Awesome LLM Apps: ein lauffähiger Katalog aus Agenten, Skills und RAG

Alles Wissenswerte über Shubhamsaboo/awesome-llm-apps: eine Sammlung von über hundert offenen Beispielen, so organisiert, dass man einen konkreten Fall auswählt und ausführt, statt ein einzelnes Produkt zu installieren.

Was Awesome LLM Apps ist

Awesome LLM Apps bündelt über hundert Open-Source-KI-Agenten, Agent-Skills und RAG-Anwendungen. Das Repository erklärt seine Beispiele als kompatibel mit Claude, Gemini, GPT, DeepSeek, Llama, Qwen und weiteren Modellen; seine Lizenz ist Apache-2.0.

Es ist weder eine Bibliothek noch eine monolithische Anwendung. Es ist ein Monorepo unabhängiger Projekte, gruppiert in agent_skills, Einsteiger- und fortgeschrittene Agenten, dauerhaft laufende Agenten, Sprachagenten, MCP-Agenten, generative Oberflächen, RAG-Tutorials und kurze Framework-Kurse.

Gewaltiger, leuchtender digitaler Katalog, der in einem dunklen Cyberpunk-Datenraum schwebt: ein holografischer, monolithischer Repository-Baum mit Hunderten unabhängiger, leuchtender Neon-Ordner, beschriftet mit Namen von KI-Agenten, RAG und Skills, mit leuchtenden Datenströmen, die Knoten für Claude, Gemini, GPT und Llama verbinden.

Der Ursprung: von einer ersten Vorlage zum Katalog

Das Repository wurde am 29. April 2024 von Shubham Saboo erstellt; der früheste überprüfbare Commit trägt die Nachricht „Initial commit”. Sabos GitHub-Profil identifiziert die Person als „Senior AI PM @ Google Cloud” und verlinkt Unwind AI, was jedoch keine Eigentümerschaft oder Sponsoring durch Google für das Repository belegt.

Cyberpunk-Terminal-Oberfläche, die das Erstellungsdatum eines digitalen Repositorys zeigt: leuchtender Neontext zeigt „Initial commit" und „April 29, 2024" in retro-futuristischer Typografie, umgeben von holografischen Fenstern mit GitHub-Profilelementen und einem „Senior AI PM"-Tag.

Es wurde keine offizielle Launch-Ankündigung in der Dokumentation des Projekts gefunden. Die früheste überprüfbare externe Referenz ist der Hacker-News-Thread 42510073, veröffentlicht am 25. Dezember 2024, der auf das Repository verlinkt.

Philosophie und Prinzipien

Der Ansatz bevorzugt Beispiele, die geprüft und ausgeführt werden können, statt einer einzigen Abstraktion für jeden Fall. Das README beschreibt sie als durchgängig gebaute und getestete Anwendungen; eine Rezension von Starlog interpretiert diese Ausrichtung als Antwort auf das Problem, dass Codebeispiele beim Übertragen in ein eigenes Projekt nicht funktionieren.

Die praktische Konsequenz ist bewusst heterogen: Jedes Unterprojekt behält seine eigenen Abhängigkeiten, seinen Modellanbieter und seine Konfiguration. Es lohnt sich, eine Vorlage nach ihrem Anwendungsfall auszuwählen und ihr README zu lesen, bevor man annimmt, sie teile Anforderungen mit dem Rest des Katalogs.

Abstrakte Darstellung eines bewusst heterogenen Software-Ökosystems: mehrere unterschiedliche, leuchtende Neon-Inseln, die in einer dunklen digitalen Leere schweben, jede ein unabhängiges Mikroprojekt mit eigenen Abhängigkeiten, .env.example-Dateien und requirements.txt darstellend.

Wie es funktioniert

Der Weg beginnt mit der Wahl eines Ordners. Skills leben in agent_skills; ausführbare Demos sind nach Familien verteilt, und jede kann ihre eigene requirements.txt, .env.example, pyproject.toml, package.json oder Dockerfile enthalten.

Cyberpunk-Entwicklerarbeitsplatz mit einer holografischen Dateibaum-Oberfläche: ein leuchtender Neon-Cursor wählt einen bestimmten Ordner namens agent_skills innerhalb einer massiven Verzeichnisstruktur aus, beleuchtet von neonrosa und -blauen Datenströmen.

Das offizielle Muster für eine Python-Vorlage besteht aus dem Klonen des Repositorys, der Installation von Abhängigkeiten im gewählten Ordner und dem Starten von Streamlit. Für ein Skill bietet das README eine direkte Installation über npx skills add vom Pfad des Skills aus an.

Das Repository enthält eine skill-evals-Automatisierung, die deterministische Evaluierungen, SKILL.md-Validierung, Analyse von Injektions- oder Lieferketten-Mustern und Prüfungen des Aktivierungswortschatzes durchführt. Das ist eine Absicherung für Skill-Inhalte, keine Sicherheits- oder Qualitätsgarantie für jede Beispielanwendung.

Futuristische, automatisierte Sicherheitsvalidierungskammer im Cyberspace: leuchtende Neon-Codefragmente werden von robotischen Laserstrahlen gescannt, die die skill-evals-Automatisierung darstellen, mit holografischen Schilden, die rund um den Code auftauchen.

Offizieller und halboffizieller Status

Das Projekt ist eine öffentlich vom Autor gepflegte Sammlung, kein offizieller Marktplatz eines Modellanbieters. Das Vorhandensein von npx skills add-Anweisungen belegt einen Installationsweg für ein bestimmtes Skill, aber die gefundenen Quellen belegen keine Aufnahme in die offiziellen Marktplätze von Anthropic, OpenAI, Google oder einem anderen Hersteller.

Sein praktischer Status ist der eines weithin sichtbaren Community-Katalogs: Es wurde keine formale Erklärung gefunden, die ihn zu einem Standard macht, noch eine Anbieterzertifizierung. Unwind AI erscheint als vom Projekt verlinkte Ressource, obwohl die Website bei diesem Durchlauf aufgrund von Anti-Bot-Schutz nicht abrufbar war.

Das Ökosystem

Familien und Repositories desselben Autors

Das Repository selbst ist seine wichtigste Erweiterung: Seine installierbaren Skills und Agentenfamilien erlauben es, Fälle hinzuzufügen, ohne die gesamte Sammlung als ein einziges Paket zu installieren.

In Sabos Konto wurden all-rag-techniques, Awesome-LLM und awesome-ai-apps identifiziert. Das sind öffentliche Repositories desselben Autors, aber das README von Awesome LLM Apps stellt sie nicht als Unterprojekte oder offizielle Abhängigkeiten dar; sie sollten als verwandte Arbeiten verstanden werden, nicht als erforderliche Komponenten.

Forks, Kopien und Übersetzungen

Die API verzeichnet 19.430 Forks. Zu den am höchsten bewerteten gefundenen gehören blurred-machine/awesome-llm-apps (369), asimov-academy/ia-projects-example (95), 0xSojalSec/awesome-llm-apps (93) und peteryxu/Shubham-awesome-llm-apps (42); die Quelle belegt nicht, dass es sich um gepflegte oder vom Autor unterstützte Ports handelt.

Das README verlinkt von readme-i18n.com gerenderte Versionen auf Deutsch, Spanisch, Französisch, Japanisch, Koreanisch, Portugiesisch, Russisch und Chinesisch. Das sind außerhalb des kanonischen Baums veröffentlichte Übersetzungen, keine in das Repository integrierten Übersetzungsdateien.

Komplexe, futuristische Netzwerkkarte, die ein massives Open-Source-Ökosystem zeigt: ein zentraler, hell leuchtender Neon-Knoten mit der Beschriftung „Awesome LLM Apps", umgeben von Tausenden kleineren, umkreisenden Knoten, die 131.939 Sterne und 19.430 Forks darstellen, mit leuchtenden Datenpfaden zu Satellitenknoten für verschiedene Sprachen.

Zahlen des Repos

Messung: 10. August 2026, GitHub-API und -Seite.

Metrik	Wert
Sterne	131.939
Forks	19.430
Echte Abonnenten	1.251
Sichtbare Commits	1.176
Sichtbare Contributor	94
Branches / Tags	3 / 0
Hauptsprache	Python
Letzte Push-Aktivität	2026-08-10T07:26:18Z

Die Zahlen zu Sternen, Forks, Abonnenten und Aktivität stammen aus der API; die Gesamtzahl der Commits, Branches, Tags und Contributor ist der auf GitHub sichtbare Wert. Die nach Beiträgen sortierte API platzierte Shubhamsaboo (607), Madhuvod (265), onestardao (17), thejesh23 (17) und awesomekoder (11) unter den fünf am häufigsten gefundenen. watchers_count der API verdoppelt die Sterne, weshalb hier subscribers_count als Abonnentenmaß verwendet wird. Das Feld open_issues_count betrug 10 und kann offene Pull Requests einschließen; es wird nicht als zehn Nutzer-Issues gelesen.

Python dominiert nach Bytes, gefolgt von TypeScript, JavaScript, HTML und CSS – eine Verteilung, die zu vielfältigen Beispielen passt und nicht zu einem einzigen Ausführbaren.

Es gibt keine veröffentlichten Releases oder auffindbaren Versions-Tags, daher existiert keine offizielle Release-Chronologie, die zitiert werden könnte.

Wie man beiträgt

Im aktuellen Verzeichnisbaum wurde weder eine CONTRIBUTING.md, ein Verhaltenskodex, eine Sicherheitsrichtlinie noch eine zentrale Support-Anleitung gefunden. Es gibt daher keinen dokumentierten Branch- oder Pull-Request-Ablauf, der dem Projekt zugeschrieben werden sollte.

Es gibt jedoch GitHub-Aktivität: Die Seite zeigte 4 offene Issues und 6 offene Pull Requests, gegenüber 166 beziehungsweise 735 geschlossenen. Unter den offenen Issues finden sich ein veraltetes node:20-slim und alte Python-Abhängigkeiten; unter den Pull Requests Beiträge neuer Skills und Agenten.

Um verantwortungsvoll beizutragen, legt die verfügbare Evidenz nahe, eine Ergänzung als eigenständiges Projekt vorzubereiten, ihre spezifische Dokumentation zu prüfen und sicherzustellen, dass sie die skill-evals-Validierungen nicht auslöst. Das ist eine aus der verifizierten Struktur und Automatisierung abgeleitete Empfehlung, keine vom Maintainer veröffentlichte Richtlinie.

Wie die Community reagierte

Der HN-Thread 42510073 erhielt 3 Punkte und 1 Kommentar. Kommentator chris_5f lobte die Ressource dafür, LLM-Material zu bündeln, und beschrieb Saboo eher als Kurator denn als Schöpfer; das ist eine individuelle Meinung, keine unabhängige Bewertung jeder Vorlage.

Der HN-Thread 44258452 von Juni 2025 verzeichnete 1 Punkt und keine Kommentare: Er belegt Verbreitung, erlaubt aber keine Rückschlüsse auf eine qualitative Resonanz.

Starlog veröffentlichte am 9. Mai 2026 eine auf die lauffähigen Vorlagen fokussierte Besprechung, und OpenTools sowie PyShine indexierten das Projekt als Ressource. Das ist externe Berichterstattung oder Verzeichnisführung, kein Leistungsnachweis für die Apps.

Bei Videos veröffentlichte OverClocked am 25. Juli 2026 eine 7:46-minütige Einrichtungsanleitung mit 28 sichtbaren Aufrufen; Forkcast nahm das Repository am 19. Juli in eine 18:25-minütige wöchentliche Zusammenfassung mit 64 Aufrufen auf. Beide Zahlen sind Momentaufnahmen der gefundenen Seiten, und das zweite Video ist keine eigenständige Rezension.

Reddit, X und Product Hunt waren ohne Anmeldung oder aufgrund von Anti-Bot-Prüfungen nicht abrufbar. Es wird daher weder eine Abwesenheit von Konversation noch eine Abwesenheit eines Launches auf diesen Plattformen behauptet.

Awesome LLM Apps im Vergleich zu anderen Ansätzen

Projekt	Nachweisbarer Unterschied
`NirDiamant/GenAI_Agents`	Präsentiert sich als 53 Tutorials und Implementierungen zu Agenten-Techniken; Awesome LLM Apps präsentiert sich als über hundert lauffähige Apps, Agenten, Skills und RAG-Beispiele.
`microsoft/ai-agents-for-beginners`	Ein Kurs mit 18 Lektionen, mit geschriebener Lektion, Video und Python-Beispielen pro Einheit; das dokumentierte Projekt ist ein Katalog von Vorlagen nach Anwendungsfall.
`openai/openai-cookbook`	Veröffentlicht Leitfäden und Beispiele für OpenAIs API; Awesome LLM Apps erklärt Beispiele für mehrere Anbieter und Modellfamilien.
`e2b-dev/awesome-ai-agents`	Ein Verzeichnis von Projekten und Unternehmen, einschließlich Closed-Source-Produkten; Awesome LLM Apps verteilt Open-Source-Code seiner eigenen Vorlagen und Beispiele.

Diese Unterschiede beschreiben den von den ersten beiden Repositories erklärten Umfang; sie sind keine Qualitäts-, Kosten- oder Sicherheits-Benchmarks. Dieselbe Vorsicht gilt für die verbleibenden zwei Vergleiche.

Elegante, hochtechnologische Vergleichsmatrix, die in einer dunklen Leere schwebt: vier leuchtende holografische Spalten stellen verschiedene KI-Projektarchitekturen dar, wobei die mittlere Spalte hell als „Ausführbare Vorlagen" beleuchtet ist.

Kurzanleitung zur Nutzung

Installation und erster Start

Option 1: ein Skill installieren. Node.js und der skills-Client werden benötigt. Das README zeigt genau dieses Beispiel:

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

Das erste erwartete Ergebnis ist, dass skills genau dieses Skill übernimmt; es installiert nicht das gesamte Monorepo.

Option 2: eine Streamlit-Vorlage ausführen. Git, Python und die vom gewählten Ordner deklarierten Abhängigkeiten werden benötigt:

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

Der Befehl startet das Beispiel ai_travel_agent; seine Schlüssel und Variablen sollten nicht auf andere Ordner übertragen werden.

Futuristisches Kommandozentrum, das die Installation und Ausführung eines KI-Agenten darstellt: ein holografisches Terminal zeigt leuchtenden Neon-Code – git clone, cd awesome-llm-apps und streamlit run – mit einem holografischen Reiseagenten-KI-Avatar, der aus neonblauen und rosafarbenen Lichtströmen materialisiert.

Übliche Arbeitsabläufe

Ein Agent-Skill hinzufügen: npx skills add mit dem Pfad eines Skills, etwa project-graveyard, ausführen und es über eine mit skills kompatible Umgebung nutzen.
Einen Einsteiger-Agenten ausprobieren: klonen, in den gewählten Ordner wechseln, requirements.txt installieren und dessen Streamlit-Befehl ausführen, wie bei ai_travel_agent.
RAG, MCP, Sprache oder eine generative Oberfläche erkunden: die passende Familie im Baum wählen, das README dieser Vorlage öffnen und ausschließlich deren eigenen Abhängigkeiten und Variablen folgen.

Wesentliche Konfiguration

requirements.txt: Python-Abhängigkeiten spezifisch für die gewählte Vorlage.
.env.example: eine Variablenvorlage, wenn ein Beispiel eine enthält; im konkreten Ordner prüfen, bevor lokale Secrets erstellt werden.
pyproject.toml oder package.json: Konfiguration für Python- oder JavaScript/TypeScript-Beispiele, die sie verwenden.
Dockerfile: eine Verpackungsoption nur für Projekte, die eine enthalten.
.github/workflows/skill-evals.yml: Validierungsautomatisierung, relevant beim Beitragen eines Skills.

Häufige Fallstricke und Lösungen

pip install im Root versuchen: Es gibt keine gemeinsame Root-requirements.txt. Lösung: zuerst in den Ordner des Beispiels wechseln und dessen eigene Dateien verwenden.
Annehmen, dass jede Vorlage denselben Anbieter oder dieselben Variablen teilt: Die Sammlung ist heterogen. Lösung: README und .env.example des Unterprojekts vor der Ausführung lesen.
Ein veraltetes Basis-Image verwenden: Issue 1046 identifiziert node:20-slim als End-of-Life. Lösung: Das Issue prüfen und die betroffene Vorlage vor dem Build aktualisieren.
Ein Skill ohne Validierung hinzufügen: Der skill-evals-Ablauf prüft Format und Sicherheitsmuster. Lösung: Diese Automatisierung prüfen und die relevanten Checks vor dem Öffnen eines Pull Requests ausführen.

Integrationen und Migration

Die dokumentierte Integration ist zweifach: npx skills add für einzelne Skills und lokale Ausführung von Agenten-, RAG-, MCP-, Sprach- oder generativen Oberflächen-Beispielen aus ihren Verzeichnissen. Es wurde kein offizieller Migrationsleitfaden von oder zu einem anderen Katalog gefunden; um einen Fall zu übertragen, empfiehlt es sich, nur die gewählte Vorlage und ihre Abhängigkeiten zu kopieren oder anzupassen, statt das Repository als Migrationspaket zu behandeln.

Anwendungsfälle und wem dieses Repository helfen kann

Entwickler, die einen lauffähigen Ausgangspunkt benötigen, können einen Agenten, eine RAG-App oder ein Skill auswählen und dessen isolierte Abhängigkeiten studieren, statt jede Komponente von Grund auf zu entwerfen.
Teams, die Muster der Modellintegration vergleichen, erhalten eine Sammlung, die Beispiele über mehrere Anbieter und Modellfamilien hinweg erklärt, und dient so als Referenzrepertoire, nicht als universelle Abstraktionsschicht.
Personen, die Skills für Agenten bauen, erhalten den agent_skills-Baum, den Installationsbefehl und die skill-evals-Validierung als Beispiele und Hinweise auf das erwartete Format und die erwarteten Kontrollen.
Lehrende und Autodidakten können eine funktionierende Vorlage mit stärker curricularen Repositories vergleichen, etwa Microsofts 18 Lektionen oder den GenAI_Agents-Tutorials, und die Ressource je nach Präferenz für Code pro Fall oder eine didaktische Abfolge wählen.

Ressourcen

Repository: https://github.com/Shubhamsaboo/awesome-llm-apps
Dokumentation oder Einrichtung: das README des Repositorys und https://www.theunwindai.com/
Offizielle Skills: agent_skills/ und die im README dokumentierte npx skills add-Installation.
Rezensionen oder Konversationen: Hacker News 42510073, Starlog und OpenTools.
Videos: OverClocked und Forkcast Weekly #11.
Community: GitHub-Issues und Pull Requests; Discussions sind laut API deaktiviert.

Hinweis: Dieser Artikel wurde aus am 10. August 2026 abgerufenen Quellen zusammengestellt. Kennzahlen ändern sich mit der Zeit.