Datawhale 是什么
Datawhale 是一个专注于 AI 领域的开源学习组织，2018 年成立，价值观是「for the learner，和学习者一起成长」。把学习内容分成活动、课程、认证、资讯四个板块，并给出数据分析、计算机视觉、自然语言处理、推荐系统四条学习路线，帮刚接触 AI 的人先确定往哪走。课程与教材全部开源在 GitHub 的 datawhalechina 组织下，公开仓库 200 余个，其中《从零开始构建智能体》hello-agents、《从零开始构建大模型》happy-llm、《开源大模型食用指南》self-llm、南瓜书 pumpkin-book、吴恩达大模型课程中文版 llm-cookbook 等长期排在同类教程前列。
它和一般课程平台的区别在于：内容不是一家公司产出的，而是社区成员多年贡献与持续维护的结果，因此没有付费墙，个人学习者可以免费拿到全部课程与代码；学习形式以共学营、组队学习为主，按天推进任务、社群答疑，解决自学容易半途而废的问题。需要说明的是，社区对个人学习者免费提供开源内容，商业服务主要面向企业与高校合作。
Datawhale 的主要功能
- 开源课程体系：上百门覆盖机器学习、深度学习、大模型、CV、NLP 等方向的课程，多以 Jupyter Notebook 与 Python 代码形式发布，可以直接 clone 到本地跑通。
- 学习路线：官网提供数据分析、计算机视觉、自然语言处理、推荐系统四条路径，把从入门到进阶的先后顺序排好，省去自己拼装课表的麻烦。
- 共学营与组队学习：按主题开营，例如大模型实战、AI 办公、AI 编程等，按天发布任务并配社群答疑与打卡，用外部节奏把课程跟完。
- 开源教材与出版：南瓜书、蘑菇书等系列把经典教材的公式推导补全，部分已与出版社合作出版纸质版，可以作为案头参考书。
- 能力认证：设有与外部机构合作的 AI+X 微认证，用来检验学习成果，具体项目与规则以官网认证页为准。
- 资讯与活动：精选 AI 行业动态与干货，并组织线上分享会与线下见面会，官网称已累计帮助 20 万以上 AI 学习者。
Datawhale 的计费方式
完全免费，课程、教材与实战项目全部开源。以上为 2026 年 9 月整理，仅供参考，具体以 Datawhale 官网价格公示为准。
如何使用 Datawhale
- 定方向：先打开官网的 AI 学习路线，在数据分析、计算机视觉、自然语言处理、推荐系统里选一条，作为接下来几个月的顺序。
- 选课程：进入课程页按方向与难度（初级、中级、高级）筛选，先看课程简介与前置要求，再决定从哪一门开始。
- 拿资料：点进课程对应的 GitHub 仓库，按 README 准备环境，把 Notebook 拉到本地边读边跑，遇到报错先看仓库的 issue 区。
- 报名共学营：想有人带着推进就报名当期共学营，填写官方表单进群，按每天发布的任务学习与打卡，卡住直接在群里提问。
- 输出与回报：跟完后把笔记、项目整理成文章或仓库，也可以给教程提 issue、补勘误，把学习过程沉淀成可展示的经历。
同类产品对比
- 对比 庞征博引：两者都是给想学 AI 的人准备的内容型产品。庞征博引是连载式自学工具，说出一个主题就把它拆成一篇篇 5–10 分钟能读完的中文文章，还能就着句子继续追问，碎片时间就能弄懂一个概念；Datawhale 给的是成体系的课程与可以直接跑起来的开源代码，代价是要自己排时间、按天跟进度，换来的是真能把模型和项目做完。
- 对比 Kaggle：两者都靠实战驱动，Kaggle 以竞赛、数据集与 Notebook 为轴，英文语境、对抗强度高，适合已经入门想刷建模能力的人；Datawhale 给的是中文的系统路线和按天推进的组队节奏，入门更平缓，代价是竞赛生态与榜单氛围不如 Kaggle。
- 对比 AI Studio、ModelWhale 这类在线算力平台：它们提供开箱即用的 Notebook 与 GPU 环境，注册就能跑模型，省掉配环境这一步；Datawhale 以教程和社群见长，环境要照着仓库步骤自己搭，换来的是一套能迁移到本地和公司项目的工程能力。
- 对比 CSDN、掘金这类技术社区：后者的优势是内容更新快、覆盖面广，零散问题和报错基本搜得到，缺点是内容质量参差、没有成体系的路线；Datawhale 的课程有大纲、有配套仓库可复现，代价是主题集中在 AI，通用开发问题还是要回综合社区找。
Datawhale 的应用场景
- 从零入门 AI 与转行准备：按学习路线从 Python、数据分析一路走到机器学习与大模型，配合共学营按周推进，把零散时间串成完整知识体系，适合跨专业转行与刚入行的新人。
- 在校课程与毕设补强：把课堂上的公式和原理对应到可运行的代码与项目，快速拿到能改能跑的实现方案，适合计算机、统计、自动化等专业的本科生与研究生。
- 大模型与智能体落地实践：照着大模型教程从搭环境、微调部署一路做到写智能体，把模型真正接到自己的业务里，适合要在工作中落地 LLM 与 Agent 的开发工程师。
- 在职技能更新：用业余时间跟短期共学营，学 AI 办公、AI 编程这类直接能用在手头工作上的内容，适合希望用 AI 提效的运营、产品与职能岗职场人。
- 教学与课程共建：拿开源教程当授课素材，参与勘误、翻译与案例补充，把共建过程变成开源经历，适合高校教师、技术布道者与想积累 GitHub 贡献记录的开发者。
