Awesome LLM Apps: un catálogo ejecutable de agentes, skills y RAG

Todo lo que hay que saber sobre Shubhamsaboo/awesome-llm-apps: una colección de más de cien ejemplos abiertos, organizada para elegir y ejecutar un caso concreto en lugar de instalar un único producto.

Qué es Awesome LLM Apps

Awesome LLM Apps reúne más de cien agentes de IA, skills para agentes y aplicaciones de RAG de código abierto. El repositorio declara compatibilidad de sus ejemplos con Claude, Gemini, GPT, DeepSeek, Llama, Qwen y otros modelos; su licencia es Apache-2.0.

No es una biblioteca ni una aplicación monolítica. Es un monorrepositorio de proyectos independientes, agrupados en agent_skills, agentes iniciales y avanzados, agentes permanentes, agentes de voz, agentes MCP, interfaces generativas, tutoriales RAG y cursos breves de frameworks.

Catálogo digital masivo y luminoso flotando en un espacio de datos cyberpunk oscuro: un árbol de repositorio holográfico monolítico con cientos de carpetas neón independientes etiquetadas con nombres de agentes de IA, RAG y skills, con flujos de datos luminiscentes conectando nodos que representan a Claude, Gemini, GPT y Llama.

El origen: de una primera plantilla a un catálogo

El repositorio fue creado por Shubham Saboo el 29 de abril de 2024; el primer commit verificable lleva el mensaje «Initial commit». El perfil de GitHub de Saboo lo identifica como «Senior AI PM @ Google Cloud» y enlaza Unwind AI, pero eso no acredita propiedad ni patrocinio de Google sobre el repositorio.

Interfaz de terminal cyberpunk mostrando la fecha de creación de un repositorio digital: texto neón muestra "Initial commit" y "April 29, 2024" en tipografía retrofuturista, rodeada de ventanas holográficas con elementos de perfil de GitHub y una etiqueta "Senior AI PM".

No se recuperó un anuncio oficial de lanzamiento en la documentación del proyecto. La primera referencia externa comprobable encontrada es el hilo de Hacker News 42510073, publicado el 25 de diciembre de 2024 y enlazado al repositorio.

Filosofía y principios

La propuesta privilegia ejemplos que se puedan inspeccionar y ejecutar, no una abstracción única para todos los casos. El README los describe como aplicaciones construidas y probadas de extremo a extremo; una reseña de Starlog interpreta esa orientación como una respuesta al problema de que los ejemplos de código no funcionen al trasladarlos a un proyecto propio.

La consecuencia práctica es deliberadamente heterogénea: cada subproyecto conserva sus dependencias, proveedor de modelos y configuración. Conviene seleccionar una plantilla por su caso de uso y leer su README antes de asumir que comparte requisitos con el resto del catálogo.

Representación abstracta de un ecosistema de software deliberadamente heterogéneo: múltiples islas neón luminosas y distintas flotando en un vacío digital oscuro, cada una representando un microproyecto independiente con sus propias dependencias, archivos .env.example y requirements.txt.

Cómo funciona

El recorrido comienza escogiendo una carpeta. Las skills viven en agent_skills; las demostraciones ejecutables se distribuyen por familias y cada una puede incluir su propio requirements.txt, .env.example, pyproject.toml, package.json o Dockerfile.

Estación de trabajo de desarrollador cyberpunk con una interfaz holográfica de árbol de archivos: un cursor neón brillante selecciona una carpeta específica llamada agent_skills dentro de una estructura de directorio masiva, iluminada por flujos de datos rosa y azul neón.

El patrón oficial de una plantilla Python usa clonación del repositorio, instalación de dependencias dentro de la carpeta elegida y el arranque de Streamlit. Para una skill, el README ofrece instalación directa mediante npx skills add desde la ruta de la skill.

El repositorio incluye una automatización skill-evals que realiza evaluaciones deterministas, validación de SKILL.md, análisis de patrones de inyección o cadena de suministro y comprobaciones de vocabulario de activación. Es una protección del contenido de skills, no una garantía de seguridad o calidad para cada aplicación de ejemplo.

Cámara de validación de seguridad automatizada y futurista en el ciberespacio: fragmentos de código neón son escaneados por haces láser robóticos que representan la automatización skill-evals, con escudos holográficos apareciendo alrededor del código.

Estado oficial y semioficial

El proyecto es una colección mantenida públicamente por su autor, no un marketplace oficial de un proveedor de modelos. La presencia de instrucciones npx skills add prueba una vía de instalación para una skill concreta, pero las fuentes recuperadas no prueban aceptación en los mercados oficiales de Anthropic, OpenAI, Google u otro fabricante.

Su condición práctica es la de catálogo comunitario ampliamente visible: no se recuperó una declaración formal que lo convierta en estándar ni una certificación de proveedores. Unwind AI aparece como recurso enlazado por el proyecto, aunque su sitio no fue recuperable en esta ejecución por protección antirobots.

El ecosistema

Familias y repositorios del mismo autor

El propio repositorio constituye su extensión principal: sus skills instalables y sus familias de agentes permiten añadir casos sin instalar toda la colección como un paquete único.

En la cuenta de Saboo se identificaron all-rag-techniques, Awesome-LLM y awesome-ai-apps. Son repositorios públicos del mismo autor, pero el README de Awesome LLM Apps no los presenta como subproyectos ni dependencias oficiales; por eso se deben entender como trabajos relacionados, no como componentes requeridos.

Bifurcaciones, copias y traducciones

La API registra 19.430 bifurcaciones. Entre las de mayor número de estrellas recuperadas figuran blurred-machine/awesome-llm-apps (369), asimov-academy/ia-projects-example (95), 0xSojalSec/awesome-llm-apps (93) y peteryxu/Shubham-awesome-llm-apps (42); la fuente no demuestra que sean puertos mantenidos o avalados por el autor.

El README enlaza versiones renderizadas por readme-i18n.com en alemán, español, francés, japonés, coreano, portugués, ruso y chino. Son traducciones publicadas fuera del árbol canónico, no archivos de traducción integrados en el repositorio.

Mapa de red futurista y complejo mostrando un ecosistema masivo de código abierto: un nodo central brillante en neón etiquetado "Awesome LLM Apps" rodeado de miles de nodos orbitantes más pequeños que representan 131.939 estrellas y 19.430 bifurcaciones, con rutas de datos luminosas conectando a nodos satélite etiquetados con distintos idiomas.

Números del repo

Medición: 10 de agosto de 2026, API y página de GitHub.

Métrica	Valor
Estrellas	131.939
Bifurcaciones	19.430
Suscriptores reales	1.251
Commits visibles	1.176
Contribuidores visibles	94
Ramas / etiquetas	3 / 0
Lenguaje principal	Python
Última actividad enviada	2026-08-10T07:26:18Z

Las cifras de estrellas, bifurcaciones, suscriptores y actividad provienen de la API; el total de commits, ramas, etiquetas y contribuidores es el valor visible de GitHub. La API ordenada por contribuciones situaba a Shubhamsaboo (607), Madhuvod (265), onestardao (17), thejesh23 (17) y awesomekoder (11) entre los cinco primeros recuperados. watchers_count de la API duplica las estrellas, por lo que aquí se usa subscribers_count como medida de suscriptores. El campo open_issues_count era 10 y puede incluir solicitudes de cambios abiertas; no se interpreta como diez incidencias de usuarios.

Python predomina en bytes, seguido de TypeScript, JavaScript, HTML y CSS, una distribución coherente con ejemplos variados y no con un único ejecutable.

No hay versiones publicadas ni etiquetas de versión recuperables, por lo que no existe una cronología oficial de releases que citar.

Cómo contribuir

No se recuperó un CONTRIBUTING.md, código de conducta, política de seguridad o guía central de soporte en el árbol actual. Por tanto, no hay un flujo documentado de ramas o pull requests que deba atribuirse al proyecto.

Sí existe actividad en GitHub: la página mostraba 4 incidencias abiertas y 6 solicitudes de cambios abiertas, frente a 166 y 735 cerradas respectivamente. Entre las incidencias abiertas se señalan node:20-slim obsoleto y dependencias Python antiguas; entre las solicitudes hay aportaciones de nuevas skills y agentes.

Para aportar responsablemente, la evidencia disponible aconseja preparar una adición como proyecto autocontenido, revisar su documentación específica y comprobar que no active las validaciones de skill-evals. Esto es una recomendación derivada de la estructura y automatización verificadas, no una política publicada por el mantenedor.

Cómo lo recibió la comunidad

El hilo HN 42510073 obtuvo 3 puntos y 1 comentario. El comentarista chris_5f valoró el recurso por concentrar materiales de LLM y describió a Saboo como curador más que creador; es una opinión individual, no una evaluación independiente de cada plantilla.

El hilo HN 44258452, de junio de 2025, registró 1 punto y ningún comentario: acredita difusión, pero no permite inferir una recepción cualitativa.

Starlog publicó el 9 de mayo de 2026 una lectura centrada en las plantillas ejecutables, y OpenTools y PyShine indexaron el proyecto como recurso. Son cobertura o directorios externos, no pruebas de rendimiento de las aplicaciones.

En vídeo, OverClocked publicó el 25 de julio de 2026 una guía de configuración de 7:46 con 28 visualizaciones visibles; Forkcast incluyó el repositorio el 19 de julio en un resumen semanal de 18:25 y 64 visualizaciones. Las dos cifras son mediciones puntuales de las páginas recuperadas, y el segundo vídeo no es una reseña dedicada.

Reddit, X y Product Hunt no fueron recuperables sin autenticación o por desafíos antirobots. Por ello no se afirma ni ausencia de conversaciones ni ausencia de lanzamiento en esas plataformas.

Awesome LLM Apps frente a otras propuestas

Proyecto	Diferencia verificable
`NirDiamant/GenAI_Agents`	Se presenta como 53 tutoriales e implementaciones sobre técnicas de agentes; Awesome LLM Apps se presenta como más de cien aplicaciones, agentes, skills y ejemplos RAG ejecutables.
`microsoft/ai-agents-for-beginners`	Es un curso de 18 lecciones, con lección escrita, vídeo y muestras de Python por unidad; el proyecto documentado es un catálogo de plantillas por caso de uso.
`openai/openai-cookbook`	Publica guías y ejemplos para la API de OpenAI; Awesome LLM Apps declara ejemplos para varios proveedores y familias de modelos.
`e2b-dev/awesome-ai-agents`	Es un directorio de proyectos y empresas, incluidos productos cerrados; Awesome LLM Apps distribuye código abierto de sus propias plantillas y ejemplos.

Estas diferencias describen el alcance declarado por los dos primeros repositorios; no son benchmarks de calidad, coste ni seguridad. La misma cautela aplica a las dos comparaciones restantes.

Matriz de comparación elegante y de alta tecnología flotando en un vacío oscuro: cuatro columnas holográficas neón representan distintas arquitecturas de proyectos de IA, con la columna central brillantemente iluminada como "Plantillas Ejecutables".

Guía rápida de uso

Instalación y primer arranque

Opción 1: instalar una skill. Se necesita Node.js y el cliente skills. El README muestra este ejemplo exacto:

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

El primer resultado esperado es que skills incorpore esa skill concreta; no instala todo el monorrepositorio.

Opción 2: ejecutar una plantilla Streamlit. Se necesita Git, Python y las dependencias que declare la carpeta elegida:

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

El comando inicia el ejemplo ai_travel_agent; sus claves y variables no deben extrapolarse a otras carpetas.

Centro de comando futurista mostrando la instalación y ejecución de un agente de IA: una terminal holográfica muestra código neón brillante: git clone, cd awesome-llm-apps y streamlit run, con un avatar de agente de viajes de IA materializándose desde flujos de luz azul y rosa neón.

Flujos de trabajo habituales

Incorporar una skill de agente: ejecutar npx skills add con la ruta de una skill, como project-graveyard, y usarla mediante el entorno compatible con skills.
Probar un agente inicial: clonar, entrar en la carpeta elegida, instalar requirements.txt y ejecutar su comando Streamlit, como en ai_travel_agent.
Explorar RAG, MCP, voz o interfaz generativa: elegir la familia correspondiente en el árbol, abrir el README de esa plantilla y seguir exclusivamente sus dependencias y variables.

Configuración esencial

requirements.txt: dependencias Python específicas de la plantilla seleccionada.
.env.example: plantilla de variables cuando un ejemplo la incluya; hay que revisarla en la carpeta concreta antes de crear secretos locales.
pyproject.toml o package.json: configuración de ejemplos Python o JavaScript/TypeScript que los usen.
Dockerfile: opción de empaquetado solo para los proyectos que la incluyan.
.github/workflows/skill-evals.yml: automatización de validación relevante al aportar una skill.

Trampas frecuentes y soluciones

Intentar pip install en la raíz: no hay un requirements.txt raíz común. Solución: entrar primero en la carpeta del ejemplo y usar sus archivos propios.
Suponer que todas las plantillas comparten proveedor o variables: la colección es heterogénea. Solución: leer el README y .env.example del subproyecto antes de ejecutar.
Usar una imagen base desactualizada: la incidencia 1046 identifica node:20-slim como fin de vida. Solución: revisar la incidencia y actualizar la plantilla afectada antes de construirla.
Añadir una skill sin validarla: el flujo skill-evals comprueba formato y patrones de seguridad. Solución: revisar esa automatización y ejecutar las comprobaciones pertinentes antes de abrir una solicitud de cambios.

Integraciones y migración

La integración documentada es doble: npx skills add para skills individuales y ejecución local de ejemplos de agentes, RAG, MCP, voz o interfaz generativa desde sus directorios. No se recuperó una guía oficial de migración desde o hacia otro catálogo; para trasladar un caso conviene copiar o adaptar únicamente la plantilla seleccionada y sus dependencias, no tratar el repositorio como un paquete de migración.

Casos de uso y a quién puede ayudar este repositorio

Desarrolladores que necesitan un punto de partida ejecutable: pueden elegir un agente, una aplicación RAG o una skill y estudiar sus dependencias aisladas, en vez de diseñar todos los componentes desde cero.
Equipos que comparan patrones de integración de modelos: la colección declara ejemplos que cubren varios proveedores y familias de modelos, por lo que sirve como repertorio de referencias, no como capa de abstracción universal.
Personas que construyen skills para agentes: el árbol agent_skills, el comando de instalación y la validación skill-evals ofrecen ejemplos e indicios del formato y controles esperados.
Docentes y autodidactas: pueden contrastar una plantilla funcional con repositorios más curriculares, como las 18 lecciones de Microsoft o los tutoriales de GenAI_Agents, seleccionando el recurso según prefieran código por caso o una secuencia didáctica.

Recursos

Repositorio: https://github.com/Shubhamsaboo/awesome-llm-apps
Documentación o instalación: README del repositorio y https://www.theunwindai.com/
Skills oficiales: agent_skills/ y la instalación npx skills add documentada en el README.
Reviews o conversaciones: Hacker News 42510073, Starlog y OpenTools.
Vídeos: OverClocked y Forkcast Weekly #11.
Comunidad: incidencias y solicitudes de cambios de GitHub; las Discussions están desactivadas según la API.

Nota: artículo elaborado con fuentes recuperadas el 10 de agosto de 2026. Las métricas cambian con el tiempo.