精选有明确学习目标、前置条件和动手练习的教程、项目与制作复盘。先看适不适合自己，再参考热度，中文优先。
社区作者的工具教程、开发经验与项目案例。
图生图、ControlNet 与创作过程，跟着作者练。
从真实作品了解镜头、素材和团队工作流。
热度排序在同平台、同指标内比较；未获取的数据不记为 0。视频显示已核对的播放快照；未获取播放量的课程可在“社区精选优先”下查看。编辑标为已过时的资料在所有排序中都排在最后；各条热度的核对日期可能不同。
用虚构模型和标准库代码估算延迟与成本预算，实现规范化缓存、抖动退避重试、熔断兜底、令牌桶限流与日志脱敏，再用固定评测集做回归门禁，合成一个会阻止上线的检查脚本；不联网、不调用模型、不写价格数字。
自己生成一张答案已知的双轴图表，用两段完整提示词先问结构再抽数字，用核对脚本查出漏读、单位、坐标轴、系列互换和虚报精度，并逐类修订。
用一份虚构技术报告练习四问法，审读评测表的设置差异与题量噪声，检查数据污染信号，最后填一页带出处的读书卡，再迁移到真实报告。
按参数量、量化有效位数和上下文长度算出显存表，比较 GGUF 量化档位与 KV cache 量化，再用自带假服务验证过的计时脚本，测本机接口的首字延迟与生成速度。
先用一张表判断提示词、RAG 还是微调，再写 SFT 数据卡，用标准库脚本完成清洗、去重、校验与哈希划分，并用计算器建立 LoRA/QLoRA 显存直觉；不实际训练。
六道固定题先做规则评分，再给出完整裁判提示词；用交换顺序、长度对比和人工标注检查位置、长度与自我偏好，并用脚本算一致率、kappa 和人工抽查名单。
用固定种子生成虚构学员数据并分层划分，手写最近邻和逻辑回归，对比训练与验证准确率，读懂精确率、召回率和阈值，并亲手制造两种数据泄漏。
用纯 Python 做字二元组词袋和余弦相似度，看清同义改写为何搜不到；搭一个拒绝混用模型的小向量库，用人工标注算召回@k、MRR 并选阈值，附真实 embedding 对照方案。
用标准库写玩具分词器和按概率采样的生成器，对比温度、top-p、输出上限对结果和截断的影响，再从 usage 记录估算费用、找出漏算的历史、重试和失败请求。
为一个含学员个人信息的内部场景做小型选型：写需求卡，按地区、数据出境、上下文等门槛筛选，用五道固定题手工测试，再用标准库脚本判分并加权汇总；全文不写价格数字。
通过网页间接注入、客户来信脱敏、AI 内容发布标识三个演练，学会识别提示注入、判断哪些数据不能输入，发布前完成标识与核对；附可打印检查表和两个标准库演练脚本。
用写通知、查规定、做学习决定三个日常任务，先交给 AI 再亲手核对，练习识别幻觉、时效和隐私风险，整理出自己的 AI 分工卡；零基础、无需编程，附可选的日期星期核对脚本。