7.3 万 star、5 年沉淀：北大 CS 博士的中文 CS 自学指南成了事实标准

GitHub: https://github.com/pkuflyingpig/cs-self-learning

一句话总结

一个 PKU CS 博士在 4.6 年里把 MIT / CMU / Stanford / UC Berkeley / ETH 的顶级公开课系统化串联成中文学习路径，配套自己亲手做的 6 门作业仓库，沉淀成 7.3 万 star、5.9 千行 markdown 笔记的中文 CS 自学资源站事实标准。

值得关注的理由

稀缺的双层资源结构：解决了 awesome-list 长期以来的「信任问题」——每门推荐课都挂一个作者亲历的 GitHub 作业仓库，让「收藏夹里吃灰」变成了「开箱即学」。
中文圈没有等量对手：OSSU 偏英文、Coding-Interview-University 偏面试、TeachYourselfCS-CN 颗粒粗、REKCARC-TSC 局限清华课程——「成体系 + 持续维护 + 作者本人修完 + 跨校横向对比」四象限的唯一解。
信息架构值得所有资源站学习：6 个核心决策（学科×学校二维矩阵、5 节课程模板、多源学校同课对比、i18n 目录翻译、必学工具独立分支、学习路径与课程解耦）每一个都解决一类经典问题。

项目展示

— 类型: hero。Star 增长曲线，4.6 年累积 7.3 万 star 的可视化轨迹。

Contributors — 类型: screenshot。185 位贡献者头像墙。

README 主要是目录与文案，官网 https://csdiy.wiki 是 mkdocs material 主题站点，没有产品截图 / Demo 视频 / 架构图——所以本节只保留 Star History 与 Contributors 墙。

项目画像

维度	数据
GitHub	https://github.com/pkuflyingpig/cs-self-learning
Star / Fork	73,068 / 7,891
代码行数	310（YAML 94.5% + HTML 5.5%，仅 mkdocs 配置），实际资产是 5,898 行 markdown 笔记
项目年龄	55.6 个月（2021-10 创建，2026-02 末次提交）
开发阶段	低维护 / 事实性休眠（近 90 天 0 commit，年化仅 35 commit）
贡献模式	核心少数 + 社区（30 贡献者，Top 1 占 57.4%，185 人社区）
热度定位	大众热门（中文圈 CS 自学指南事实标准）
质量评级	文档「优秀」+ 站点工程「完善」+ 协作流程「完善」+ CI/CD「基本」+ 测试「无（合理缺失）」
版本管理	语义化版本 v1.0.0 → v1.2.0（5 个 release）
License	MIT

作者视角：为什么存在这个项目

创始人/作者背景

钟旻旻（Yinmin Zhong），北大计算机学院博士四年级，导师靳鑫、刘譞哲，研究方向为 LLM 训练 / 推理系统（Machine Learning Systems）。本科 PKU 信科，实习经历横跨 StepFun、字节 Seed、阿里达摩院、Berkeley Sky Lab。账号 6.3 年，公开仓库 79 个，9,963 followers——cs-self-learning 73k star 是他所有仓库中绝对的「一枝独秀」（第二名 312 star），是这个学术品牌最具公众辨识度的资产。

这如何塑造项目：作者本人是「系统方向研究者 + 终身学习者」，对北美 CS 顶流课程有亲历、有比较视野、有跨校（PKU 视角 vs 美本视角）的方法论。这与做中文 CS 自学指南的动机高度一致——他既是用户也是评判者。

问题判断

作者看到了两个别人没重视或没系统解决的问题：

awesome-list 的「收藏夹吃灰」问题：GitHub 上 CS 自学资源极多，但用户收藏后无法开始。原因是没有筛选标准、没有学习顺序、没有配套作业、没有中文门槛说明——CS 自学需要的是「可执行的路径」而非「资源清单」。
中文区的「英文材料 + 中国学生」错位：OSSU 等英文资源虽然齐全，但对中国大陆学生有 GitHub 访问、YouTube 访问、英语阅读速度等多重门槛。中文圈需要一个「接受英语壁垒但有中文导览」的中间层。

时机：2021 年底——MIT 6.S081、CMU 15-445、CS224n 等关键课程的公开课基础设施已成熟（视频、讲义、作业、讨论区都齐备），GitHub Actions + mkdocs gh-deploy 降低了开源协作站点门槛，疫情后线上自学需求爆发。三个条件在 2021 年首次同时具备。

解法哲学

作者明确选择了人工策展 + 课程模板 + 多源对比的路径，明确不做什么也极有价值：

不做自动聚合——所有课程都经过「独立课程站 + 教授教材 + 阶梯式项目 + 每周讨论课」4 条硬筛选，机器爬不到的东西人才写得出来。
不做单一推荐——同一门 OS 课推荐 MIT 6.S081 + CMU 15-410 + Berkeley CS162 三个版本，让用户按自己节奏挑。这是反「top 1」逻辑的——CS 自学没有「唯一最优解」。
不做平台化社区——Discord / 微信群需求出现 3+ 年作者未给官方解法，是有意克制（避免运营社群被社群反向消耗精力）。
不做课程笔记二次创作——只做导览 + 链接，不替教授写讲义。这是反「内容农场」逻辑的——尊重原作者 IP，把自己定位为索引层而非内容层。

战略意图

项目是作者学术品牌的公众层——PhD 阶段产出都偏研究（论文、代码仓库），cs-self-learning 7.3 万 star 让他在中文技术圈拥有「CS 知识地图」的话语权。商业化路径不明显——MIT 协议、5 个 SemVer release 都是「做产品」姿态，但作者目前精力仍以 LLM 系统研究为主，项目是他的「学术品牌入口」而非「变现工具」。

Phase 1 标注：作者无独立技术博客（站点即课程指南），所以无公开架构文章可引——本节判断全部基于仓库本身与作者 bio。

核心价值提炼

创新之处

按新颖度 × 实用性 × 可迁移性综合排序：

「作者亲历 + 一课一作业仓库」双层资源结构
- 描述：每门推荐课挂一个作者亲手做的 GitHub 作业仓库（CMU10-714、NandToTetris、CS224n 等 6+ 个），让「收藏 → 开始」的距离缩到点击 1 次。
- 新颖度：5/5（awesome-list 圈 3 年没人想到）| 实用性：5/5（直接可用）| 可迁移性：5/5（任何资源聚合类项目都适用）
「多源学校同课对比」横向矩阵
- 描述：OS 一节列 MIT 6.S081、CMU 15-410、Berkeley CS162 三家；编译原理列 6 所学校的实现路径；让用户横向比较。
- 新颖度：4/5 | 实用性：5/5 | 可迁移性：4/5
「5 节课程模板 + 难度星标」的结构化元数据
- 描述：每门课固定包含先修要求 / 编程语言 / 难度🌟 / 学时 + 简介 / 资源 / 资源汇总 / 备注。降低读者的决策成本。
- 新颖度：3/5 | 实用性：5/5 | 可迁移性：5/5
「必学工具独立分支 + 内地 CS 真实约束」设计
- 描述：把 Vim/Emacs/Git/CMake/Docker/LaTeX 等工具链独立成节，并坦诚处理翻墙 / 镜像 / GitHub 访问等中国大陆学生才会碰到的真实痛点。
- 新颖度：4/5（海外项目不会考虑这个）| 实用性：5/5 | 可迁移性：3/5（仅适用有类似地缘约束的群体）
「学习路径与课程解耦」的灵活性设计
- 描述：《CS学习规划》反复声明「仅供参考」，课程页本身可独立访问。读者可以挑跳、按自己基础裁剪。
- 新颖度：3/5 | 实用性：5/5 | 可迁移性：5/5

可复用的模式与技巧

双层资源结构（资源清单 + 作者亲历作业）：适用任何「教程聚合 / Awesome-list」类项目，解决「收藏夹吃灰」经典问题。
结构化元数据 + 模板：template.md + template.en.md 双语模板，强制每门课按统一节写。降低读者决策成本 + 降低贡献者写作成本。
多源同课对比矩阵：当一个领域有多门课都值得学时，横向矩阵（学校 / 时长 / 难度 / 语言 / 是否含项目）比单条推荐更友好。
三分类使用指南：《使用指南》把读者分成「已经在学 / 想转码 / 想补基础」三类，给出不同起点。降低入口摩擦。
软导览 + 元能力：不只列课，还教「怎么选课 / 怎么记笔记 / 怎么坚持」等元能力。这是非常典型的「学 vs 学到」分水岭处理。
i18n 目录翻译 + 重点页双语：mkdocs-static-i18n 把整个目录树翻译，template.md/template.en.md 是双语文档模板。用最小工程量做到中英兼容。
mkdocs 最小工程栈：仅 6 个依赖（mkdocs + material + pymdownx + i18n 等），用最少的代码把 markdown 装订成静态站。这是「不造轮子」的范式。
编辑导读页（roadmap.md）作内容枢纽：在内容扩张到 268 个 markdown 后，用 roadmap.md 做「编辑视角的入口」——这是 wiki 项目的核心枢纽。

关键设计决策

决策：按「学科 × 学校」二维矩阵组织课程
- 问题：CS 学科有 14+ 方向，每个方向有 4-6 所学校的优质课，怎么组织才能让读者既能找到「我感兴趣的学科」也能横向比较「同一学科各校差异」？
- 方案：docs/<学科>/<课程>.md 二级目录 + 《CS学习规划.md》跨学科总览。目录树是「分类学」，规划文档是「时间轴」，两个维度解耦。
- Trade-off：放弃了「严格的单一学习顺序」——同一 OS 三家学校都能选，新手可能犹豫。换来：可裁剪的灵活性，读者能按已有基础跳过。
- 可迁移性：高
决策：每门课固定 5 节模板（先修/语言/难度🌟/学时 + 简介/资源/资源汇总/备注）
- 问题：内容型 wiki 最大的痛点是每篇格式不一致，读者每读一门课都要重新适应结构。
- 方案：template.md + template.en.md 双语模板，CI 检查（猜测）。强制 5 节。
- Trade-off：写作者要适应模板，对「我想写个新内容」有摩擦。换来：读者体验一致化，新贡献者上手有现成骨架。
- 可迁移性：高
决策：每门课挂作者自己的作业仓库作「信任锚」
- 问题：GitHub 上推课的 awesome-list 极多，用户已经不相信「作者亲历」。
- 方案：每门推荐课挂一个作者亲手做的 GitHub 仓库，把「亲历」从话术变成可点击的代码提交记录。
- Trade-off：作者要真修完这门课才能写，写作门槛极高。换来：仓库从「课程列表」升级为「个人学习轨迹的镜像」，信任度指数级提升。
- 可迁移性：高
决策：mkdocs 最小工程栈（仅 6 个依赖）
- 问题：用 5.9 千行 markdown 笔记，怎么装订成可访问的站点？
- 方案：mkdocs + material 主题 + pymdownx 扩展 + mkdocs-static-i18n + mkdocs-include-markdown-plugin。只装必要的。
- Trade-off：放弃了 Hugo / Docusaurus / VitePress 等更现代框架的某些高级特性（搜索性能、SSR、组件化）。换来：依赖最少、构建快、作者能 5 年不换栈。
- 可迁移性：高
决策：i18n 目录翻译 + 重点页双语
- 问题：中英文用户都看，但每页都翻译工作量太大。
- 方案：mkdocs-static-i18n 整个目录树双语 + template.md/template.en.md 双语模板 + 关键页（README / 后记）双语。不全翻译，仅翻译「元信息」。
- Trade-off：内容页仍是中文主导，英文用户只看到导航级内容。换来：英文圈搜索流量（GitHub SEO）能进来，翻译成本可控。
- 可迁移性：中

竞品格局与定位

竞品对比矩阵

维度	cs-self-learning	OSSU	CIU	TeachYourselfCS-CN	REKCARC-TSC
Star 数	73k	205k	351k	22.1k	13k+
目标用户	中文本/CSer 想要系统补 CS	全球自学学位者	求职面试者	中文读者粗略入门	清华学生
覆盖广度	14+ 学科方向	全 CS 学位	偏算法/系统	9 个核心方向	清华课程为主
课程深度	深度（每课作业仓库）	中（链接为主）	浅（checklist）	浅（书单）	极深（清华笔记）
维护活跃	低维护（90 天 0 commit）	持续	偶发	偶发	持续
中文适配	强	无	无	强	中（清华系中文）
多源对比	强（OS 列 4 校、编译列 6 校）	弱	无	无	无
配套作业	强（6+ 仓库）	弱	无	无	中
跨校视角	全球（MIT/CMU/UCB/Stanford/ETH）	全球	全球	英文圈	清华系

差异化护城河

信任护城河：作者本人修完所有推荐课 + 配套 6+ 个作业仓库——任何竞品短期都很难复制，因为这是作者个人时间而不是「技术 trick」。
信息架构护城河：6 个核心决策（学科×学校矩阵、5 节课程模板、多源对比、i18n 翻译、必学工具独立、学习路径与课程解耦）构成结构化壁垒——竞品要追赶需要 2-3 年的内容重写。
中文圈生态护城河：7.3 万 star、7.8k fork、185 贡献者、125 open issues、5 个 SemVer release 形成的飞轮效应——新读者进来 → 找群求组队 → 贡献 issue → 推荐给下一个人。

竞争风险

风险 1：AI 时代重塑信息获取方式。LLM 可以即时回答「我想学 OS，该选 MIT 还是 CMU」——仓库的信息价值会被 LLM 稀释。但**「亲历+作业仓库」的信任价值**不易被 LLM 替代。
风险 2：作者精力分散。PKU 博士 + ML Systems 研究 + 字节 StepFun 实习，作者时间已饱和，近 90 天 0 commit 是事实性休眠信号。如果作者毕业 / 转行没有接班人，项目会缓慢失活。
风险 3：中文区同类项目冒头。REKCARC-TSC（清华系）如果扩张为全 CS 自学路径，会是直接对标。但目前清华笔记的「亲历 + 体系化」还未到这个水位。

生态定位

在整个 CS 自学生态里，cs-self-learning 扮演**「中文圈的 OSSU 镜像 + 个人学习轨迹」**双重角色：

与 OSSU 形成「中文版 / 英文版」双寡头格局——OSSU 全 CS 学位覆盖但英文材料，cs-self-learning 中文导览 + 海外课深度对比。
与 awesome-cs、CS 学习路线图类资源站相比，它是「有策展标准 + 有学习顺序 + 有配套作业」的资源站——其他是「资源清单」。

套利机会分析

信息差：极低——7.3 万 star 已是中文圈事实标准，信息差套利空间在深度应用而非「再发现一个资源站」。
技术借鉴：
- 资源聚合类项目应直接学「双层资源结构」——把 awesome-list 升级为「清单 + 亲历作业仓库」。
- 内容型 wiki应学「5 节模板 + i18n 翻译 + 最小工程栈」三件套。
- 学术品牌建设应学「用 1 个明星开源项目建立公众辨识度」——PhD 期间最大的杠杆资产。
生态位：
- 未填空白 1：中国本土课程（MOOC / 慕课 / B 站课程）的类似结构化——目前推荐的都是海外课，国内课程资源没有同等标准。
- 未填空白 2：个性化学习路径推荐——基于用户已有基础生成「这学期该修哪些课」的 LLM 增强版。
- 未填空白 3：课程笔记的「质量评分 + 替代链接自动检测」——目前链接失效要靠人工 PR。
趋势判断：
- 增长：仓库 star 还在两位数/天流入（2024-02 采样窗口 5 天 200 个 stargazer），没有走下坡路。
- 趋势：AI 时代下「人工策展 + 信任锚」反而更有价值（LLM 内容同质化让人更想要人工筛选）。
- 后发优势：竞品要追赶作者已经花的 4.6 年时间和 6+ 作业仓库，护城河很厚。

风险与不足

维护风险（最大）：作者是 PKU 博四 + ML Systems 研究，近 90 天 0 commit 是事实性休眠信号。如果作者毕业 / 转向工业界 / 重心完全转入研究，项目可能进入长期低维护。没有明确的继任机制——Top 1 占比 57.4% 是单点依赖。
课程内容时效性：仓库推荐的核心课程（MIT 6.S081、CMU 15-445、CS224n）都在 2020-2022 期间成型，2023 年后的新开课（如 CMU 11-667 LLM 系列、MIT 6.5940 TinyML）虽有补充但密度低于主流课。
链接可访问性：推荐的外链大量指向 GitHub/YouTube，对中国大陆读者有可访问性门槛。虽然有「必学工具/翻墙页」处理但仍不彻底。
协作基建不足：Discord/微信群需求反复出现 3+ 年未给官方解法；无 PR/Issue 模板；无链接自动校验（lychee/markdown-link-check 缺失）——读者报告坏链的成本高。
测试/工程化几乎为零：310 行代码无法谈工程化，整个仓库的「技术债」在内容侧——内容更新质量靠作者人工把关，没有自动化校验（拼写、死链、图片失效等）。
内容型项目的固有风险：仓库一旦被作者放弃，7.3 万 star 形成的「准官方 CS 资源」地位会形成误导性引用——读者按过期路径学 CS，没有显眼的「本项目已停止维护」提示。

行动建议

如果你要用它

作为「CS 系统学习路径」的起点：从《CS学习规划》开始 → 按你已有基础跳着选课 → 优先选作者做了作业仓库的课（亲历过的，比纯链接可靠）。
作为「求职方向补强」的目录：想去 ML Systems 方向看「深度学习 + 编译 + 操作系统 + 数据库」四个交叉；想去 SDE 看「CS61A/B + 6.S081 + CSAPP」传统路线。
不要把它当「唯一权威」：仓库 2026-02 后进入低维护期，最新课程（2024-2026）覆盖不全，需要自己补充最新的 LLM / AI 课程。

如果你要学它

重点关注文件：
- mkdocs.yml（116 次改动）—— 信息架构的核心配置
- docs/CS学习规划.md（37,971 字、49 次改动）—— 跨学科学习路径的「编辑视角」
- template.md + template.en.md —— 课程笔记的结构化模板
- docs/后记.md —— 作者的写作动机 / 价值观
- docs/使用指南.md —— 读者分流策略
- 任何 docs/<学科>/<课程>.md —— 单门课的5 节模板范例
重点关注决策：信息架构 6 大决策（学科×学校矩阵、5 节课程模板、多源同课对比、i18n 翻译、必学工具独立、学习路径与课程解耦）。

如果你要 fork 它

方向 1：AI 增强版——用 LLM 做「个性化学习路径推荐」，根据用户已有基础生成该修哪些课。这是 AI 时代未被填的空白。
方向 2：中国本土化版——把海外课替换为国内 MOOC / B 站课程镜像版，降低访问门槛，并补 2024-2026 年的新开课。
方向 3：求职导向版——把仓库「系统学习」定位切换为「求职方向」，从 J washam/coding-interview-university 抢受众。
方向 4：协作基建补完——加 GitHub PR 模板、lychee 链接校验、Crowdin 协作翻译——把作者留下的「协作基础设施缺口」补上。
方向 5（最现实）：不要 fork 直接做。给作者开 issue / PR——项目还在主仓库，真正的贡献是给作者减负而不是再起炉灶。

知识入口

资源	链接
DeepWiki	未收录
Zread.ai	未收录
关联论文	无（项目本身是资源聚合站，不产出研究）
在线 Demo	https://csdiy.wiki（唯一交互面）
作者主页	https://yinminzhong.com