学习知识要善于思考，思考，再思考。——爱因斯坦

https://github.com/aishwaryanr/awesome-generative-ai-guide

当生成式 AI 还是一片热浪时，这个仓库已经替你把路铺好了

如果你最近正想系统学一遍生成式 AI，却被信息洪流冲得东倒西歪，那么 aishwaryanr/awesome-generative-ai-guide 很可能就是那个愿意把你从噪音里捞出来的老朋友。

它的仓库描述写得很直接，也很有野心：这是一个一站式的生成式 AI 资源仓库，汇集了研究更新、面试资源、notebooks，以及更多内容。

这句话看起来平静，实际上像个能干的馆长，已经把生成式 AI 世界里最常见的几条主线都悄悄摆上了桌面：论文、课程、路线图、面试题、代码教程、RAG、Agent、多模态、评测、微调、系统设计。你不用再像夜里打手电一样，在互联网的草丛里一个链接一个链接地找，它已经提前替你把门牌号钉好了。

这个仓库不是那种只会堆链接的“资源垃圾场”，它更像一座持续扩建的学习港口。你靠岸之后，会发现每条栈桥都通向一个明确方向：想补基础，有入口；想学应用，有课程；想冲面试，有题单；想做项目，有 notebook；想跟上研究趋势，也有论文与专题整理。

它最讨人喜欢的地方，是不装腔作势。它不试图告诉你“学完立刻改变人生”，也不靠夸张口号把你推进某种焦虑竞赛里。它更像是拍了拍你的肩膀说：别慌，生成式 AI 这片地很大，但地图我已经给你折好了。

这是一个什么样的仓库

awesome-generative-ai-guide 的定位非常清晰：为学习者、开发者、求职者和想要跟上生成式 AI 发展的人，提供一个集中、可浏览、可持续使用的资源中心。

仓库首页开门见山，先把几条核心内容路线亮出来：

  1. 每月最佳 GenAI 论文列表
  2. GenAI 面试资源
  3. Applied LLMs Mastery 2024 课程材料
  4. Generative AI Genius 2024 课程材料
  5. AI Evals for Everyone 课程与认证
  6. OpenClaw Mastery for Everyone 课程与认证
  7. 超过 90 个 GenAI 免费课程列表
  8. 用于开发生成式 AI 应用的代码仓库与 notebooks

这意味着它不是为某一种人准备的。

如果你是初学者，它能给你一条从基础概念走向真实应用的学习路径。
如果你已经在做 LLM 应用，它能给你补上 RAG、评测、部署、监控这些工程化能力。
如果你在准备面试，它能把常见问题和系统设计方向提前摆到你面前。
如果你在追热点，它还能把研究趋势和工具生态一并递过来。

它像一个很勤快的整理者，把生成式 AI 这个巨大而嘈杂的话题，拆成一间间亮着灯的小房间。你想先去哪间，它都不拦你。

打开仓库首页，你会看到一张很完整的学习地图

这个仓库的 README 本身就很像一份大型导览手册。它把内容划分得很明白，阅读时有一种在展馆里逛展的感觉：你刚走过“公告栏”，转身就能进“课程区”，再往前是“资源区”“面试准备区”“代码笔记区”，最后还有“贡献方式”和“引用格式”。

这种结构对读者非常友好，因为生成式 AI 领域最怕的不是资料少，而是资料太散、太杂、太容易把人绕晕。

而这份 README 恰恰像一个情绪稳定的向导，不催你，也不吓你，只是一块块地告诉你：

  • 这里有新上线的内容
  • 这里有系统课程
  • 这里有免费课合集
  • 这里有研究和路线图
  • 这里有面试题
  • 这里有 notebook 和代码仓库
  • 这里还有你后续可以参与共建的入口

它并不神秘，甚至有点朴素。但恰恰是这种朴素，让它显得很实用。

它最像什么

我觉得它最像一位不爱废话、但特别会照顾人的学习管家。

你刚踏进生成式 AI 的大门，它不会一把把你推进最难的论文深水区，而是先把“LLM 基础”“Prompt Engineering”“RAG”“Fine-tuning”“Evaluation”“Agents”这些常见方向分类摆好，然后说：

“你先别急，选一个入口开始就行。”

当你学到一半，开始焦虑“我到底要不要学部署”“评测是不是也得补”“多模态要不要现在看”，它又会把更完整的课程、工具和路线图递给你。

等你准备找工作了，它甚至还留了一份面试准备专区，仿佛早就知道你会来。

一个优秀的资源仓库，最重要的不是“多”，而是“多而不乱”。
这个仓库身上最难得的，就是它把庞杂的生成式 AI 内容整理出了一种秩序感。

公告区像前台，先把最近值得看的东西递给你

README 里的 Announcements 部分很像一个消息灵通的前台，知道大家刚进门最关心什么，所以优先把新内容往前放。

这里可以看到仓库重点推荐的一些更新，包括：

  • OpenClaw Mastery for Everyone 已上线并支持认证
  • AI Evals for Everyone 课程已上线并支持认证
  • Applied LLMs Mastery 全部课程内容已发布
  • 5 天学习 LLM Foundations 路线图
  • 60 道常见 GenAI 面试问题
  • 一系列生成式 AI 学习路线图与指南

其中比较有意思的是，这些内容并不是孤零零的链接，而是在主题上彼此呼应：

  • 想快速建立大局观，有 roadmap
  • 想往工程实践走，有课程
  • 想准备面试，有题库
  • 想了解 Agent、RAG、多模态，也有专门导读

这种编排像在说：
“你不是非得从第一页按顺序学起，你可以先从最需要解决的问题开始。”

这很符合今天大多数技术学习者的真实状态。大家并不总是为“系统学习”而来，很多人是带着一个具体任务闯进来的：

  • 我下周要面试，先看题
  • 我想做个 RAG demo，先找 notebook
  • 我负责 AI 产品评测，先补 evals
  • 我想学 Agent，先看路线图

而这个仓库恰好愿意配合这种现实。

Courses 区域是整座仓库最像主干道的地方

如果说整个仓库是一座城市，那么 Courses 区域就是它最宽的一条主路。

这里最重要的一条内容线，是 Applied LLMs Mastery 2024。README 把它描述成一场面向 1000+ 学生的 10 周学习旅程，主题覆盖 LLM 应用落地的多个关键方向。仅从课程安排就能看出，它不是只教你“模型是什么”，而是试图带你从认识 LLM，一路走到搭建应用、评估质量、部署上线、理解挑战与研究趋势。

课程每周主题非常鲜明：

  • Week 1：Practical Introduction to LLMs
  • Week 2：Prompting and Prompt Engineering
  • Week 3：LLM Fine-tuning
  • Week 4：RAG
  • Week 5：Tools for building LLM Apps
  • Week 6：Evaluation Techniques
  • Week 7：Building Your Own LLM Application
  • Week 8：Advanced Features and Deployment
  • Week 9：Challenges with LLMs
  • Week 10：Emerging Research Trends
  • Week 11 Bonus：Foundations

这条路线安排得很像一个懂行的老师在带路。

它知道你一上来就扎进部署和监控，会晕。
也知道如果你只停留在 Prompt 层面，迟早会觉得自己像在门口徘徊。
所以它先让你认识 LLM，再带你学提示工程、微调、RAG、工具链、评测，再往后才走向应用构建、部署与挑战。

这种课程结构很有层次感，不是把概念往你头上倒，而是有一种“先搭骨架，再填肌肉，最后穿上盔甲”的推进节奏。

这不是只给研究者看的，它也认真照顾到了实战派

很多人一提“生成式 AI 资源仓库”，脑海里浮现的就是一排排论文链接，像图书馆最深处的书架，庄严，但不一定容易下手。

awesome-generative-ai-guide 不太一样。

它当然有研究内容，也强调 research updates，但它同时非常照顾应用开发者。你会在这里看到很多偏工程、偏落地、偏实践的内容，比如：

  • 构建 LLM 应用的工具
  • RAG 相关路线图和教程
  • Prompt Engineering
  • Fine-tuning
  • Evaluation Techniques
  • Deployment
  • Observability
  • LLMOps
  • 代码 notebooks 和实战仓库

这说明它不是在单纯收藏“看起来很厉害”的资料，而是在认真思考：一个真正想把生成式 AI 用起来的人，需要什么。

它像个懂工程的朋友，知道你不能只会讲 Transformer，也不能只会背几个 benchmark 名字。真要把系统做出来，你要考虑提示、数据、检索、工具调用、评测、监控、风险、部署，这些东西一个都绕不过去。

而这个仓库，已经提前把这些岔路口都标出来了。

免费课程清单像一整面墙，几乎把主流方向都挂满了

README 里有一个非常有分量的部分：List of Free GenAI Courses。

这部分很容易让人感到一种踏实。因为它不是抽象地说“你可以多学学课程”，而是真的把课程一门一门列出来，分门别类，像超市货架一样摆好。

它覆盖的方向包括：

  • LLM Basics and Foundations
  • Building LLM Applications
  • Prompt Engineering, RAG and Fine-Tuning
  • Evaluation
  • Multimodal
  • Agents
  • Miscellaneous

这里最妙的一点，是它既有大厂和高校资源，也有社区和课程平台资源。你会看到 ETH Zurich、Princeton、Stanford、Google Cloud、AWS、Nvidia、Microsoft、Hugging Face、DeepLearning.AI、Databricks、Coursera、Udacity 等多个来源。

这种组合让仓库显得不偏科。

它不会只站在研究圈视角，也不会只站在产品宣传视角，而是尽量把不同层次、不同风格、不同学习目标的人都照顾到。

对读者来说，这种清单最大的价值并不是“哇，资源真多”，而是它帮你节省了大量筛选成本。
你不用到处问“有没有比较好的 RAG 课程”“有什么多模态入门资源”“Agent 该从哪学”。
它已经替你把门推开了。

面对生成式 AI 的学习焦虑，它给出的不是鸡血，而是路径

很多学习资料最大的问题，不在内容不够，而在不给人路径感。

你明明知道该学，却不知道先学什么、后学什么。
你明明收藏了很多链接，却总觉得自己像在拼一幅没有边框的拼图。
你每次想开始，都像站在一片太大的工地门口，连第一步往哪踩都拿不准。

这个仓库最温柔的地方就在于，它不断通过分类和路线图，把“应该学什么”转换成“接下来你可以做什么”。

比如它给出的几条资源路线就很实用：

  • 3-day RAG roadmap
  • 5-day LLM foundations roadmap
  • 5-day LLM agents roadmap
  • Agents 101 guide
  • Introduction to MM LLMs
  • LLM Lingo Series

这些内容很像一串已经替你切好的水果。
它不要求你一次吃完整桌盛宴，而是先递给你最容易入口的一块。

尤其对刚接触生成式 AI 的人来说，这种“可开始性”非常重要。
因为真正阻碍多数人的，不是智力门槛，而是启动阻力。

而这个仓库一直在做一件事：降低你的启动阻力。

Interview Prep 区域很接地气，它知道你学到最后总会走向现实

技术学习从来不只是兴趣游戏，很多人学习生成式 AI，本来就带着明确目的：

  • 找工作
  • 转方向
  • 准备晋升
  • 面试 AI 工程岗位
  • 支撑业务中的 GenAI 项目

README 里的 Interview Prep 板块，就很精准地接住了这种现实需求。

它列出了 Topic wise Questions，并给出一个现成的入口：
Common GenAI Interview Questions

同时还列出了几个关键方向：

  • Prompting and Prompt Engineering
  • Model Fine-Tuning
  • Model Evaluation
  • MLOps for GenAI
  • Generative Models Foundations
  • Latest Research Trends

此外还有一个非常有意思的部分：GenAI System Design，虽然标注了 Coming Soon，但题目已经摆出来了：

  • Designing an LLM-Powered Search Engine
  • Building a Customer Support Chatbot
  • Building a system for natural language interaction with your data
  • Building an AI Co-pilot
  • Designing a Custom Chatbot for Q/A on Multimodal Data
  • Building an Automated Product Description and Image Generation System for E-commerce

这些题目一看就很贴近实际面试与项目场景。
它们不是在问你“Attention 公式怎么写”，而是在问你“如果真要做系统，你怎么设计”。

这种现实感，会让整个仓库的气质更完整。
它不只是让你学会术语，也想让你能够走进真实世界的工作场景。

Code Notebooks 区域是从“知道”走向“动手”的桥

学生成式 AI 最怕一种状态：看懂了很多概念，但就是做不出东西。

知道 RAG 是什么，不代表你能搭一个 RAG 应用。
知道 Fine-tuning 的定义，不代表你知道从哪里开始改一份 notebook。
知道 Agents 很火，不代表你理解一个真实代码仓库里，工具调用、检索、记忆、工作流如何拼起来。

所以 README 里的 Code Notebooks 板块很关键。

它把一些实战教程和代码仓库整理出来，尤其围绕这些方向：

  • RAG Tutorials
  • Fine-Tuning Tutorials
  • Comprehensive LLM Code Repositories

这里面包括 AWS Bedrock Workshop、LangChain Tutorials、Ray 的 LLM Applications、Ollama examples、PEFT examples 等内容。

这部分的意义在于，它像把“纸上谈兵”往前推了一步。

当你从课程和路线图里学到概念之后，可以顺着这些 notebook 和代码仓库继续往下走，看看别人是怎么组织工程结构、怎么串 API、怎么处理检索、怎么完成端到端应用搭建的。

一个资源仓库真正有价值，不只是把知识告诉你，还要把实践入口留给你。
而这个仓库做到了。

它对评测这件事的重视，非常值得单独说一说

生成式 AI 领域有一个很常见的问题：大家总爱谈模型、谈效果、谈能力边界，却不愿意认真面对评测。

可一旦系统进入真实环境，不做评测，几乎等于闭着眼开车。

这个仓库在多个位置都强调了 Evaluation：

  • 在 Applied LLMs Mastery 课程中有专门的 Evaluation Techniques
  • 公告区突出推荐了 AI Evals for Everyone
  • 免费课程列表中也有 Evaluation 分类

这说明仓库维护者并没有把生成式 AI 当成一场“只要能跑出回答就算成功”的表演，而是在认真强调：真正能进入生产环境的 AI 系统，必须学会被衡量。

这很重要。

因为从 Prompt 到 RAG，从聊天机器人到 Agent，最终都要落到一个问题上：
你怎么知道它做得好不好？
你怎么发现它什么时候开始变差？
你怎么定义质量？
你怎么在迭代里建立信心？

一个愿意把评测放进核心视野的资源仓库，通常意味着它对“做成系统”这件事，比对“追热点”更认真。

Agent、RAG、多模态这些热门方向，它不是点到为止，而是给了你往深处走的门

今天的生成式 AI 讨论里，最热闹的几个词几乎总会反复出现：

  • RAG
  • Agents
  • Multimodal
  • Tool Use
  • Reasoning
  • Evaluation

很多资料会把这些词当招牌挂出来，但真正给你系统入口的并不多。

这个仓库的做法更像一位负责的引路人。它不会只在门牌上写“这里有 Agent”，而是继续把后面的路也铺出来：

  • 5-day LLM agents roadmap
  • Agents 101 guide
  • Agent 相关课程列表
  • RAG roadmap
  • RAG tutorials
  • MM LLMs guide
  • 多模态课程资源
  • 与工具、评测、应用构建相互连接的课程内容

它不是只给你一个 buzzword，而是尽量给你一个知识面、一条路线和几个实践入口。

这对学习者非常友好。
因为真正的成长，不是会复述热门术语，而是知道它们彼此之间的关系。

这个仓库就在帮你建立这种关系感。

如果你把它当成学习导航站，会非常舒服

我特别推荐一种使用方式：不要把它当成一个“我要一次看完的 README”，而要把它当成自己的生成式 AI 导航站。

你可以按目的进入，而不是按顺序苦读。

如果你是新手

先从这些方向开始：

  • LLM Basics and Foundations
  • 5-day LLM foundations roadmap
  • Applied LLMs Mastery 的前几周内容
  • LLM Lingo Series

如果你想做应用

优先看这些内容：

  • Building LLM Applications
  • RAG roadmap
  • Prompt Engineering, RAG and Fine-Tuning
  • Code Notebooks
  • Tools for building LLM Apps

如果你在做项目落地

建议把这些内容连起来：

  • RAG
  • Evaluation Techniques
  • Building Your Own LLM Application
  • Advanced Features and Deployment
  • LLM Monitoring and Observability
  • AI Evals for Everyone

如果你准备面试

直接从这些入口冲：

  • Common GenAI Interview Questions
  • Prompt Engineering
  • Model Fine-Tuning
  • Model Evaluation
  • MLOps for GenAI
  • System Design 方向题目

你会发现，这个仓库并不要求你做一个“完美学习者”。
它允许你带着任务来，带着焦虑来，带着问题来。
它甚至像早就预判到了你的处境，所以把不同路径都提前亮了灯。

它为什么会让人愿意收藏，而且不只是收藏

GitHub 上好看的仓库很多，但真正能长期留在收藏夹里、还会被不断点开的，其实不多。

awesome-generative-ai-guide 之所以容易让人愿意反复回来，是因为它具备三个特别实在的特点：

一是广

它覆盖基础、应用、评测、面试、Agent、多模态、RAG、notebooks、研究趋势、免费课程等多个方向。

二是顺

它不是乱堆，而是按学习和使用习惯进行分类，读起来顺手，找起来顺路。

三是活

README 明确说会持续更新，公告区也能看到新增内容的节奏。这意味着它不是一次性搭建完就静止的仓库，而是在不断生长。

一个活着的资源仓库，和一个被遗忘的链接坟场，气质完全不同。
前者会让你产生一种感觉：
“我下次回来，可能又会多看到一些值得看的东西。”

这种“持续有用”的预期，本身就是资源型仓库最宝贵的价值之一。

如果你想快速开始，可以直接这样用它

虽然这个仓库本质上是资源导航与内容集合，不是一个需要复杂安装的代码框架，但如果你想快速把它拉到本地，或者边看边整理自己的学习记录，可以直接这样开始。

1
2
git clone https://github.com/aishwaryanr/awesome-generative-ai-guide.git
cd awesome-generative-ai-guide

如果你只是想本地阅读 README：

1
cat README.md

如果你想快速定位和生成式 AI 学习相关的关键部分，可以用命令行做一些简单搜索：

1
2
3
4
5
6
grep -n "Courses" README.md
grep -n "Interview Prep" README.md
grep -n "Code Notebooks" README.md
grep -n "RAG" README.md
grep -n "Agents" README.md
grep -n "Evaluation" README.md

如果你想把这份仓库当作自己的学习索引库，也可以新建一个个人笔记文件，把你准备先学的部分记下来：

1
touch my-genai-learning-plan.md

然后像这样写一个最简单的学习清单：


# 我的生成式 AI 学习路线

## 第一阶段：补基础

- LLM foundations roadmap
- LLM Basics and Foundations
- Applied LLMs Mastery Week 1-2

## 第二阶段：做应用

- RAG roadmap
- Prompt Engineering
- Building LLM Applications
- Code Notebooks

## 第三阶段：补工程化

- Evaluation Techniques
- AI Evals for Everyone
- Deployment
- Observability

## 第四阶段：准备面试

- Common GenAI Interview Questions
- Model Evaluation
- Fine-Tuning
- System Design