大家好,我是你们的朋友架构君,一个会写代码吟诗的架构师。

从AI应用源码库挑选一个模板
想做个 Agent,框架文档看了一圈,还是不知道工具在哪注册、检索结果怎么交给模型。
遇到这种卡点,拆个小项目比收藏概念图管用。架构君建议把 awesome-llm-apps 当作业本:按任务挑一个目录,追清输入、模型和工具调用,再动手改,别把全仓库依赖装一遍。
先挑任务,再挑框架
仓库按入门、进阶、多 Agent、RAG、语音等方向整理示例,既有代码,也有外部项目入口。适合对照学习,各项仍需自行验证。

仓库历史星数与目录快照

仓库项目分类与说明
截图是历史目录,星数、排名和“生产型”文案不代表现行效果或验收;“免费”不含模型和搜索调用。Apache-2.0 分发仍须按适用条款保留许可证、声明和修改说明。
这些目录,值得怎样拆
入门区看旅行规划、数据分析、博客转播客,先学提示组织和工具调用。

入门应用示例目录
进阶区看深度研究、工具链和记忆。医疗、法律、金融 Agent 是选题方向,不等于专业能力过关。

进阶应用示例目录
常驻任务可看简报、依赖更新;多 Agent 则拆任务交接和上下文传递。调度、通知、失败恢复要单独配置、验证。

常驻后台任务示例目录

多Agent协作示例目录
看到 Local,先问哪一段在本地
RAG 有基础、混合检索、纠错与诊断方案。拿同一批问题比检索内容、引用和回答,别只看页面能否出字。

RAG应用与教程目录
Deepseek Local RAG 用 Ollama 推理,却接了 Qdrant Cloud,还可选 Exa 搜索。模型在本机,不代表向量、文档和工具请求都不出网。
语音应用示例目录
语音、实时交互的入口和外部服务各有要求。换模型不能只改名字,服务端点、鉴权、工具兼容、嵌入和向量配置都要对上。
从旅行示例跑起
以下以 macOS/Linux、Python 3.11+、Git 和联网安装环境为例。先建虚拟环境,别把试验依赖塞进现有项目:
BASHgit clone https://github.com/Shubhamsaboo/awesome-llm-apps.git
cd awesome-llm-apps/starter_ai_agents/ai_travel_agent
python3 -m venv .venv
. .venv/bin/activate
python -m pip install -r requirements.txt
python -m streamlit run travel_agent.py启动页要填 OpenAI API Key 和 SerpAPI Key。研究 Agent 联网检索,规划 Agent 整理行程。页面能开,不代表模型、搜索可用;这份启动示例不承诺耗时或行程准确率。
技能也能单独拿
只给编程助手补能力,可看 agent_skills。Project Graveyard 用来梳理搁置项目,先读说明和脚本,再定扫描目录。
准备 Node.js 22.20+、npm 和受支持的编程客户端,安装命令是:
BASHnpx skills add https://github.com/Shubhamsaboo/awesome-llm-apps/tree/main/agent_skills/project-graveyard按提示选技能和客户端,工具与技能会联网下载,默认装到当前项目。安装不等于已扫描,也不代表后续助手完全离线。
跑通之后,才轮到工程活

从本地验证到上线准备
模板接进 Java 后端前,补上工具权限、超时、失败处理和用量上限;涉及客户资料,再查清数据路径和日志留存。
TOON、Headroom 也要用自己的输入比较 token 和回答质量,别把演示比例写进预算。
先拆一个小任务,把完整调用走通,再决定留哪段代码、补什么约束。能解释每次调用,才算把作业学到手。
项目:github.com/Shubhamsaboo/awesome-llm-apps