一个仓库装下 100+ LLM 应用：awesome-llm-apps 的 Agent 与 RAG 全景指南

一个仓库装下 100+ LLM 应用：awesome-llm-apps 的 Agent 与 RAG 全景指南

【免费下载链接】awesome-llm-apps 100+ AI Agents, Agent Skills and RAG Apps - Free and Open Source. 项目地址: https://gitcode.com/GitHub_Trending/aw/awesome-llm-apps

想上手 LLM 应用开发时，最卡人的往往不是写代码，而是找参考——网上的 RAG 示例依赖装不齐，多 Agent 系统又很难找到能直接跑起来的开源实现。awesome-llm-apps 这个仓库把 100 多个可运行的 LLM 应用收进了一处：RAG 检索管线、单 Agent 与多 Agent 应用、语音 Agent、生成式 UI 都在里面，每个示例通常配好依赖清单和启动说明。这篇文章适合刚接触 AI Agent 与 RAG 领域、想快速拿到一份完整可运行参考的你。

项目全景：它到底能帮你做什么

从仓库目录看，这个仓库更像一本"能跑的示例手册"而不是一个产品，核心能力可以按类别归纳：

它的边界也值得先说清楚：多数云端示例需要至少一个模型 API Key，部分还依赖外部服务（比如联网搜索需要 SerpAPI）；生成式 UI 类应用带了 Next.js 前端，部署成本比纯 Python 示例高；各示例完成度参差不齐，进阶目录里文件间耦合多，不建议作为零基础的第一站。

代码组织：从入口到模块

这个仓库没有统一的启动入口，每个子目录就是一个自包含的"小项目"：自己的 README、requirements.txt 和主程序。这种组织方式的好处是——你只需要读想跑的那一个目录，不用通读全仓库。

按"从外到内"的阅读动线，通常是三步：

1. 根 README 当目录索引：根目录的 README 按类别列出了全部示例的一句话介绍，相当于选型菜单，先在这里锁定一个示例；
2. 每个示例目录当独立入口：以旅行 Agent 为例，travel_agent.py 是云端版（走 GPT-4o），local_travel_agent.py 是本地版（走 Ollama），内部拆成 Researcher（负责搜索）和 Planner（负责生成行程）两个角色，改提示词或换模型时改对应的角色定义处即可；
3. RAG 目录按管线分家：rag_tutorials/ 下每个子目录对应一种检索策略，脚本基本自包含，提示词和模式定义都放在目录内，方便单独研究某一种策略。

框架速成课的目录值得单独一提：Google ADK 用 1_ 到 9_ 的数字前缀排成递进式小节，OpenAI SDK 排到 11_，每一节都是独立小例子，适合当学习路径而不是当应用跑。

从零到跑通：先让一个 Agent 转起来

先明确一点：本仓库是示例集合，没有"启动整个项目"的按钮，按需选择具体应用运行。下面以官方推荐的旅行 Agent 为例走一遍完整流程。

# 1. 克隆仓库
git clone https://gitcode.com/GitHub_Trending/aw/awesome-llm-apps

# 2. 进入起步目录下的旅行 Agent 示例
cd awesome-llm-apps/starter_ai_agents/ai_travel_agent

# 3. 创建并激活虚拟环境，避免污染全局 Python
python -m venv .venv && source .venv/bin/activate

# 4. 安装该示例自己的依赖（Streamlit 等都已写进 requirements.txt）
pip install -r requirements.txt

# 5. 启动旅行 Agent（云端版，使用 GPT-4o）
streamlit run travel_agent.py

浏览器打开本地地址后，页面会引导你输入 API Key 并生成行程。如果不想调用云端模型，也可以用本地模型版本：

# 拉取一个本地模型（以 llama3.2 为例，需要已安装并启动 Ollama）
ollama pull llama3.2

# 启动本地版，无需 OpenAI Key
streamlit run local_travel_agent.py

⚠️ 容易踩的坑：

• 旅行 Agent 需要两个 Key：OpenAI 的（云端版才要）和 SerpAPI 的（联网搜索用）。这个示例把 Key 设计成在网页界面里输入，不是读 .env 文件，别在代码里找环境变量配置；
• 部分 RAG 示例依赖向量数据库（如 Qdrant），跑之前先翻一下该目录的 README，确认是否需要额外服务；
• 示例间依赖不共享，每个目录都要单独 pip install -r requirements.txt，装好一个目录不代表另一个也能跑。

💡 小提示：第一次跑，建议就选 starter_ai_agents/ 下的单文件示例，依赖最少、失败点最少，跑通后再往 advanced_ai_agents/ 走。

配置与自定义：改了什么，会发生什么

好消息是：多数示例没有复杂的配置文件，"配置"基本就三类。

安全提醒：API Key 属于敏感凭证，建议只在本地环境变量或界面输入框中使用，切勿写死在代码里提交到版本库。想换成其他模型时，从仓库结构来看大概率只需改动示例里模型定义那一处（比如换成 Gemini 或 DeepSeek 的对应封装），改前先读该目录 README，确认作者是否预留了本地/云端双入口。

收尾与下一步

读完这一遍，你现在能做的事：从 100 多个示例里按类别选型，30 秒到几分钟跑通任意一个起步型 Agent，并知道遇到 RAG 或多 Agent 需求时该去哪个目录找参考。

下一步建议：先用上面的命令序列把旅行 Agent 跑通，再挑 rag_tutorials/rag_chain/ 这条最小 RAG 链做对照阅读——一个看 Agent 角色拆分，一个看检索管线，两条线搭起来，你对这个仓库里更复杂的示例就基本不再陌生了。

【免费下载链接】awesome-llm-apps 100+ AI Agents, Agent Skills and RAG Apps - Free and Open Source. 项目地址: https://gitcode.com/GitHub_Trending/aw/awesome-llm-apps