awesome-llm-apps: 100+ KI-Agenten- und RAG-Vorlagen

Hintergrund

Die Hürde bei Anwendungen auf Basis großer Sprachmodelle liegt selten im einzelnen API-Aufruf. Schwierig ist der Weg von der Idee zur vollständigen, lauffähigen Anwendung. Manche Tutorials behandeln nur Prompts, manche Frameworks liefern nur abstrakte Schnittstellen. Durchgängige Beispiele, die man ausführen und danach verändern kann, sind selten. Genau diese Lücke will awesome-llm-apps schließen.

Das Repository wird von Shubhamsaboo gepflegt und hat auf GitHub 142.327 Sterne. Die Beschreibung ist nüchtern: mehr als 100 KI-Agenten, Agent Skills und RAG-Anwendungen, kostenlos und quelloffen. Die Lizenz ist Apache-2.0. Laut README sind die Vorlagen von Hand gebaut und durchgängig getestet. Leser dürfen sie klonen, einsetzen und sogar verkaufen.

Die Sammlung bindet sich nicht an ein einzelnes Modell. Claude, Gemini, GPT, DeepSeek, Llama und Qwen gehören ausdrücklich dazu, geschlossene wie offene Modelle. Damit ist das Projekt eine Bibliothek lauffähiger Fallbeispiele und kein weiteres Framework. Ein Framework liefert die Bausteine. Diese Sammlung zeigt, wie das fertige Haus aussieht.

Tiefenanalyse

Das Repository gliedert sich nach Verwendungszweck. Der erste Block sind die Agent Skills. Sie erweitern Coding-Agenten um neue Fähigkeiten. Ein Befehl installiert einen Skill, aufgerufen wird er in Alltagssprache. Er arbeitet mit Claude Code, Codex, Cursor und ähnlichen Werkzeugen zusammen. Laut README bringt jeder Skill echten Code mit und muss Sicherheits- und Evaluations-CI-Prüfungen bestehen. Diese Hürde ist ungewöhnlich, denn viele Sammlungen listen nur Prompt-Texte und kontrollieren keine Qualität. Die Themen der Skills sind konkret. Project Graveyard findet aufgegebene Nebenprojekte und analysiert, woran jedes gescheitert ist. First Reader simuliert einen echten Leser, der Ihren Entwurf liest. Er meldet, wo das Interesse nachlässt und wo der Leser aufhört, schreibt aber kein Wort um. Scope Creep Detector prüft, ob ein Diff über die erklärte Absicht hinausgeht, und rät zum Behalten, Aufteilen oder Erläutern. Commit Archaeologist rekonstruiert aus dem einführenden Commit, späteren Änderungen und gemeinsamen Änderungen, warum ein Codestück existiert. Dependency Doctor untersucht Abhängigkeitslisten auf festgelegte Standardbibliotheksversionen, veraltete Backports, nicht festgelegte Einträge, doppelte Einschränkungen und zurückgezogene Releases.

Der zweite Block umfasst eigenständige Anwendungen und Werkzeuge. Excaliflow zeichnet Systemarchitekturen mit animierten Pfeilen auf einer Leinwand im Excalidraw-Stil und exportiert sie als Video. Needle ist eine Chrome-Erweiterung, die das Web nach Bedeutung durchsucht und die Sätze der relevantesten Quellen hervorhebt. Dazu kommen ein Agententeam für Versicherungsschäden, ein Agent für Betrugsermittlung, ein Agent für Hausrenovierung und ein dauerhaft laufender HN-Briefing-Agent. Damit deckt die Sammlung Multi-Agenten-Zusammenarbeit und Langzeitbetrieb ab. Wie startet man eine Vorlage aus awesome-llm-apps? Der Weg ist kurz. Für einen Skill führen Sie npx skills add aus und zeigen auf den passenden Ordner, etwa project-graveyard. Danach stellen Sie eine einfache Frage, zum Beispiel, warum Sie Nebenprojekte nie fertigstellen. Für eine vollständige Anwendung klonen Sie das Repository und öffnen den Ordner ai_travel_agent unter starter_ai_agents. Sie installieren die Pakete aus requirements.txt und starten travel_agent.py mit streamlit run. Laut README dauert das weniger als 30 Sekunden.

Branchenwirkung

Der Wert für die Entwicklergemeinschaft liegt darin, dass aus der Frage, ob etwas machbar ist, eine Anleitung zum Nachbauen wird. Multi-Agenten-Systeme, RAG und Skills bleiben oft Ideen in Blogbeiträgen und Vorträgen. Eine klonbare, lauffähige und freizügig lizenzierte Beispielsammlung verkürzt den Weg vom Verstehen zur Umsetzung. Der Ansatz, erst zu starten und dann den Code zu lesen, hilft drei Gruppen. Lernende sehen echte Code-Strukturen für Agenten und RAG. Ingenieure bauen schnell Prototypen und passen eine ähnliche Vorlage an. Teams erweitern ihre Coding-Workflows um neue Skills.

Die Dokumentation unterstützt das. Jede Vorlage hat einen eigenen Ordner, die Startseite der README bietet einen Index nach Kategorien. Sie verweist auf Schritt-für-Schritt-Anleitungen bei Unwind AI. Neue Vorlagen erscheinen laut Projekt jede Woche, Updates gibt es per E-Mail-Abo.

Beachtenswert ist, dass Agent Skills eine eigene Kategorie bilden. Das deutet darauf hin, dass Coding-Agenten zu einem neuen Verteilkanal werden. Fähigkeiten werden als kleine installierbare Einheiten gepackt. Die CI-Hürden für Sicherheit und Evaluation schaffen ein Mindestmaß an Vertrauen in diesen Kanal. Mit 142.327 Sternen ist das Interesse der Community groß. Sterne belegen aber nicht, dass jede Vorlage gepflegt wird. Wer eine Vorlage übernimmt, sollte Abhängigkeiten und Aktualisierungsstand des Ordners selbst prüfen.

Ausblick

Mehrere Risiken verdienen eine klare Nennung. Erstens hängen die mehr als 100 Vorlagen von unterschiedlichen Modellen und Drittdiensten ab. Versionsdrift lässt ältere Vorlagen mit der Zeit veralten. Zweitens eignet sich Beispielcode für Lernen und Prototypen. Vor dem Produktiveinsatz braucht es eine eigene Sicherheitsprüfung, Kostenkontrolle und Fehlerbehandlung. Drittens greifen Skills auf Ihr Repository und Ihre Commit-Historie zu. Lesen Sie Code und Berechtigungen eines Skills, bevor Sie ihn installieren.

Drei Fragen lohnen die Beobachtung. Werden die Evaluationsstandards für Skills transparenter? Können Meta-Loop-Skills wie Advisor Orchestrator Worker, die mehrere Modelle koordinieren, stabile Muster ausbilden? Und kann der wöchentliche Takt die Qualität halten, während die Zahl der Vorlagen wächst?

Vorerst bietet das Projekt Entwicklern einen praktischen Startpunkt: einen lauffähigen Katalog für Agenten, RAG und Skills unter Apache-2.0. Sein Nutzen hängt davon ab, wie gut die Maintainer die Vorlagen aktuell halten und wie sorgfältig Anwender prüfen, was sie installieren.