Awesome LLM Apps：100+ 开源 AI Agent、Agent Skills 与 RAG 应用合集

Awesome LLM Apps 是一个面向 AI 应用开发者的开源项目合集，目前收录了 100 多个 AI Agent、Agent Skills 和 RAG 应用。它不是单一框架，而是一组可克隆、可运行、可修改的模板与示例，许可证为 Apache-2.0。项目主页显示其 GitHub Star 数约为 14.4 万，Fork 数约为 2.1 万，主要语言为 Python，支持的模型包括 Claude、Gemini、GPT、DeepSeek、Llama、Qwen 及其他开源模型。

项目定位：从模板到可运行应用

这个项目的核心价值在于“可运行”。README 中明确写到，每个模板都经过端到端测试，用户可以克隆后直接运行，也可以基于它继续开发。它解决的是 AI 应用学习与原型搭建中的一个常见问题：大量示例停留在代码片段层面，缺少完整、可执行的项目结构。Awesome LLM Apps 将不同场景的 Agent 和 RAG 应用整理成独立模板，覆盖从单文件入门 Agent 到多 Agent 协作、语音交互、MCP 集成、记忆管理等方向。

主要分类与功能范围

项目按应用形态对模板进行了分类，便于按需查找：

• Agent Skills：为编码 Agent 增加新能力的技能包，安装后可用自然语言调用。例如 Project Graveyard 用于梳理被放弃的 side project，Scope Creep Detector 用于检查代码改动是否超出既定意图，Dependency Doctor 用于检查依赖清单中的版本固定、重复约束和被撤回版本等问题。
• Standalone Apps & Tools：独立 Web 应用、创意工具和浏览器扩展，例如手绘风格流程图工具 Excaliflow、网页语义搜索扩展 Needle。
• Starter AI Agents：单文件 Agent，通常只需一个 API Key 即可运行，适合入门。包括博客转播客、数据分析、表情包生成、音乐生成、旅行规划、网页抓取等。
• Advanced AI Agents：带工具、记忆和多步推理的生产型 Agent 示例，例如深度研究、VC 尽职调查、系统架构评审、财务教练、电影制作、欺诈调查等。
• Always-on Agents：按计划或事件在后台运行的 Agent，例如每日 Hacker News 简报、依赖发布雷达。
• Multi-agent Teams：多个 Agent 协作完成跨领域任务，例如竞品情报、金融分析、游戏设计、法律研究、招聘、教学等。
• Voice AI Agents：基于实时语音 API 的语音输入输出 Agent，例如语音 RAG、客服语音 Agent、保险理赔语音团队。
• Generative UI and Agentic Frontends：让 Agent 渲染交互式 UI 组件，而不仅是文本，例如聊天驱动的看板、仪表盘画布、Shadcn 组件生成。
• Autonomous Game-Playing Agents：端到端玩游戏的 Agent，例如 3D Pygame、国际象棋、井字棋。
• MCP AI Agents：通过 Model Context Protocol 连接外部工具和数据，例如浏览器 MCP、GitHub MCP、Notion MCP、多 MCP 路由。
• RAG：从基础检索链到 Agentic RAG、纠正式 RAG、混合搜索、多模态 RAG、知识图谱 RAG 等。
• LLM Apps with Memory：跨会话记忆的 Agent 和聊天机器人。
• Chat with X：将 GitHub、Gmail、PDF、arXiv、Substack、YouTube 等数据源变成聊天界面。
• LLM Optimization Tools：用于降低 token 用量、上下文大小和 API 成本的工具。

使用方式

项目提供两种典型使用路径。第一种是给编码 Agent 安装技能：README 中展示了“10 秒内给编码 Agent 一个新技能”的思路，安装后可以直接用自然语言提问或调用，适用于 Claude Code、Codex、Cursor 等编码 Agent。第二种是克隆仓库后运行任意 Agent，README 描述为“30 秒内运行一个 Agent”。具体命令和依赖因模板而异，建议以各模板目录中的说明为准。

项目还提供分步教程和快速开始入口，新模板按周更新。对于想系统学习 Agent 开发或快速验证某个场景的开发者，这种“按模板浏览、按需克隆”的方式比较直接。

技术特点与运行环境

从 README 和项目元数据来看，项目主要使用 Python，模板与 Claude、Gemini、GPT、DeepSeek、Llama、Qwen 等模型兼容。不同模板的运行环境差异较大：部分单文件 Agent 只需要一个 API Key，部分本地 RAG 模板强调完全离线运行，部分语音 Agent 依赖实时语音 API，MCP 相关模板则需要相应的 MCP 服务器或外部服务。因此，不能把某个模板的环境要求套用到整个项目上。

项目还提到 Agent Skills 会附带真实代码，并通过安全与评估 CI 门槛；多 Agent 模板中出现了基于 CrewAI、AG2、LangGraph、OpenAI Agents SDK、Pydantic AI 等不同技术栈的示例。这说明它更像一个多技术栈的示例集合，而非统一封装的 SDK。

适用人群

Awesome LLM Apps 适合以下人群：希望快速了解 AI Agent 和 RAG 应用形态的开发者；需要可运行模板来搭建原型的产品团队；正在学习多 Agent 协作、语音交互、MCP 集成或记忆管理的工程师；以及想为自己的编码 Agent 增加实用技能的用户。对于只想找一个统一框架来构建生产系统的团队，这个项目更适合作为参考和起点，而不是直接替代框架选型。

注意事项

项目采用 Apache-2.0 许可证，README 明确表示可以克隆、发布甚至销售。但不同模板可能依赖第三方 API、模型服务或外部数据源，使用前需要确认各自的密钥、配额和费用。GitHub Star 数和 Fork 数反映的是社区关注度，并不代表项目经过官方认证或性能排名。另外，项目更新较频繁，模板列表和分类可能随版本变化，建议以仓库当前内容为准。

项目主页

https://github.com/Shubhamsaboo/awesome-llm-apps

项目地址：awesome-llm-apps