最近 GitHub 上看到一个 12万 Stars 的开源项目——awesome-llm-apps，好奇翻了翻，它有 100 多个 AI Agent 和 RAG 应用，全部带完整源码，简直是程序员的宝库啊。

我把整个仓库翻了一遍，这篇说清楚它里面装了什么，哪些值得我们花时间。

先搞明白它是什么

这是一个 GitHub 开源仓库，里面装了 100 多个可以直接运行的大模型应用，每一个都是完整的小项目，不是代码片段，也不是思路演示。

我们可以把仓库 clone 下来，挑一个感兴趣的目录，装好依赖，填上模型 key，跑起来就是一个能用的应用。比如旅行规划 Agent、语音客服、本地 RAG 问答，跑通就能玩，改一改就能变成自己的东西。

仓库作者叫 Shubham Saboo，带着社区贡献者一起维护，100 多个模板全是他们手写的原创代码，发布前逐个跑通测试，不是从别处收录来的链接。协议 Apache-2.0，fork 走商用不用打招呼。作者还配了个免费教程站 Unwind AI，热门模板都有图文讲解。

里面的货，按玩法分

新手村，单文件就能跑

这一层给刚上手的人准备，一个 Python 文件加一个 key 就能跑起来。

• • AI Travel Agent：输入目的地，吐出按天排的旅行行程，本地和云端两个版本都有
• • AI Data Analysis Agent：扔一个 CSV 或 Excel 进去，用大白话提问，它查数、画图
• • AI Blog to Podcast Agent：给个博客链接，它把文章改成口播稿再转成音频，一篇图文变一期播客

这类项目代码量小，适合拆开看它怎么写 prompt、怎么调模型，对新手学习特别友好。

进阶区，带工具链的那种

往下走就是接近生产形态的 Agent，带工具调用、记忆和多步推理。

• • AI Deep Research Agent：基于 OpenAI Agents SDK 加 Firecrawl，给一个课题，它自己搜网页、读内容、写研究报告
• • AI Home Renovation Agent：拍几张房间照片传上去，Nano Banana Pro 出改造方案和效果图
• • AI Fraud Investigation Agent：交叉核对公开记录，找出对不上账的机构信息
• • Trust-Gated Multi-Agent Research Team：多智能体研究团队，每个动作进哈希链审计日志，出了错能倒查

常驻后台的 Agent

这类是我觉得最有意思的，Agent 不等我们发问，自己定时干活。

• • Always-on Hacker News Briefing Agent：定时扫 Hacker News，把 AI 相关信号筛出来排好序，每天一份简报发到 Slack 或邮箱
• • Release Radar Agent：盯着我们项目的依赖更新，breaking change、废弃接口、安全补丁分开汇报

做公众号的同行应该能看懂第一个的价值，选题雷达不用自己刷了。

给 Claude Code、Codex 装技能

Agent Skills 这个目录是最近加的，一条命令给编程 Agent 装新能力，Claude Code、Codex、Cursor 都能用。

npx skills add https://github.com/Shubhamsaboo/awesome-llm-apps/tree/main/agent_skills/project-graveyard

举几个有意思的：

• • Project Graveyard：翻出我们硬盘里所有烂尾的 side project，逐个分析死因，再挑出值得捡回来的那个，我看完这个技能的名字笑了半分钟
• • Scope Creep Detector：检查一次提交有没有超出最初说好的范围，提醒我们哪些改动该拆出去
• • Self-Improving Agent Skills：用 Gemini 加 ADK，让 skill 对着评测结果自动改写自己

另外还有 19 个通用技能，代码审查、debug、写技术文档、做会议纪要这类，全是现成的。

RAG 的二十种写法

RAG 类目下躺了 20 多个项目，从最简单的 Basic RAG Chain 到 Agentic RAG、Corrective RAG、混合检索、带引用的知识图谱 RAG，全都有。

两个我想单独提的。一个是 RAG Failure Diagnostics Clinic，专门诊断我们自己的 RAG 系统哪里检索烂了，这类工具在别处很少见。另一个是 Deepseek Local RAG，全程本地跑，数据不出机器。

语音 Agent 和生成式 UI

• • Insurance Claim Live Agent Team：用 Gemini Live 做实时语音报案接入，说话进，处理结果出
• • AI Dashboard Canvas Agent：在聊天里描述要什么看板，图表直接在一块画布上拼出来
• • AI MCP App Builder：描述一个 MCP 应用，返回一个能跑的沙箱实例

顺手省钱的小工具

• • Toonify Token Optimization：把数据转成 TOON 格式再喂给模型，官方给的数字是省 30% 到 60% 的 token 成本
• • Headroom Context Optimization：压缩上下文，号称省 50% 到 90%，数字看着猛，实际用的时候打个折再信

三分钟跑一个试试

官方示例是旅行 Agent，四条命令：

git clone https://github.com/Shubhamsaboo/awesome-llm-apps.git
cd awesome-llm-apps/starter_ai_agents/ai_travel_agent
pip install -r requirements.txt
streamlit run travel_agent.py

跑起来是个 Streamlit 网页，填上模型 key 就能用。仓库里 demo 默认配的多是国外模型，我们把配置里的模型名改成 Qwen 或者 DeepSeek 一样跑，不想调 API 的就用 Ollama 起本地模型。

如果只是想让 Claude Code、Codex 学个新本事，不用 clone 整个仓库，上面那条 npx 命令十秒装完。

我的看法

这仓库最大的价值是抄作业的起点，新框架出来，我啃官方文档要半天，跑通它仓库里一个对应的模板只要十分钟，代码怎么组织、工具怎么注册、记忆怎么接，全在源码里。学 Google ADK 和 OpenAI Agents SDK 的话，它那两个 crash course 比官方教程讲得实在。

丑话也得说，这些是模板，不是产品。错误处理、权限校验、成本控制，上生产前都得自己补。demo 跑通和线上能用之间隔着不少活，别想着直接拿它当产品上线。

适合谁？想快速验证 idea 的，啃 Agent 框架文档啃得头疼的。还有做小工具 demo 的，跑一个改一改就是自己的。124k Star 里我猜大部分是收藏党，仓库真正的价值，属于愿意 clone 下来跑通第一个模板的人。

开源地址

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