。它给了我 Claude Code，一个跑在 terminal 里、在你自己项目里面一起写和改代码的 AI coding assistant。它很快就接管了我日常工作里相当大的一部分。
- 2026 年 3 月： 我开始把 OpenAI 的 Codex 和 Claude Code 两个工具同时用。
- 2026 年 4 月： 我在用了 13 个月之后取消了 Claude Max，主力转向 Codex。30 天的实验，结果还没出来。
上面每一步，都是一次 workflow 变化，不是一门我上过的课。浏览器里一节课能教给你的东西，和你亲眼看着一个 AI assistant 在你自己的 repo 里做 refactor、而你正在读它给出的建议——这两种经验之间，差着整整一个维度。后者更像是"在压力下做 code review"，而不是"写代码"，而 2026 年这批真正有意思的学习，大量就发生在这个位置上。
说句题外话，我这两年也没只学不做。从那篇 2023 年的文章到今天，我 ship 了三样东西：DIALOGUE，一个 AI podcast generator；STRATUM，一个 9-agent 的 marketing 平台；以及这个网站上的课程平台。期间我也还是偶尔去上点课，大多是填补基础的那种——比如 Google IT Automation with Python 和 Google Cybersecurity Specialization。课程让我保持了"识字"，产品让我变得"能干活"。
这一切还带来一个很实际的后果：你的学习预算去哪，已经和 2023 年不一样了。2023 年你付钱买结构化的课，然后在几个 API 的 free tier 上跑一跑就够了。2026 年，课程只占账单很小一部分，你用来写代码的那些工具，才是持续增长的大头。如果你今天在给 AI 学习做预算，请把工具也算进去，不要只算课。
如果你不是 builder——你是个 marketing leader，或者是一个永远不会自己跑 Claude Code 的 operator——这件事换个说法还是一样的：2026 年这条学习路径，你真正在买的，是对工具的判断力，而不是对某一个具体工具的熟练度。 工具会一代一代换，但"什么时候能信它、什么时候要挑战它的输出、什么时候必须把人放回 loop 里"这种判断力，才是会留下来的东西。
3. 2026 年每门课的最新判断
这部分大概会是对你最有用的，所以我准备直说，判断软的地方我会注明——因为诚实的答案会根据你是谁而不同。
这部分写给谁： 今天正在考虑要不要去上这些课的人。不管你是需要足够 AI literacy 去带一个团队的 marketing operator，还是想真正 ship 东西的 builder，下面这个表会在值得分开讲的地方分开讲。
| 2023 年的课程 | 2026 年的判断 | 原因 |
|---|---|---|
| Machine Learning Specialization | 控制在 1–2 周，数学部分快速扫过就好 | 对大多数读者来说，这门课的价值主要是词汇表。数学推导密集的部分，如果你准备走研究方向，值得啃；否则扫过就行。 |
| Generative AI for Everyone | 建议人人都上 | 我见过的非技术视角里，对 generative AI 讲得最好的一门。老得很优雅。认真推荐：把它发给你的 CEO。 |
| ChatGPT Prompt Engineering for Developers | 仍然值得上，但要配着 cookbooks 一起看 | 核心 patterns 至今有效。配合 Anthropic 和 OpenAI 的 cookbooks，去跟上 2026 年这一代 API。 |
| Building Systems with the ChatGPT API | 上它，是为了学 mental model；具体 API 细节不要照搬 | moderation、chain-of-thought、chained prompts、output checks——这些思路仍然对。但它讲的具体 API surface，已经换过不止一次了。 |
| Neural Networks and Deep Learning | 除非走研究方向，直接跳过 | 我 2023 年就说过这门课和 ML Specialization 有重复。今天我要更大声地再说一遍，对 builder 和 operator 都一样。 |
| Functions, Tools, and Agents with LangChain | 报名前先看一下它现在的状态 | 2025 年我做那个 9-agent 平台的时候，没有用 LangChain。那一年早些时候我试过一个 LangGraph 的 agent，遇到 performance 的天花板，最后推我转向一个更简单的 orchestration。真正的功课是 agentic patterns 本身，具体选哪个 framework，是你自己的事，而这个领域在我 2025 年那次经验之后又往前走了。要我把 LangChain 重新放回来，我得先去重新看一眼现在的样子。 |
| Vector Databases: from Embeddings to Applications | 仍然值得上，但要短 | 这门课讲的 patterns 就是当下驱动这个网站上搜索功能的东西。那些和具体 provider 绑得太紧、已经过时的章节，直接跳过。 |
请把上面当作一个 builder 的视角，不是一份通用排名。如果你带着不同的目标进来（研究方向，或者很具体的某个 stack），你的那张表会长得不一样。
4. 现在我会补进去什么，以及路径在哪里分叉
到这个点上，路径开始分叉。operator 和 builder 需要的第二层，是不一样的。
如果你是 marketing leader 或 operator
Tier 1. 把上表里标着"仍然值得上"的那几门上完。重点放在 Generative AI for Everyone 和 Prompt Engineering for Developers 上。你在买的东西，是词汇表和直觉。
Tier 2. 学到足够的程度，能理解 evaluations（一种用来衡量 AI 输出到底是不是真好，而不只是听起来像样的方法）和 agent design（如何把多个 AI 步骤串成一条可靠的 workflow）——够你做团队决策就行。你不需要自己去建这些东西。你需要的是能提出对的问题。我们到底在衡量什么？失败长什么样？traces 存在哪里？我们多久看一次真实的输出？如果你团队里没有人能把这几题答清楚，你大概率在看一个 demo，不是在看一个 durable 的系统。而如果有人跟你说"AI 会自己搞定的"，请追问：它被 ground 在什么原材料上？一个足够强的模型，是可以把真实 traces、被采纳的输出、失败案例、内部文档变成一份 draft 的 eval criteria 和一个有种子的数据集。这件事很有用。但它还是需要一个人去复核 rubric、校准标准。
Tier 3. 重设计一条 workflow。挑出团队一周里最小的那件真实的事——一份周报、一次 brief intake、一次 QA review——把 AI 放到这个流程的 loop 里，重新搭一遍。关于这件事怎么搭，我在这篇文章最后会回过头来谈，但这件事本身，无论怎么都得你自己来做。
如果你是 builder
Tier 1. 和上表里一样的那几门基础课。
Tier 2.
先动手做，别先坐下来学。 开一个免费的 GitHub 账号，建好你的第一个 repository。Git 学到够用就行：能 commit 小改动、能在搞砸的时候干净利落地回滚。然后就在一个真实的项目上，配着一款主流 coding assistant 开始写。我自己用过 Claude Code 搭 Opus 4.7，也用过 OpenAI Codex 搭 GPT-5.4。走一遍流程本身就是学习，如果你非要等到自己觉得"准备好了"再开始，那你就不会开始。卡住的时候再去读你手上那个工具的 docs，别把"把整个 stack 研究透"变成又一个拖延的借口。
一旦跑起来了，就开始用实用的方式学 evals。 存下真实的 input 和 output。收集一些 ground-truth 素材。在 workflow 的每一步里，明确"好"和"坏"长什么样。然后用一个足够强的 coding assistant——Claude Code + Opus 4.7 开 xhigh thinking，或者 Codex + GPT-5.4 开 xhigh thinking——帮你搭出 eval framework 的骨架，提出 criteria，生成一份以这些素材为 ground的初始数据集。这些 setup 工作，AI 能帮你做掉不少。但它不该替你悄悄定义你的标准。rubric 你要自己看过。
然后学一点 MCP 的基础——Model Context Protocol：让 Codex 这样的工具，能直接和你 stack 里其他部分对话的那一层。在我自己这个 repo 上的日常工作里，它目前意味着 Chrome DevTools、Playwright、Supabase、GitHub、Stripe、Resend 和 Cloudflare。MCP 在 2023 年还不存在。今天它已经是我构建方式的一部分了。
Tier 3. 做一个别人会用的东西。不是 tutorial。不是对某个 demo 的复刻。是真的有一个 user 的东西，哪怕那个 user 只是你自己团队里的一个人。
两条路共享同一条规则：不把一样真实的东西跑起来，就不算完。
顺便说一句——钱这件事一直重要：如果一个月 $20 的 coding assistant 对你现在来说都是一笔硬支出，就先把 tooling 这一层跳过。基础课程加上 free tier 的 API key，依然能把你带起来。我 2023 年就是这样开始的，到现在这也依然是一条真实的路。
5. 现在我会直接跳过或者限时处理的东西
三个陷阱，都很容易踩，因为它们看起来都像进步。
- 把考证当作拖延。 这事我自己干过。它让人感觉很充实，但它替代不了 shipping。基础证考完以后，就别再数证了。
- 追着"这个月最火的 framework"的课。 如果一门课紧紧绑在一个发布不足两年的 framework 上，请警惕。先去读这个 framework 自己的 docs，等这个领域稳一些之后再回来看课。
- 数学密集的 deep learning 理论——除非你要走研究方向。 builder 不需要自己推导 backpropagation，leader 更不需要。
6. 我最后自己开的那门课
把基础课程全部走完之后，我持续在撞的那堵墙，不是一个技术问题。它是 operator 层的判断力问题。你要怎么围绕 AI 重新设计一整个 marketing team——而不是仅仅多调几个 API？你要怎么决定，哪些事情依然应该由人来做，哪些事情这台机器终于配得上接过去？那个位置上，没有人用能匹配我在工作中实际看到的那种方式去教这件事。
于是我去做了那门我当年希望自己能在 Andrew Ng 的七门课之后去上的课。它叫 AI-Native Media Operations，就开在这个网站上。7 个模块，16 个 templates，大约 3 小时视频，买下来就是你的。它就是我给 operator 这条路指向的那套 framework，因为我真的相信它。
一个链接，一段安利。如果 Andrew Ng 那 7 门课对你来说达到了它们该有的效果，上面这些判断又帮你把路线图精简了下来，那下一级台阶，就是真刀真枪地动手——无论你上不上我的课。
如果你当年上过那张 2023 年的清单，我真的很想听：哪一门对你回报最大，哪一门你现在回头看希望当初跳过。如果你是今天刚开始的人，是什么让你迟疑？
先写到这里。
祝好，Chandler
