标签: LLM应用

  • 124K Star 的「AI 应用宝库」:awesome-llm-apps,100+ 个拿来即跑的 LLM / RAG 项目

    124K Star 的「AI 应用宝库」:awesome-llm-apps,100+ 个拿来即跑的 LLM / RAG 项目

    awesome-llm-apps 项目预览

    一、项目简介

    awesome-llm-apps 是一个收录了 100+ 个端到端测试过、Apache-2.0 协议的开源 AI Agent、Agent Skills 与 RAG 应用的精选仓库——clone、定制、上线,全部免费。它兼容 Claude、Gemini、GPT、DeepSeek、Llama、Qwen 以及各类本地开源模型,是当下 GitHub 上星标增长最快的 LLM 应用模板库之一(124K+ Star)。

    二、安装要求和过程

    环境要求

    • Python 3.8+(多数模板基于 Streamlit / 各厂商官方 SDK)
    • 一个 LLM API Key(Claude / Gemini / GPT / DeepSeek / Llama / Qwen 均可,部分模板支持本地模型)
    • Git 与可联网环境

    快速开始(跑一个 Agent,约 30 秒)

    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

    或者,给编码助手装一个 Skill(约 10 秒)

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

    模板每周持续更新;项目模型无关,支持 Ollama 等本地推理,方便对比与替换。

    三、核心功能

    1. 100+ 端到端验证的开源应用:不是 demo 片段,而是每个都能 pip install && run 的完整项目,统一 Apache-2.0,可商用可修改。
    2. 15 大场景全覆盖:从单文件 Starter Agent,到多智能体团队、语音 Agent、MCP 工具调用、RAG 检索、记忆、微调、生成式 UI,再到 Autonomous 游戏 Agent。
    3. Agent Skills 一键安装:把可复用能力直接装进 Claude Code / Codex / Cursor,每条 Skill 都带真实代码并通过「安全 + 评测」CI 门禁。
    4. 模型无关:Claude、Gemini、GPT、DeepSeek、Llama、Qwen 乃至本地模型通吃,方便横向对比。
    5. 自带框架速成课:Google ADK、OpenAI Agents SDK 的 Crash Course,边抄边学编排范式。

    Project Graveyard Agent Skill

    Project Graveyard —— 帮你复盘每个弃坑副业、并找出最值得捡回来的那个的 Agent Skill

    四、典型使用场景

    • 30 分钟搭一个 AI 应用:想做旅行助手、数据分析 Agent、博客转播客?直接 clone 对应 starter 模板、改个 API Key 即可运行。
    • 给编码助手加能力:团队要一个「Scope Creep Detector(范围蔓延检测)」或「Commit Archaeologist(提交考古)」?npx skills add 一行搞定,立刻在 Claude Code / Cursor 里可用。
    • 系统学习 RAG / 多智能体:仓库内含 20+ 个 RAG 教程与多智能体团队模板,即开即用,省去从零搭脚手架。

    Always-on HN Briefing Agent

    Always-on HN Briefing Agent —— 按日程巡逻、把每天值得看的 Hacker News 推送到 Slack / 邮箱的后台 Agent

    Insurance Claim Live Agent Team

    Insurance Claim Live Agent Team —— 基于 Gemini Live 的实时语音理赔 Agent 团队

    五、推荐理由

    对一个想动手做 AI 应用、又不想从零啃文档的人,这是目前质量最高、最「能跑」的 LLM 应用模板库之一。每个模板都是真实可运行代码,省去脚手架与踩坑成本;模型无关意味着你可以拿自己的 Key 直接试;Agent Skills 的设计尤其实用——把沉淀下来的工程能力变成可复用 Skill,正好契合当下 coding agent 的工作流。

    Self-Improving Agent Skills

    Self-Improving Agent Skills —— 用 Gemini + ADK 让 Skill 针对评测自我重写的进阶玩法

    唯一要注意的是:部分模板依赖特定商业模型的 API,跑之前看一眼 requirements.txt 与 README 里的模型说明即可。

    六、下载地址

  • LangExtract:Google 出品的 LLM 结构化信息提取利器,精准溯源让 AI 抽取结果可验证

    LangExtract:Google 出品的 LLM 结构化信息提取利器,精准溯源让 AI 抽取结果可验证

    LangExtract Logo

    📌 项目简介

    LangExtract 是 Google 开源的 Python 库,基于大语言模型从非结构化文本中精准提取结构化信息,并映射到原文精确位置,让 LLM 的信息抽取结果可验证、可溯源。

    ⭐ 36.8K+ Stars
    📝 Apache 2.0
    🐍 Python
    🏢 Google 出品

    ⚙️ 安装要求与过程

    📦 环境要求

    • Python:3.10 及以上版本
    • 依赖:自动安装(pydantic, tenacity, tqdm 等)
    • API 密钥:使用 Gemini 需配置 LANGEXTRACT_API_KEY 环境变量
    • 本地模型:可选,需提前安装 Ollama

    🚀 快速安装(3种方式)

    方式一:PyPI 安装(推荐)

    pip install langextract

    方式二:虚拟环境安装(避免依赖冲突)

    python -m venv langextract_env
    # Linux/Mac:
    source langextract_env/bin/activate
    # Windows:
    langextract_env\Scriptsctivate
    pip install langextract

    方式三:Docker 部署

    docker build -t langextract .
    docker run –rm -e LANGEXTRACT_API_KEY=”你的API密钥” langextract

    🎯 核心功能

    🔍 1. 精准溯源 — 提取结果可验证

    所有提取结果都会映射到源文本中的精确字符位置,支持可视化高亮展示。你可以直观看到每个提取实体在原文中的具体出处,彻底解决 LLM 幻觉问题。

    📐 2. 稳定的结构化输出

    基于用户提供的少样本示例(Few-shot Examples)强制执行输出格式,在 Gemini 等支持约束生成的模型中可保证输出格式 100% 合规,无需繁琐的 Prompt 调试。

    📚 3. 长文档优化 — 解决”大海捞针”

    通过文本分块 + 并行处理 + 多轮抽取的组合策略,有效解决长文档中关键信息难以完整抽取的痛点,大幅提升召回率。支持直接从 URL 读取长文本。

    🖥️ 4. 交互式 HTML 可视化

    自动生成自包含的交互式 HTML 文件,可在浏览器中直观查看数千个提取实体在原文中的高亮上下文,支持点击跳转,让审核效率倍增。

    🌐 5. 多模型支持 — 云端 + 本地全覆盖

    原生支持 Gemini 系列(默认)、OpenAI 系列(需额外安装)、Ollama 本地模型(无需 API 密钥),并通过插件系统支持任意自定义模型后端,真正模型无关。


    💡 典型使用场景

    🏥 场景一:医疗文本结构化

    从自由书写的临床笔记、出院小结中精准提取药物名称、剂量、频次、诊断结果等结构化信息,并溯源到原文位置,辅助医疗信息化系统建设。(注:医疗场景需遵守 Google Health AI Developer Foundations 使用条款)

    📄 场景二:长文档知识抽取

    处理数千页的研究论文、法律合同、财报,自动提取关键实体、关系、事件,生成可交互的 HTML 报告。多轮抽取 + 并行处理让长文档召回率大幅提升。

    🔒 场景三:本地隐私数据提取

    通过 Ollama 接入本地开源模型(如 Gemma 2),在完全离线环境下对敏感文本(法律、金融、个人数据)进行结构化提取,数据不出本地,满足严苛的隐私合规要求。


    🌟 推荐理由

    为什么值得关注?

    作为 Google 官方开源项目,LangExtract 解决了 LLM 信息抽取领域最痛的两个问题:结果不可验证格式不稳定

    它的设计哲学非常务实:

    • 🎯 精准溯源让每次提取都可验证,这在医疗、法律等高风险场景中是刚需
    • 📐 少样本示例驱动,无需微调模型,换个领域只需改示例,极大降低适配成本
    • 🖥️ 交互式 HTML 可视化是杀手级功能,让非技术用户也能直观审核抽取结果
    • 🌐 模型无关设计,从 Gemini 到 Ollama 随意切换,不被任何厂商锁定

    相比同类工具(如原生 LLM API 直接抽取),LangExtract 在准确性、可解释性、工程化落地三个维度都有明显优势。如果你正在做 RAG、知识图谱构建、文档智能处理,LangExtract 应该成为你的标配工具。

    ⭐ 推荐指数:5/5


    📥 下载地址

    📌 许可证:Apache 2.0 | 开发语言:Python | 维护方:Google