本仓库是一个全面的集合，包含80多个实用示例、教程和配方，用于构建强大的基于 LLM 的应用——包括文本代理、语音助手、RAG 应用以及由 MCP 支持的工具。这些项目为使用各种 AI 框架和技术栈的开发者提供了指导。

📋 目录

• 🎓 课程
• 🚀 精选 AI 应用
  • 🧩 入门级代理
  • 🪶 简单代理
  • 🎙️ 语音代理
  • 🗂️ MCP 代理
  • 🧠 记忆代理
  • 📚 RAG 应用
  • 🔬 高级代理
• 📺 教程与视频
• 🚀 入门指南
• 🤝 贡献

---

---

🎓 课程

AWS Strands 初学者课程

使用 AWS Strands SDK 构建 AI 代理的全面实践课程：

• AWS Strands 课程 - 完整的 8 节课，涵盖从代理基础到生产级模式的内容
  • 基础：基本代理、会话管理、结构化输出
  • 集成：MCP 代理、人机协作模式
  • 多智能体：编排型代理、群体智能、图工作流
  • 生产：可观测性、安全防护机制及最佳实践

🚀 精选 AI 应用

🧩 入门级代理

用于学习和扩展不同 AI 框架的快速入门代理。 13 个项目

• Agno HackerNews 分析 - 基于 Agno 的代理，用于分析 HackerNews 上的趋势
• OpenAI SDK 入门 - OpenAI Agents SDK，包含邮件助手和俳句生成器示例
• LlamaIndex 任务管理器 - 基于 LlamaIndex 的任务助手
• CrewAI 研究团队 - 多智能体研究团队示例
• PydanticAI 天气机器人 - 实时天气信息代理
• LangChain-LangGraph 入门 - LangChain + LangGraph 工作流入门
• AWS Strands 代理入门 - 使用 AWS Strands SDK 的天气预报代理
• Camel AI 入门 - 性能基准测试工具，用于比较各种 AI 模型
• DSPy 入门 - DSPy 框架，用于构建和优化 AI 系统
• Google ADK 入门 - Google Agent Development Kit 入门模板
• cagent 入门 - Docker 开源的可定制多智能体运行时
• Sayna 语音代理 - 实时语音基础设施，支持多提供商 STT/TTS（Deepgram、ElevenLabs、Azure、Google）以及 WebSocket 流媒体传输
• KAOS 入门 - 基于 Kubernetes 的多智能体系统，配备 MCP 工具和集群内 LLM

🪶 简单代理

面向日常 AI 应用的直接且实用的案例。 14 个项目

• Agno AI 示例 - 从简单到多智能体的示例，结合网页搜索和知识库
• 金融代理 - 实时股票与市场数据跟踪代理
• 人机协作代理 - 用于安全执行 AI 任务的 HITL 操作
• 新闻通讯生成器 - 结合 Firecrawl 的 AI 驱动新闻通讯生成器
• 推理代理 - 分步展示财务推理过程
• Agno UI 示例 - 适用于网络和金融代理的交互式界面
• Mastra 天气机器人 - 使用 Mastra AI 框架的天气更新
• 日历助理 - 与 Cal.com 集成的日历安排代理
• 智能日程安排助手 - 基于 AI 的 Gmail 阅读器和 Google 日历管理器
• 网页自动化代理 - 使用 Nebius 和 browser-use 的浏览器自动化代理
• Nebius 聊天 - Nebius Token Factory 的聊天界面
• RouteLLM 聊天 - 智能模型路由，通过 RouteLLM（GPT-4o-mini 与 Nebius Llama）实现成本优化
• 与数据库对话 - 使用 GibsonAI 和 LangChain 进行自然语言数据库查询
• 代理发现代理 - 在 NANDA、MCP、Virtuals、A2A 和 ERC-8004 注册表中查找并比较 AI 代理

🎙️ 语音代理

实时语音助手和流式语音管道。 2 个项目

• LiveKit + Gemini 实时 - LiveKit 代理结合 Google Gemini Live（gemini 多模态实时功能），在 LiveKit 房间中实现低延迟语音对话
• Pipecat + Sarvam - Pipecat 语音管道，结合 Sarvam STT/TTS 和 OpenAI 进行聊天；可通过 WebRTC（浏览器）或 Daily 传输，借助 Pipecat 运行器实现

🗂️ MCP 代理

使用 Model Context Protocol 进行外部工具集成的示例。 13 个项目

• Doc-MCP - 语义 RAG 文档与问答系统
• LangGraph MCP 代理 - LangChain ReAct 代理，集成 Couchbase 数据库
• GitHub MCP 代理 - 通过 MCP 提供仓库洞察与分析
• MCP 入门 - GitHub 仓库分析器入门模板
• 与文档对话 - 基于 MCP 的文档问答代理
• 数据库 MCP 代理 - 用于管理 GibsonAI 数据库项目和架构的对话式 AI 代理
• 酒店查找代理 - 使用 MCP 集成进行酒店搜索和预订
• 自定义 MCP 服务器 - 自定义 MCP 服务器实现示例
• Couchbase MCP 服务器 - 通过 MCP 协议集成 Couchbase 数据库
• ScaleKit Exa MCP 安全 - 以安全为重点的 MCP 集成，结合 Exa 搜索
• Docker E2B MCP 代理 - 通过 MCP 网关，在沙盒化的 Docker 环境中运行代理的安全 AI 代理
• Taskade MCP 代理 - 基于 Taskade MCP 的 AI 驱动工作空间代理，用于管理项目、任务和工作流
• Telemetry MCP Okahu - 使用 Okahu Cloud 跟踪数据，通过托管 MCP 实现自我修复的文本转 SQL 演示

🧠 记忆智能体

具备高级记忆能力的智能体，用于保持上下文和个性化。 12个项目

• Agno记忆智能体 - 基于Agno的具有持久记忆能力的智能体
• 带有Memori的arXiv研究员智能体 - 使用OpenAI Agents和GibsonAI Memori的研究助理
• 带有Memori的AWS Strands智能体 - 由Memori记忆系统增强的AWS Strands智能体
• 博客写作智能体 - 具有记忆功能以保持写作风格一致性的个性化博客写作智能体
• 社交媒体智能体 - 具有品牌声音记忆功能的社交媒体自动化智能体
• 求职智能体 - 具有偏好跟踪记忆功能的求职智能体
• 品牌声誉监控器 - 基于AI的品牌声誉监控工具，具备新闻分析和情感追踪功能
• 产品发布智能体 - 用于分析竞争对手产品发布的竞争情报工具
• AI顾问智能体 - 使用Memori v3作为长期记忆框架、并借助ExaAI进行研究的AI驱动顾问智能体
• 客户支持语音智能体 - 配备Memori v3和Firecrawl用于知识库管理的语音客户支持助手
• YouTube趋势智能体 - 结合Memori、Agno和Exa进行趋势分析与视频创意生成的YouTube频道分析智能体
• 学习教练智能体 - 使用Memori v3和LangGraph进行多步骤理解验证的AI驱动学习教练智能体

📚 RAG应用

用于文档理解和知识库的检索增强生成示例。 12个项目

• 代理式RAG - 结合Agno与GPT-5的代理式RAG实现
• 带网络搜索的代理式RAG - 利用CrewAI、Qdrant和Exa实现混合搜索功能的高级RAG
• 简历优化器 - 基于AI的简历优化与提升工具
• LlamaIndex RAG入门 - LlamaIndex + Nebius RAG入门模板
• PDF RAG分析器 - 多PDF聊天与分析系统
• Qwen3 RAG聊天 - 使用Streamlit构建的PDF聊天机器人界面
• 代码聊天 - 对话式代码探索与文档辅助工具
• Gemma3 OCR - 基于Gemma3模型的OCR文档与图像处理工具
• Nvidia Nemotron OCR - 使用Nvidia Nemotron-Nano-V2-12b进行文档与图像解析的OCR工具
• 情境AI RAG - 具有托管数据存储和质量评估的企业级RAG
• 简单RAG - 使用Nebius实现的快速启动基础RAG
• WFGY 16问题地图LLM调试器 - 基于16种模式的地图型LLM和RAG错误调试工具

🔬 高级智能体

面向生产环境的复杂多智能体流程。 18个项目

• Nebius AutoResearch - 纽约市出租车数据分析流程优化器；结合Nebius Token Factory进行迭代式代码搜索（实时或批量推理）
• AgentField金融研究智能体 - 使用AgentField的金融研究智能体
• 尽职调查智能体 - 结合AG2和TinyFish深度网络爬虫的多智能体公司尽职调查流程
• 深度研究员 - 结合Agno与ScrapeGraph AI的多阶段研究智能体
• 候选人分析器 - 用于GitHub/LinkedIn个人资料分析的工具
• 求职智能体 - 集成Bright Data的LinkedIn职位搜索自动化工具
• AI趋势分析器 - 结合Google ADK进行AI趋势挖掘与分析的智能体
• 会议演讲生成器 - 结合Google ADK与Couchbase实现的自动演讲摘要生成工具
• 金融服务智能体 - 使用Agno构建的用于股票数据与预测的FastAPI服务器
• 价格监控智能体 - 基于CrewAI、Twilio与Nebius的价格监控与提醒智能体
• 创业想法验证智能体 - 用于验证和分析创业想法的代理式工作流
• 会议助手智能体 - 根据对话自动生成会议记录与任务的智能体
• AI对冲基金 - 用于全面财务分析的代理式工作流
• 智能GTM智能体 - 用于进入市场策略与竞争分析的智能体
• 会议无关CFP生成器 - 自动化会议提案生成系统
• 汽车寻找智能体 - 结合CrewAI和MongoDB的二手车推荐AI系统
• 内容团队智能体 - 使用Agno与SerpAPI提升Google AI搜索排名的SEO内容优化工作流
• 时序智能体 - 基于Temporal的AI智能体示例

📺 教程与视频

🎓 课程播放列表

• AWS Strands课程 - 完整的8课时课程，讲解如何使用AWS Strands SDK构建AI智能体

🔧 框架教程

• 使用MCP构建 - Model Context Protocol教程与示例
• 构建AI智能体 - 通用AI智能体开发教程
• AI智能体、MCP及其他... - 混合教程与项目演示

---

---

开始使用

前置条件

• Python 3.10+（对于新项目，建议使用 Python 3.11+）
• Git 用于克隆仓库
• 包管理器：pip 或 uv（推荐使用 uv 以获得更快的安装速度）
• API 密钥：大多数项目需要 API 密钥（请参阅各个项目的 README 文件）

快速开始

1. 克隆仓库

   git clone https://github.com/Arindam200/awesome-ai-apps.git
   cd awesome-ai-apps
   

2. 选择一个项目并进入其目录

   cd starter_ai_agents/agno_starter  # 示例：从 Agno 入门项目开始
   

3. 设置环境变量

   cp .env.example .env  # 复制示例环境文件
   # 编辑 .env 文件，填入您的 API 密钥
   

4. 安装依赖

   # 使用 pip 安装
   pip install -r requirements.txt
   
   # 或者使用 uv（推荐，速度更快）
   uv sync
   # 或
   uv pip install -e .
   

5. 运行项目

   python main.py
   # 或对于 Streamlit 应用
   streamlit run app.py
   

🤝 贡献

我们欢迎社区的贡献！以下是您可以帮助的方式：

• 🐛 报告 bug 或通过 GitHub Issues 提出改进建议
• 💡 添加新项目 - 提交您自己的 AI 代理示例
• 📝 改进文档 - 帮助使项目更加易于理解
• 🔧 修复问题 - 贡献代码改进和 bug 修复

在贡献之前：

• 请阅读我们的 贡献指南，以获取详细信息
• 检查现有问题，避免重复提交
• 遵循项目结构和命名规范
• 确保您的项目包含一份完整的 README.md 文件

重要提示： 本项目遵循 贡献者行为准则。参与即表示您同意遵守其中的条款。

📜 许可证

本仓库采用 MIT 许可证 许可。您可以自由地使用和修改这些示例，以用于您的项目中。

👥 核心维护者

该项目由以下人员积极维护：

       

_{Arindam Majumder  ·  Shivay Lamba  ·  Astrodevil}

如有任何问题、建议或贡献，请随时联系维护者。

感谢您的支持！ 🙏

awesome-ai-apps 快速上手指南

awesome-ai-apps 是一个汇集了 80+ 个实用 LLM 应用示例、教程和代码食谱的开源仓库。它涵盖了文本代理、语音助手、RAG 应用、MCP 工具等多种场景，旨在帮助开发者快速掌握主流 AI 框架（如 LangChain, CrewAI, Agno, LlamaIndex 等）的开发模式。

🛠️ 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Windows, macOS 或 Linux
• Python 版本: 推荐 Python 3.10 或更高版本
• 包管理器: pip 或 uv (推荐)
• API Keys: 根据您选择的具体示例，可能需要准备相应的 API Key（如 OpenAI, Anthropic, Google Gemini, AWS 等）。

前置依赖安装： 建议为每个示例项目创建独立的虚拟环境，以避免依赖冲突。

# 使用 venv 创建虚拟环境
python -m venv venv

# 激活虚拟环境
# Windows:
venv\Scripts\activate
# macOS/Linux:
source venv/bin/activate

📦 安装步骤

由于该仓库包含多个独立的项目示例，没有统一的“一键安装”命令。请按照以下步骤获取并安装特定示例的依赖：

1. 克隆仓库

   git clone https://github.com/Arindam200/awesome-ai-apps.git
   cd awesome-ai-apps
   

2. 选择并进入目标示例目录 浏览 starter_ai_agents, simple_ai_agents, voice_agents 等文件夹，选择您感兴趣的项目。例如，选择一个基于 Agno 的入门代理：

   cd starter_ai_agents/agno_starter
   

3. 安装项目依赖 进入具体项目目录后，安装其所需的 Python 包。如果项目根目录提供了 requirements.txt：

   pip install -r requirements.txt
   

   注：部分现代项目可能使用 pyproject.toml，可使用 pip install . 或 uv sync 进行安装。

4. 配置环境变量 大多数示例需要 API Key。请在项目目录下创建 .env 文件（如果不存在），并填入您的密钥：

   # 示例 .env 文件内容
   OPENAI_API_KEY=sk-your-key-here
   ANTHROPIC_API_KEY=sk-ant-your-key-here
   

🚀 基本使用

以下以 starter_ai_agents 中的 Agno HackerNews Analysis 为例，展示如何运行一个简单的 AI 代理。

1. 确认环境：确保已激活虚拟环境并安装了 agno 及相关依赖。

2. 配置密钥：在 .env 文件中配置好 OPENAI_API_KEY。

3. 运行脚本： 在项目目录下执行主程序文件（通常为 main.py, app.py 或 run.py，具体文件名请参考该项目目录下的说明）：

   python main.py
   

4. 交互体验： 程序启动后，终端将提示您输入问题。例如，您可以输入：

   What are the top trending topics on HackerNews today?
   

   代理将调用大模型进行分析并返回结果。

探索更多示例：

• 语音代理: 进入 voice_agents/livekit_gemini_agents 运行实时语音对话示例。
• RAG 应用: 进入 mcp_ai_agents/doc_mcp 体验基于文档的问答系统。
• 复杂工作流: 查看 simple_ai_agents 中的多代理协作案例。

提示：每个子目录通常包含独立的 README.md，其中详细说明了该特定示例的运行参数和特殊要求，建议在运行前查阅。