⭐ 精选推荐 进阶 📦

awesome-llm-apps

包含 Agent Skills、单体与多 Agent、RAG 应用代码的开源合集；子项目的依赖、账号和入口各自独立。

8.8 /10 ★★★★☆
#合集#开源免费#Agent Skills#RAG

📊 评分明细

📦 打包完整度
2.2 2.2 / 2.5
🎯 实用性
2.2 2.2 / 2.5
📖 文档清晰度
1.8 1.8 / 2
👥 社区影响力
1.3 1.3 / 1.5
🔗 集成度
1.3 1.3 / 1.5

🎯 适用场景

合集开源免费Agent SkillsRAG

awesome-llm-apps 快速入门：从合集找到一个能解释清楚的样例

这是什么？适合谁？

awesome-llm-apps 是 Shubhamsaboo 维护的开源应用合集，包含 Agent Skills、入门 Agent、多 Agent 协作、语音与 RAG 等方向。它既有可安装技能目录，也有独立 Python 应用，因此不能把整仓库当成一个统一插件。

适合已经能使用 Git 和 Python、想从实际项目学习 AI 应用的人；也适合希望给编码助手增加特定能力的开发者。仓库主 README 自述有 100+ 样例，这个说法是项目方的规模描述，不是本站逐个运行后的统计。

与 Anthropic 的 skills 仓库相比，这里的范围更宽，不限于技能文件；与 Superpowers 相比，它不围绕一套统一的工程协作流程，而是提供多个不同用途的案例。

本文选择两个明确入口：agent_skills/project-graveyard 用于理解技能的文件和权限边界；starter_ai_agents/ai_travel_agent 用于理解一个带网页界面的应用如何配置模型与搜索。

核验日期为 2026-10-16。所有示例都应按其子目录源码与依赖单独判断，不把维护者的“测试通过”描述替换成本站实测结论。

准备工作

  • 安装 Git；运行 Python 样例时使用独立虚拟环境，避免覆盖已有项目依赖。
  • 若走技能安装命令，准备 Node.js/npm 和支持该技能机制的编码助手。
  • 给本地扫描型技能一个明确授权的测试目录，不把整个用户目录当作默认输入。
  • 运行云应用前确认所需服务商账号与余额；仓库 Apache-2.0 许可不等于模型与搜索免费。
  • 先阅读目标目录的 SKILL.md、README、Python 文件和 requirements.txt，再安装或执行。

安装、配置与首次使用

第一步：取得仓库，只选一个子目录

git clone https://github.com/Shubhamsaboo/awesome-llm-apps.git
cd awesome-llm-apps
git rev-parse HEAD

记录最后一条命令的提交号，便于以后说明教程对应哪一版。不要一进仓库就寻找“安装所有样例”的命令，不同目录使用的模型与依赖并不相同。

先打开 agent_skills/project-graveyard/SKILL.md。这项技能根据本地 Git 历史分析未完成项目；“为何停更”是带证据的推测，仍需本人确认，并不等于心理诊断。

第二步：按官方路径安装一个 Skill

如果你的编码助手支持相应安装方式，可以执行官方 README 提供的定向命令：

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

检查安装器列出的目标助手、安装范围和文件位置，再确认。不同助手的加载目录不同，成功判定是目标助手能发现该技能，而不是终端只是没有报错。

不想让安装器修改助手配置时，可以保留仓库副本，先手工阅读技能和脚本；这与已经安装到助手中是两件事。

第三步：限定输入，完成一次项目盘点

先给助手明确边界，例如：

请使用 project-graveyard，只分析我明确授权的测试项目目录。
先告诉我你准备读取哪些目录和 Git 信息，不扫整个用户目录。
按提交历史列出证据，推测与已确认事实分开。
先只给只读报告，不修改项目、不安装依赖、不替我推送代码。

这是本文给读者的使用示例。首次使用请把“测试项目目录”替换为自己的真实路径；没有项目目录时不要让助手自行扩大扫描范围。

技能说明给出的脚本入口位于该技能内部的 scripts/graveyard.py。直接运行时先切到技能目录，再明确传入授权目录；不要无参数运行后才发现扫描范围过宽。

cd agent_skills/project-graveyard
python scripts/graveyard.py --help
python scripts/graveyard.py PATH_TO_YOUR_TEST_PROJECTS

PATH_TO_YOUR_TEST_PROJECTS 是需要替换的占位符。官方说明支持 --days、--json、--me 等参数；保存 JSON 时也要把输出路径放在自己允许写入的目录。

成功判定：报告只涉及授权项目、每个“停更原因”有 Git 线索、没有修改被扫描项目。把不确定原因保留为推测，不要把提交间隔直接解释成作者的真实动机。

另一个入口：运行单个 Python 应用

希望学习网页应用时，可回到仓库根目录，选择旅行规划样例。以下仅演示运行路径，不构成旅行安排或预订建议。

cd starter_ai_agents/ai_travel_agent
python -m venv .venv

按操作系统激活刚创建的虚拟环境后执行：

python -m pip install -r requirements.txt
python -m streamlit run travel_agent.py

当前源码使用 Agno、Streamlit、OpenAI 模型和 SerpAPI 搜索。页面分别要求 OpenAI API Key 与 SerpAPI Key，不能只设置其中一个后期待完整工作。

这个样例把 Researcher 的检索结果交给 Planner 生成行程，还提供 .ics 下载入口。先用不含个人行程隐私的测试目的地检查输出结构，再核对引用；不要直接导入自己的主日历。

模型名当前在源码中设为 gpt-4o。若账号没有该模型权限，需按应用代码与供应商文档调整；修改模型字符串也不等于其他供应商协议自动兼容。

成功判定：页面能打开、两种服务都完成请求、生成结果可展示、下载文件能在测试环境检查。本文没有实际调用付费模型或验证样例的旅行信息。

常见踩坑

以下是依据目录结构与代码前提整理的排查项，不是本站运行事故记录。

踩坑 1：把合集当成一个统一软件包

  • 症状：在根目录安装后，不知道如何启动选中的应用。
  • 原因：各个子项目独立，入口与依赖不同。
  • 排查：先定位目标目录，再读该目录 README、脚本和依赖文件，不套用另一个样例的命令。

踩坑 2：装了 Skill，却期待出现网页应用

  • 症状：助手能看到说明，但浏览器没有新界面。
  • 原因：agent_skills 与 starter_ai_agents 是不同交付形态。
  • 排查：前者按助手技能机制加载，后者按 Python 应用启动，不把两套步骤混用。

踩坑 3：旅行样例只填了模型密钥

  • 症状：无法按预期开始生成。
  • 原因：当前代码同时判断 OpenAI 与 SerpAPI 密钥是否存在。
  • 排查：核对两种服务权限与账单，不把搜索请求失败归因于模型本身。

踩坑 4：模型名字被原样复制到不支持的账号

  • 症状：返回模型不可用或权限错误。
  • 原因：示例源码中的模型名是实现选择，不保证每个账号都有权限。
  • 排查：先确认供应商支持范围；改供应商时连同适配器与参数检查，不只替换名字。

踩坑 5：本地扫描扩大到私人目录

  • 症状：报告包含并未打算交给助手分析的项目名与提交历史。
  • 原因：扫描脚本有默认目录，或助手自行扩展了输入范围。
  • 排查：显式传入授权路径，先核对扫描计划；分享报告前另做脱敏，不能因为脚本本地运行就忽略助手上下文外传。

踩坑 6：拿到日历文件就认为日期全对

  • 症状：生成的活动日期或日程划分不符合预期。
  • 原因：当前旅行样例用文本正则识别 Day N，且日期逻辑依赖代码默认值。
  • 排查：在测试日历核对开始日期、全天事件与分日结构；未经检查不批量导入主日历。

初级用法

  1. 从一个 SKILL.md 学触发条件、输入输出与权限要求，不急着修改技能正文。
  2. 从 ai_travel_agent 学模型调用与搜索工具如何串联，画出 Researcher → Planner 的数据流。
  3. 对照子项目的 requirements.txt 核对实际依赖，不把 README 的整个模型清单当作该样例支持清单。

高级玩法

  1. 研究 scope-creep-detector 的目标说明，比较它如何界定 diff 与需求边界，再决定是否适合自己的代码审查流程。
  2. 研究 commit-archaeologist 与 project-graveyard 的分工：一个追踪代码形成原因，一个观察项目停滞，不能把两者输出当成同一种证据。
  3. 从 rag_tutorials 中选与现有数据源匹配的目录，记录分块、检索与生成分别由谁实现，逐项替换而不是整套搬进生产。

小技巧

  1. 保存子目录路径与提交号，比只收藏合集首页更容易复现。
  2. 一个样例一个虚拟环境，验证后再决定是否合并依赖。
  3. 密钥只填到可信的本地进程，不把截图或 .env 交给公开仓库。
  4. 先阅读“会调用什么工具”，再判断某条技能是否真的只读。
  5. 运行失败先看报错来自安装、模型、搜索还是输出解析，避免无目标地反复调用收费服务。

常见问题 FAQ

Q1：它免费吗？

A：仓库按 Apache-2.0 许可开放，外部模型、搜索或托管费用另计。源码免费不代表每次请求免费，见官方仓库。

Q2：为什么归在 Skills 里，却有这么多应用？

A：这里按“合集”收录，并明确标注它同时包含 Agent Skills 和应用代码，不把它包装成一个可整体安装的单技能。

Q3：与 Anthropic skills、Superpowers 有何区别？

A：Anthropic skills 更集中展示技能形态，Superpowers 强调工程协作流程，本合集的覆盖面包括独立应用与 RAG。见Anthropic skills、Superpowers。

Q4：能把所有样例直接接入生产吗？

A：不能据仓库规模或维护者自述推断统一生产保证。必须逐项检查依赖、许可证、数据外发、模型权限与输出质量，并为自己任务建立测试。

Q5：本地技能是否意味着所有数据都不离开机器？

A：脚本本地执行和助手调用云模型不是同一条数据路径。即使扫描脚本不联网，报告进入远程助手上下文后仍可能发送给模型服务，需按整条链核对。

学习路径：按文件形态而非热度选样例

先看 agent_skills/project-graveyard 的输入边界，再读 starter_ai_agents/ai_travel_agent/travel_agent.py 的研究与规划衔接，最后才进入 rag_tutorials 挑选一个有明确数据源的案例。

对每个目录各留一张笔记：入口、依赖、账号、输入、输出、费用与外发路径。这样才能判断复用了哪个部件，而不是只记住“跑起来过”。

使用边界与声明

本文基于官方文档和公开资料整理，AI辅助生成，MagicNetWorld 尚未完成独立实测。没有批量安装合集、调用付费模型或验证全部样例兼容性；文中排查来自已读取代码与文档的前置条件。

参考链接

📊 评分与标签

评分说明

总分 8.8/10 · P_优选

核验日期：2026-10-16。按“含 Agent Skills 的应用合集”评价可复用性和学习价值；不将整个仓库误当单一可安装技能，也不把上游自述的端到端测试写成本站实验。

可观测社区指标

  • GitHub 官方 API：141,886 stars、20,858 forks，最近推送 2026-10-15T21:09:34Z，非归档；采集日期 2026-10-16。
  • 官方 README自述提供 100+ 示例，API 标注 Apache-2.0。规模描述不等于本站逐个执行统计，关注量也不等于生产用户量。

📦 可安装性 2.2/2.5

  • README 给出定向 Skill 安装与单目录 Python 应用启动示例；project-graveyard 有 SKILL.md 与明确脚本入口。
  • 子应用彼此独立，依赖和服务账号不统一，无法以一个“整库安装成功”覆盖全部样例，扣除环境碎片化成本。
  • 来源：官方快速入门、技能文件。
  • 对比 Anthropic skills：后者更集中展示技能目录，本合集需要先分清 Skill 与独立应用，不能用同一安装动作处理。来源：Anthropic 官方技能仓库。
  • 对比 Superpowers：Superpowers 围绕一套工程工作流提供安装路径，本合集的子项目独立性更高，灵活性与配置负担并存。来源：Superpowers 官方仓库。

🎯 实用性 2.3/2.5

  • 技能、单 Agent、多 Agent 与 RAG 分类提供可阅读实现，不止列外部链接；旅行样例能具体看到搜索结果传给规划器的路径。
  • 本地项目盘点技能说明输出证据与推测的区分，适合用来学习 Agent 输入边界；但没有统一任务集证明全部样例可直接交付生产。
  • 来源：官方目录、旅行样例代码。
  • 对比 Anthropic skills：后者适合观察技能形态，本合集还展示应用界面、模型调用和工具衔接；覆盖更宽并不表示每项更成熟。来源：Anthropic skills。
  • 对比 Superpowers：Superpowers 更强调开发过程纪律，本合集适合按具体功能找代码样板；用途不同，不给“谁全面替代谁”的结论。来源：Superpowers。

📖 文档质量 1.8/2.0

  • 主目录按形态分组，project-graveyard 具体写出触发、非目标、参数、报告与推测边界，有助于避免误用。
  • 旅行样例的真实密钥输入与模型名可以从源码核对，但不同子目录的文档完整度与更新节奏不能由一个样例概括，保留扣分。
  • 来源：主 README、技能说明。
  • 对比 Anthropic skills：技能格式与例子相对集中，本合集需要结合 README、依赖与实际源码交叉阅读。来源：Anthropic skills。
  • 对比 Superpowers：Superpowers 按统一流程组织说明，本合集适合定向学习子项目，不能期待所有目录具备同一套操作手册。来源：Superpowers。

👥 社区活跃 1.4/1.5

  • API 显示近期仍有推送，非归档，公开关注与 fork 数可核对；没有触发三个月未更新提示。
  • README 有贡献和更新入口，但本站没有逐项统计 issue 响应、维护者数量或所有子项目更新时间，不从仓库热度推出支持保证。
  • 来源：GitHub API、官方仓库。
  • 对比 Anthropic skills：可查看其公开变更，但没有同期同口径统计，不以“官方”或 stars 差异直接评定维护质量。来源：Anthropic skills。
  • 对比 Superpowers：它的持续维护应按自身记录判断，本项只评价合集当下可观察活跃性，不借其他项目声誉加分。来源：Superpowers。

🔗 兼容性 1.1/1.5

  • 合集覆盖多种模型与框架；部分 Skill 通过目录安装，应用则有独立 requirements.txt，能按任务选择入口。
  • 兼容性主要是样例级而非整库级。旅行应用当前硬编码 OpenAI 模型并需要 SerpAPI；替换模型名不代表适配器和工具协议自动兼容，因此本维度明显保留扣分。
  • 来源：合集说明、旅行样例依赖、实际代码。
  • 对比 Anthropic skills：同样需要核对助手的技能支持，不能把技能文件可读等同任一客户端可直接加载。来源：Anthropic skills。
  • 对比 Superpowers：其安装围绕支持的工具环境，本合集则需逐目录检查；不存在一个统一跨助手、跨模型的本站兼容认证。来源：Superpowers。

评分依据可追溯至公开来源；维度分值是对样例复用和学习入口的编辑判断，不是全部样例端到端通过率。

标签说明

  • 合集：目录同时包含多项 Skill 与独立 Agent/RAG 应用，而非一个单技能。来源：官方目录。
  • 开源免费：Apache-2.0 指代码许可，模型和搜索可能另收费。来源：官方仓库。
  • Agent Skills：存在 agent_skills 目录、SKILL.md 与定向安装示例。来源：Project Graveyard。
  • RAG：目录包含检索增强应用与教程分类，不表示每个样例都使用 RAG。来源：官方 README。

局限与声明

本文基于公开资料整理，未安装整个合集、执行全部技能、调用付费模型或复核每个子目录的安全性。技能脚本本地运行不等于其报告进入云模型上下文后仍完全本地；用户应明确授权目录并单独审查数据流。

来源核实

  • 已读取官方 README、仓库目录树、Project Graveyard 的技能文件和旅行样例的完整 Python 文件与依赖列表。
  • 已从 GitHub API 核对许可、stars、forks、最近推送与非归档状态。
  • 已读取 Anthropic skills 与 Superpowers 的官方 README，对比只讨论目录形态与工作流定位，没有复用其性能或安全宣传为本站结论。