2026 AI 路線圖：從 ML 到 Agent

一個 GitHub repo 只有 1 顆星，卻想做很大。它把從數學基礎到 agentic AI 的路，直接畫成一張學習地圖。

這個專案叫 2026-ROADMAP-FOR-ADVANCE-ML-AI-GENERATIVE-AI-AGENTIC-AI。講白了，它在回答一個很實際的問題：2026 年想做 ML、GenAI，或 agent 工作，該先學什麼。

我覺得這種 repo 很容易被小看。因為網路上「30 天學 AI」太多了。真的能用的，通常不是最炫的那個，而是把路徑排清楚的那個。

這份路線圖到底寫了什麼

這份 README 把 2026 年切成幾段。從 1 月到 3 月打基礎，最後一路走到 10 月到 12 月的 agentic AI。這種編排很務實，因為 AI 工作本來就不是一口氣跳到最前面。

很多人一開始就衝 prompt engineering。結果碰到資料清理、模型評估、部署延遲，就整個卡住。說真的，這很常見。

這個 roadmap 先放的是硬底子。像是線性代數、機率、最佳化、Python、SQL、Git、Docker，還有基本系統設計。接著才進到監督式學習、非監督式學習、時間序列和部署。

後面才是深度學習、生成式 AI，最後才碰 agent 框架。像是 LangGraph、AutoGen、CrewAI，還有 smolagents。

• 基礎：線代、機率、最佳化、Python、SQL、Git、Docker
• ML：回歸、分類、分群、降維、時間序列
• 深度學習：CNN、RNN、attention、Transformer、PyTorch
• GenAI：LLM、diffusion、fine-tuning、RLHF、prompt pattern
• Agentic AI：工具使用、記憶、規劃、人機協作流程

這個順序其實很像真實職場。招 ML 工程師時，主管通常先看資料處理、評估、部署。不是先問你會不會背模型名單。

做 GenAI 的人也一樣。你得懂 retrieval、推論成本、延遲，還有怎麼把模型接到外部工具。只會聊天，通常沒辦法上線。

這份 repo 也列了一串工具。像是 MLflow、DVC、Hugging Face Transformers、Hugging Face Hub、FastAPI、Streamlit。再加上 AWS、GCP、Azure 的部署思維。

這代表作者不是只想寫筆記，而是真的有在看 production。這點我覺得加分很多。

為什麼它把 2026 放進標題

標題寫 2026，但重點其實是現在就開始變的工作型態。AI 已經從單一模型 demo，走向會規劃、會呼叫工具、會保留狀態的系統。

這差很多。聊天機器人只會回答問題。Agent 則可能幫你查 repo、整理內容、發起動作，甚至串起一整段工作流。

OpenAI 在官方文章裡寫過一句話：

“We believe that there is a lot of value in AI systems that can take actions on behalf of users.”

路線圖裡也提到 Google Gemini，以及 NVIDIA NIM。這透露一個現實：現在的 AI stack 變得更模組化了。

很多團隊不再只押單一大模型。它們會混用 hosted API、open-weight model、retrieval layer，還有 workflow engine。這種做法很務實，也很像真正的工程世界。

• OpenAI：API 與 agent 方向
• Google Gemini：多模態模型與 API
• Hugging Face：模型、資料集、部署工具
• NVIDIA NIM：企業用推論服務
• LangGraph：agent 流程編排

對學習者來說，這件事很重要。因為真正能長期吃飯的技能，不是只綁某一家產品。

Python、評估方法、資料處理、部署、系統思維，這些才是通用貨幣。今天你用 GPT API，明天換 Llama，後天換內部模型，底層思路還是差不多。

它跟真實工作有多像

這份 repo 最強的地方，是它沒有停在模型理論。它列了很多實作題目。像是 churn prediction、loan default modeling、image classification、neural machine translation、text-to-image generation，還有 code review agent。

這些題目很像真實團隊會做的事。不是那種只會在簡報裡發光的題目，而是會碰到資料髒、指標亂、上線後要維運的題目。

你看職場就知道了。資料科學家可能花一週清資料，再花一週跟 PM 解釋指標。ML 工程師常常一半時間在管 CI/CD、feature pipeline。GenAI 工程師則可能卡在 retrieval 品質、prompt 測試、或推論延遲。

這份清單也提到 Weights & Biases、Docker、Kubernetes、Snowflake、Databricks，還有 FAISS、Pinecone 這類向量資料庫。

這些工具放在一起看，就知道 2026 的 AI 工作長什麼樣。模型訓練、實驗追蹤、部署、檢索、監控，全部都要顧。

我整理一個很直接的對比：

• 只看 notebook：上手快，但不太會部署
• 做專案：慢一點，但更接近面試需求
• 照 roadmap 學：前提是你真的有產出
• 做 agent：要處理 API、狀態、錯誤、評估

repo 也列出幾個職稱。像是 ML Engineer、AI Engineer、GenAI Engineer、Agentic AI Engineer、LLM Fine-Tuning Specialist、MLOps Engineer、AI-focused Data Scientist。

這些名稱現在已經滿地都是了。但我覺得最後贏的人，不會是最會背名詞的人，而是最會講 tradeoff 的人。

“We believe that there is a lot of value in AI systems that can take actions on behalf of users.” — Sam Altman, OpenAI

這份路線圖值不值得跟

值，但有一個前提。你不能只把它當成閱讀清單。你要把它變成產出清單。

如果你花 6 個月只收集概念，卻沒有做出一個分類器、一個 retrieval app、一個 agent workflow，那你還是會覺得自己什麼都不會。這點很現實。

這份 repo 的好處，是它幫你把混亂的領域排出順序。先學數學，再學工具，再做專案，最後才把模型接到真實任務上。

如果你現在要開始，我會建議這樣做：先做一個 tabular ML 專案，再做一個 PyTorch 實驗，接著做一個帶 retrieval 的 GenAI app，最後做一個會用工具的 agent。

每個專案都要留數字。像是 accuracy、latency、cost、token 用量，或失敗率。沒有數字，很多 AI 專案都只是聊天而已。

我自己的判斷很簡單：2026 年最吃香的人，不是追著新模型跑的人，而是能把模型變成產品的人。你如果這個月只能做一件事，那就選一個題目，真的把它做完。

然後問自己一句：我能不能不用空話，把一個模型接成能跑的服務？