阿超 > awesome-llm-apps

awesome-llm-apps

2026-02-03

ai

节约时间，也就是使一个人有限的生命更加有效，也即等于延长了人的生命。——鲁迅

Awesome LLM Apps：一站式“开箱即用”的代理与 RAG 范例库

要快速探索“LLM + Agents + RAG + MCP + 语音”等应用模式，最好的方式莫过于直接看可运行的开源项目。Shubham Saboo 的 Awesome LLM Apps 就是这样一个“集合仓库”：将从入门到进阶的 AI 代理、RAG、语音代理、多代理团队、MCP、优化与微调教程汇总在一个清晰的目录结构里，既能直接运行，又能作为你自建应用的脚手架与范例参考。

  • 仓库：Shubhamsaboo/awesome-llm-apps
  • 简述：Collection of awesome LLM apps with AI Agents and RAG using OpenAI, Anthropic, Gemini and opensource models.
  • 主页与作者：The Unwind AI · Shubham Saboo
  • 许可证：Apache-2.0
  • 语言：Python

为什么值得收藏

  • 涵盖面广：从“入门级代理”到“进阶多代理团队”，从“RAG 教程”到“语音代理”，再到“MCP 集成、优化工具、微调”。
  • 可运行：每个子项目都配有 README 与依赖清单，4 步即可跑起来。
  • 多模型兼容：OpenAI、Anthropic、Gemini，以及开源模型的实战用法。
  • 学习路径明确：Starter → Advanced → Teams → Voice → MCP → RAG → Memory → Optimization → Fine‑tuning → Framework Crash Course。

目录速览与亮点

  • Starter AI Agents：旅行、数据分析、医疗影像、音乐生成、浏览器梗图、混合代理等
  • Advanced AI Agents：深度研究、系统架构、投研、影像制作、健康健身、产品发布情报、顾问与记者等
  • Autonomous Game Playing：3D Pygame、象棋、井字棋等
  • Multi-agent Teams：竞品分析、金融、法务、招聘、地产、服务代理机构（CrewAI）、教学等
  • Voice AI Agents：音频导览、客服语音、语音 RAG、开源语音听写（近似 Wispr Flow）
  • MCP Agents：浏览器 MCP、GitHub MCP、Notion MCP、旅行规划 MCP 团队
  • RAG 教程：Agentic RAG、Reasoning RAG、混合检索、视觉 RAG、本地 RAG、数据库路由等
  • Memory Tutorials：带记忆的 ArXiv/旅行代理、Llama3 有状态聊天、个性化记忆、本地 ChatGPT 克隆、多 LLM 共享记忆
  • Optimization：Toonify Token 优化（上下文 TOON 格式）、Headroom Context 压缩
  • Fine‑tuning：Gemma 3、Llama 3.2 的微调教程
  • Agents Framework Crash Course：Google ADK 与 OpenAI Agents SDK 的速成课程（工具、结构化输出、记忆、回调、多代理模式）

开始使用：四步到跑通

1
2
3
4
5
6
7
8
9
10
# 1. Clone
git clone https://github.com/Shubhamsaboo/awesome-llm-apps.git

# 2. 进入项目子目录
cd awesome-llm-apps/starter_ai_agents/ai_travel_agent

# 3. 安装依赖
pip install -r requirements.txt

# 4. 按各项目 README 指南运行

每个子项目的 README.md 都有明确的环境变量与运行说明，通常需要配置相应的 API Key（例如 OpenAI/Anthropic/Groq 等）。

两个具体案例：感受一下“开箱即用”的范式

1）Tarot + NLP：The Magician IA Reader（本地 Ollama + phi4）

把“塔罗解读”这个有趣题材做成 NLP + 本地模型的应用，使用 CSV 作为知识底库，通过 Streamlit 提供交互界面。

1
2
3
4
5
6
7
8
# 先拉起 Ollama 与 phi4
ollama pull phi4
ollama serve

# 克隆原仓或在集合仓运行
pip install -r requirements.txt
streamlit run app.py
# 浏览器访问 http://localhost:8501

你会看到一个“本地推理 + CSV 知识 + Streamlit UI”的完整工程范例，非常适合“无云端依赖”的场景。

2）GPT‑OSS 批判改进循环：Critique & Improvement Loop（Groq）

使用 Streamlit 展示“自动批判 + 修订 + 循环”的模式：先并行生成多个候选，再综合为初稿，随后进入批评与修订，循环 1–3 轮。

1
2
3
4
cd critique_improvement_streamlit_demo
pip install -r requirements.txt
export GROQ_API_KEY=your_key_here
streamlit run streamlit_app.py

这个模式尤其适用于“技术文档/教育内容/商务方案/代码评审/学术写作”，能显著提升完整性与清晰度，同时具备透明的“改进轨迹”。

MCP、RAG 与记忆：把生态拼成“可复用的工具箱”

  • MCP Agents
    浏览器、GitHub、Notion、旅行团队等 MCP 示例，展示了“模型上下文协议”如何把外部能力标准纳入代理调用。

  • RAG 教程
    从最基本的 RAG Chain 到混合检索、视觉、多模型，本地与云方案都有，适合快速“拿来主义”。

  • Memory 教程
    多场景演示“应用如何有状态”，包括个性化记忆、多 LLM 共享记忆、本地 ChatGPT 克隆等，适合做产品级“用户长期关系”。

  • Optimization
    Toonify Token 与 Headroom Context 两套优化实践，直指“成本与速度”的核心问题。

框架速成：Google ADK / OpenAI Agents SDK

  • Google ADK Crash Course
    模型无关（OpenAI/Claude 皆可），结构化输出、工具（含 MCP）、记忆、回调，以及多代理模式。

  • OpenAI Agents SDK Crash Course
    函数调用、结构化输出、集成工具、记忆与评估、代理编排与路由逻辑。

如果你在“选型 + 理解框架能力”阶段，这两套课程能快速形成系统观。

使用建议与最佳实践

  • 从 Starter 开始
    选一个最贴近你需求的入门代理（旅行、数据分析、浏览器），先跑起来，积累“最小成功”。

  • 再看 Advanced 与 Teams
    引入多代理协作与更复杂的工具链，逐步把“业务流程”沉淀成可复用模式。

  • 用 MCP 做集成
    把外部系统接成标准工具接口，长远看更容易维护与演进。

  • 关注成本优化
    在实际项目里，优化上下文与并行策略往往能带来显著的经济与体验提升。

  • 一项一项地“产品化”
    从 demo 到生产，中间关键是：配置管理、日志与评估、错误追踪、安全与权限。

结语

Awesome LLM Apps 的价值在于“可执行的范例”。它不像概念文章那样停留在抽象层，而是提供“从命令到界面，从脚本到代理团队”的具体实现。无论你是在寻找一个能快速落地的起点，还是希望把现有产品往“多代理 + RAG + MCP + 语音 + 记忆”的方向推进，这个仓库里都能找到可直接复用的骨架与组件。

为它点一个 Star，关注后续更新，把这些“拿来就能跑”的范例，变成你自己的下一款 AI 应用。