awesome-llm-apps 新手实战指南从本地 RAG 到多智能体应用【免费下载链接】awesome-llm-apps100 AI Agents, Agent Skills and RAG Apps - Free and Open Source.项目地址: https://gitcode.com/GitHub_Trending/aw/awesome-llm-appsawesome-llm-apps 收录了 100 个可端到端运行的 AI Agent 与 RAG 应用覆盖本地 RAG、多智能体、语音、生成式 UI 等方向全部开源免费。本文带你 30 秒跑通第一个应用并拆解 3 个核心模块的实现。适合有 Python 基础、想快速落地 LLM 项目的开发者。它解决什么问题从零搭 RAG 或 Agent 每次都要重写向量库、Embedding、模型调用的接线逻辑。这里的模板全部预先接通clone 下来装依赖就能跑。模型生态不被锁定。仓库覆盖 Claude、Gemini、GPT、DeepSeek、Llama、Qwen 等模型同一方向常提供云版和本地版两种实现。从 demo 到生产级的跨度大。除了单文件示例还有带记忆、工具调用、多智能体协作、评估门禁的完整工程例如advanced_ai_agents/下 20 余个生产风格应用。相比单一示例教程它是一个可检索的模板库20 条 RAG 管线、12 个入门级 Agent、2 套框架速成课按目录直接挑。环境准备与最小可运行配置第一步克隆仓库git clone https://gitcode.com/GitHub_Trending/aw/awesome-llm-apps第二步进入子应用安装依赖。每个子应用是独立项目依赖写在各自的requirements.txtcd awesome-llm-apps/starter_ai_agents/ai_travel_agent pip install -r requirements.txt第三步准备 Key。入门级旅行 Agent 需要在页面里填 OpenAI API Key 和 SerpAPI Key本地 RAG 应用则完全不需要任何 Key。第四步启动streamlit run travel_agent.py报错关键词原因解法Connection refused6333 端口Qdrant 向量库未启动docker run -p 6333:6333 qdrant/qdrantmodel not foundllama3.2Ollama 未拉取模型ollama pull llama3.2与ollama pull openhermes401 / Invalid API keyKey 未填或填错在 Streamlit 侧边栏重新输入核心功能拆解免 API Key 的本地 RAG 管线rag_tutorials/local_rag_agent/是一个全本地 RAGLlama 3.2 经 Ollama 推理OpenHermes 做嵌入Qdrant 做向量检索构建在 Agno v2.0 的Knowledge类之上。关键参数集中在local_rag_agent.py集合名thai-recipe-index、OllamaEmbedder()、Qdrant(urlhttp://localhost:6333/)。输入输出方面首次运行会自动抓取 ThaiRecipes.pdf 并写入 Qdrant输出是http://localhost:7777的 AgentOS 对话界面agent Agent(modelOllama(idllama3.2), knowledgeknowledge_base)实际效果你可以直接问菜谱内容答案完全基于本地 PDF无外部 API 调用、无费用。会自检检索质量的 Corrective RAGrag_tutorials/corrective_rag/corrective_rag.py用 LangGraph 状态机构建了一条「检索 → 评分 → 重试/降级」的管线核心逻辑位于该文件的评分节点中。关键配置在 Streamlit 侧边栏Anthropic、OpenAI、Tavily 三把 Key 加 Qdrant 地址嵌入模型固定为text-embedding-3-small。输入是文档 URL默认一篇 arXiv 论文 PDF输出是带来源依据的答案当本地检索质量不足时管线会调用 Tavily 网页搜索兜底。多智能体协作团队advanced_ai_agents/multi_agent_apps/agent_teams/下收了 12 支「Agent 团队」。例如ai_travel_planner_agent_team/是完整全栈工程Python 后端 29 个 py 文件Next.js 前端 26 个 tsx 文件还带 Prisma 数据库迁移ai_legal_agent_team/则提供云版和本地版两套实现。这类团队的分工模式固定检索、分析、写作各由专职 Agent 承担再由编排层汇总。实际效果是单个 Agent 难以完成的跨步骤任务如竞品分析、尽调报告被拆成可验证的子任务。实战场景演示场景一私有文档本地问答✅ 操作要点1) 安装 Ollama 并执行ollama pull llama3.2和ollama pull openhermes2) 用 docker 起 Qdrant3) 在rag_tutorials/local_rag_agent/下执行python local_rag_agent.py。 预期效果浏览器打开http://localhost:7777即可对本地 PDF 提问全程离线。场景二旅行计划转日历文件⚡️ 操作要点1) 在starter_ai_agents/ai_travel_agent/下streamlit run travel_agent.py2) 填入目的地、天数与偏好3) 在生成的行程页下载日历。 预期效果得到一份逐日行程并导出.ics日历文件源码中由generate_ics_content()生成基于icalendar库可直接导入日历应用。新手高频踩坑每次启动都重新加载知识库 → 首次运行写入 ThaiRecipes.pdf 后未清理 → 注释掉local_rag_agent.py里的knowledge_base.add_content()一行README 中有提示。报 6333 端口连接失败 → 只装了 Qdrant 镜像没启动 → 先docker run -p 6333:6333 qdrant/qdrant再跑脚本。Ollama 报找不到模型 → 只装了 Ollama 没拉模型 → 补跑ollama pull llama3.2和ollama pull openhermes。在仓库根目录装依赖 → 根目录没有统一依赖清单 → 每个子应用独立pip install要进对应子目录执行。想找.env文件配 Key → 项目不用.env→ Key 直接在 Streamlit 侧边栏或页面输入框填写。延伸资源完整模板索引README.md20 RAG 管线目录rag_tutorials/框架速成课ai_agent_framework_crash_course/编码 Agent 技能与评估agent_skills/Apache-2.0 协议LICENSE【免费下载链接】awesome-llm-apps100 AI Agents, Agent Skills and RAG Apps - Free and Open Source.项目地址: https://gitcode.com/GitHub_Trending/aw/awesome-llm-apps创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考