微軟 12.4 萬星 Generative AI for Beginners 21 堂免費課程懶人包:從提示工程、RAG 到 AI 代理一次學完
想系統化學習生成式 AI 開發卻不知從何下手?微軟在 GitHub 累積近 12.4 萬顆星的免費開源課程 Generative AI for Beginners,透過 21 堂課帶你從提示工程、向量資料庫、RAG 檢索增強生成一路做到 AI 代理與模型微調,附 Python 與 TypeScript 雙語範例與繁體中文翻譯支援。
滑開社群媒體,每天都有人分享最新的 AI 神器或提示詞模板,但真要自己動手把大語言模型接進產品或工作流裡,許多人翻了半天零散的部落格文章,依然不知道 RAG、Embeddings 跟 AI 代理(Agents)之間到底怎麼串接。
由微軟 Cloud Advocates 團隊維護的開源課程 Generative AI for Beginners,正是為了把這條碎片化的學習曲線拉直而誕生。
這套完全免費的課程在 GitHub 上已經累積 123,977 顆星與 66,798 次 Fork,是目前全球開發者社群最常收藏的生成式 AI 入門教材之一。
它不要求你先讀完厚重的深度學習論文,而是直接透過 21 堂結構化的實戰課程,帶你從理解大語言模型運作原理開始,一步步寫出能讀懂企業文件、呼叫外部工具甚至具備安全防護機制的 AI 應用程式。
無論你是習慣用 Python 做資料處理的後端工程師,還是熟悉 TypeScript 的全端與前端開發者,這套課程都在每一個實作單元提供了雙語程式碼範例,而且官方社群還內建了包含繁體中文在內的多國語言翻譯支援,大幅降低了台灣讀者的閱讀門檻。
延伸閱讀:18 萬星開源神器 Ollama 懶人包:一行指令在電腦跑本地 AI 入門全攻略

為什麼這套 21 堂免費課程能拿下近 12.4 萬顆星?四大核心設計優勢
市面上標榜「AI 入門」的免費教學資源並不少,但多數課程不是停留在網頁版 ChatGPT 的聊天技巧,就是一開頭就塞滿數學推導與神經網路公式,讓想做應用開發的工程師無所適從。
微軟這套教材之所以能長期霸佔 GitHub 熱門榜單,關鍵在於它把受眾精準鎖定在「想用程式碼打造生成式 AI 應用」的實作者身上。
觀念課與實作課交替推進,告別紙上談兵
整套 21 堂課採取「觀念解析(Learn)」與「動手實作(Build)」交替編排的節奏。每一堂課都配有簡短的導讀影片、圖解講義、核心名詞解釋,以及可以直接在瀏覽器或本機執行的程式碼範例。
你不會遇到讀完十章理論才寫出第一行程式的挫折感,而是學完一個概念(例如什麼是 Token 或溫度參數 Temperature),下一堂課就能立刻在程式裡調整參數並觀察模型輸出的變化。
Python 與 TypeScript 雙語範例,前端工程師也能無痛上車
過去 AI 生態系幾乎是 Python 的天下,這讓許多主攻網頁與 Node.js 的前端或全端開發者必須額外切換語言環境。
微軟在這套課程裡直接為核心實作單元準備了 Python 與 TypeScript 兩種版本,讓前端工程師能用自己最熟悉的語法呼叫模型 API、處理串流輸出與建構對話介面,不需要為了學 AI 而重新適應陌生的套件生態。
以下將這套課程最受歡迎的四大設計特色整理成對照表:
| 課程特色維度 | 傳統零散線上教學 | 微軟 Generative AI for Beginners |
|---|---|---|
| 技術深度定位 | 偏重聊天介面操作或純數學論文推導 | 聚焦軟體工程師視角的 AI 應用開發架構 |
| 程式語言支援 | 多數僅提供單一 Python Notebook | 核心實作同步提供 Python 與 TypeScript 雙版本 |
| 多語系友善度 | 以全英文為主,專有名詞容易誤解 | 社群協作提供繁體中文、日文、韓文等多國語系翻譯 |
| 實戰完整度 | 常只教到呼叫單次 API 為止 | 涵蓋向量資料庫、RAG、AI 代理、微調與安全防護 |
21 堂課完整地圖拆解:從提示工程、RAG 到 AI 代理學什麼?
打開專案的目錄結構,21 堂課被清楚切分為四個學習階段,就像一張循序漸進的技術地圖,幫助學習者隨時掌握自己目前所在的位置。
第一階段(Lesson 1–5):建立底層認知與提示工程實戰
課程前五堂先幫你打好基本功,內容涵蓋生成式 AI 與大語言模型的運作簡介、如何比較與挑選不同的基礎模型(Foundation Models),以及負責任 AI(Responsible AI)的設計原則。
緊接著在第四與第五堂課,教材會深入拆解提示工程(Prompt Engineering)的結構化技巧與進階控管策略,教你如何在程式碼裡透過系統提示詞(System Prompt)、少樣本示範(Few-shot)與輸出格式限制,讓模型給出穩定且可被程式解析的結果。
第二階段(Lesson 6–11):打造聊天應用、圖片生成與文字搜尋
進入開發實戰後,課程會帶你從零打造文字生成與聊天機器人應用程式,並介紹如何利用視覺與多模態模型開發圖像生成與影像理解功能。
這階段最具價值的轉折點在於「向量搜尋(Vector Search)」的導入。課程會用淺顯的幾何直覺解釋文字如何被轉換成高維度向量座標(Embeddings),並讓你動手寫出一個能理解語意相似度的搜尋原型,為接下來的企業級知識庫打好基礎。
第三階段(Lesson 12–16):打通低程式碼、RAG 與外部工具呼叫
當模型需要回答訓練資料以外的私有文件或即時資訊時,單靠微調往往成本過高。因此課程在第 15 堂專門聚焦檢索增強生成(RAG)與向量資料庫的整合架構,示範如何把外部文件切片、建立索引並餵給模型參考。
此外,這階段也包含低程式碼 AI 應用開發流程,以及如何讓語言模型透過函式呼叫(Function Calling)連結外部 API,讓 AI 不再只是陪聊機器人,而是能實際查詢資料庫與觸發系統動作的數位助理。
第四階段(Lesson 17–21):邁向 AI 代理、模型微調與安全治理
最後五堂課則把視野拉高到真實上線的生產環境,包含如何設計能自主規劃步驟並使用工具的 AI 代理(AI Agents)、開源模型與商業模型的比較選型、何時該進行模型微調(Fine-tuning),以及如何防範提示詞注入(Prompt Injection)等生成式 AI 安全威脅。
| 學習階段 | 涵蓋課次 | 核心技術主題 | 學完後能做出什麼 |
|---|---|---|---|
| 基礎與提示設計 | Lesson 1–5 | LLM 原理、基礎模型比較、負責任 AI、提示工程 | 掌握模型選型邏輯,寫出穩定可控的 Prompt |
| 多模態與語意檢索 | Lesson 6–11 | 聊天機器人、圖像生成、低程式碼、語意搜尋 | 開發對話應用、影像生成工具與向量搜尋原型 |
| 知識庫與外部整合 | Lesson 12–16 | 設計系統、開源模型、RAG、向量資料庫、工具整合 | 打造能讀取外部文件並串接 API 的知識庫應用 |
| 代理與上線治理 | Lesson 17–21 | AI 代理(Agents)、模型生命週期、微調、AI 安全 | 建構自主多步驟代理,並具備上線資安防護觀念 |
誰最適合這門課?學習前的環境準備與避坑指南
雖然課程名稱寫著「for Beginners」,但這裡的「初學者」指的是剛開始接觸生成式 AI 開發的軟體工程師或技術學習者,而不是完全沒碰過程式碼的純新手。
如果你已經具備基本的 Python 或 JavaScript / TypeScript 讀寫能力,知道怎麼使用終端機與 Git 下載專案,這套教材的節奏會讓你覺得非常順暢。
善用 GitHub Codespaces 與本地 Ollama 降低試錯成本
很多學習者在照著開源教材跑範例時,最常卡在兩件事:本機 Python 版本衝突,以及沒有付費的商業模型 API 金鑰。
針對環境設定問題,微軟在專案中直接提供了 GitHub Codespaces 的設定檔,你只要在網頁上點一下啟動雲端開發容器,就能在瀏覽器裡直接獲得預裝好所有套件的環境。
至於模型推論成本,雖然教材預設示範雲端 API 串接方式,但只要你熟悉開放相容介面,也可以將端點切換為本機執行的 Ollama 模型來跑基礎練習,大幅減少練習階段的 API 帳單支出。
延伸閱讀:新手在 Windows 或 Mac 跑本地 AI 選 Ollama 還是 LM Studio 完整對比
結語:給台灣開發者的 3 週完課實戰路線
面對每天推陳出新的 AI 工具,把時間投資在會過時的介面操作上很快就會貶值;相反地,提示工程結構、向量檢索、RAG 與 AI 代理這四塊底層積木,是未來幾年無論模型怎麼換代都依然通用的核心能力。
建議你可以把這 21 堂課拆成 3 週的學習計畫:第一週每天花 40 分鐘跑完 Lesson 1 到 7,先把提示工程與聊天介面寫出來;第二週專攻向量搜尋與 RAG 檢索架構,試著餵進自己的工作筆記或技術文件;第三週再挑戰 AI 代理與模型微調章節。
現在就到 Generative AI for Beginners GitHub 儲存庫 按下 Star 並切換至繁體中文導覽頁面,挑一個你最想解決的工作痛點開始動手吧。
延伸閱讀:RTX 5080 16GB 跑本地 AI 夠用嗎?量化模型與顯存實測指南
常見問題(FAQ)
Q1:完全沒有寫過程式的人,可以直接學微軟這套 Generative AI for Beginners 嗎?
如果完全沒有任何程式基礎,直接閱讀程式碼範例會比較吃力。這套課程假設學習者至少看得懂基礎的 Python 或 TypeScript 語法,以及知道如何透過 API 傳送 JSON 資料。若你還不會寫程式,建議先花一週掌握 Python 基礎語法後再回來修這 21 堂課,吸收效率會高出許多。
Q2:這套課程支援繁體中文嗎?一定要使用付費的 Azure OpenAI 才能練習嗎?
專案官方在 README 與各單元頁面都收錄了由全球社群貢獻的繁體中文翻譯連結,閱讀觀念講義完全沒有語言障礙。在模型連線方面,課程雖然預設使用 Azure OpenAI 或 OpenAI API 作為示範,但核心邏輯與標準介面相通,學習者也可以依個人需求調整設定,改用免費額度方案或本機運行的開源模型進行測試。
Q3:如果我已經會用 ChatGPT,還有必要花時間學這 21 堂課嗎?
非常有必要。在網頁介面上聊天只是「使用者」視角,而這套 12.4 萬星的課程教的是「建構者」視角——包含如何計算 Token 成本、如何讓模型穩定輸出結構化 JSON、如何用向量資料庫解決模型幻覺,以及如何讓 AI 代理自主呼叫外部工具,這些才是能真正寫進履歷或做成產品的工程實力。