令人惊叹的 AI 应用集合

这个仓库是一个包含 80 多个 实践示例、教程和配置方案的综合性集合，用于构建强大的 LLM 驱动应用 —— 包括文本智能体、语音助手、RAG 应用以及基于 MCP 的工具。

这些项目旨在为使用各种 AI 框架和技术栈的开发者提供指导。

📋 目录

🎓 课程

AWS Strands 初学者课程

使用 AWS Strands SDK 构建 AI 智能体的全面实践课程：

  • AWS Strands 课程 - 完整的 8 课教程，涵盖从智能体基础到生产模式
    • 基础：基础智能体、会话管理、结构化输出
    • 集成：MCP 智能体、人机协同模式
    • 多智能体：编排智能体、群体智能、图工作流
    • 生产环境：可观测性、安全护栏和最佳实践

🚀 特色 AI 应用

🧩 入门智能体

用于学习和扩展不同 AI 框架的快速入门智能体。19 个项目

  • Agno HackerNews 分析 - 基于 Agno 的智能体，用于 HackerNews 趋势分析
  • OpenAI SDK 入门 - OpenAI Agents SDK，包含邮件助手和俳句生成示例
  • 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
  • Letta 入门 - 具有跨会话持久长期记忆的有状态智能体
  • PydanticAI 天气机器人 - 实时天气信息智能体
  • LangChain 入门 - 基于 LangChain 的工具调用智能体（使用 create_tool_calling_agent + AgentExecutor），由 Nebius 提供支持
  • LangGraph 入门 - LangGraph 预置 ReAct 智能体（create_react_agent）及自定义工具，由 Nebius 提供支持
  • AWS Strands 智能体入门 - 使用 AWS Strands SDK 的天气报告智能体
  • Mastra 入门 - TypeScript 优先的智能体，带有由 Nebius Token Factory 支持的自定义工具
  • Camel AI 入门 - 比较各种 AI 模型的性能基准测试工具
  • DSPy 入门 - 用于构建和优化 AI 系统的 DSPy 框架
  • Google ADK 入门 - Google Agent Development Kit 入门模板
  • Semantic Kernel 入门 - 微软 Semantic Kernel 的 ChatCompletionAgent，支持基于插件的工具调用
  • smolagents 入门 - Hugging Face smolagents 代码优先的网络搜索智能体
  • AutoGen 入门 - 微软 AutoGen 的 AssistantAgent，带有由 Nebius Token Factory 支持的自定义工具
  • cagent 入门 - Docker 开源的、可定制的多智能体运行时
  • Sayna 语音智能体 - 实时语音基础设施，支持多厂商 STT/TTS（Deepgram、ElevenLabs、Azure、Google）和 WebSocket 流
  • KAOS 入门 - 基于 Kubernetes 原生的多智能体系统，支持 MCP 工具和集群内 LLM

✨ 简易智能体

适用于日常 AI 应用的直接、实用的案例。14 个项目

  • Agno AI 示例 - 从简单到多智能体的示例，包含网络搜索和知识库
  • 金融智能体 - 实时股票和市场数据跟踪智能体
  • 人机协同智能体 - 用于安全 AI 任务执行的 HITL 操作
  • 新闻通讯生成器 - 集成 Firecrawl 的 AI 驱动的新闻通讯构建器
  • 推理智能体 - 逐步财务推理演示
  • Agno UI 示例 - 用于网络和金融智能体的交互式 UI
  • Mastra 天气机器人 - 使用 Mastra AI 框架的天气更新
  • 日历助手 - 与 Cal.com 的日历调度集成
  • 智能日程助手 - 由 AI 驱动的 Gmail 阅读器和 Google Calendar 管理器
  • 网页自动化智能体 - 使用 Nebius 和 browser-use 的浏览器自动化智能体
  • Nebius 聊天 - 面向 Nebius Token Factory 的聊天界面
  • RouteLLM 聊天 - 使用 RouteLLM（GPT-4o-mini vs Nebius Llama）进行智能模型路由，以优化成本
  • 与数据库对话 - 使用 GibsonAI 和 LangChain 进行自然语言数据库查询
  • 智能体发现工具 - 在 NANDA、MCP、Virtuals、A2A 和 ERC-8004 注册表中查找和比较 AI 智能体

🎙️ 语音智能体

实时语音助手和流式语音管道。6 个项目

  • 医疗语音联络中心 - Pipecat 医疗联络中心，支持预约、常见问题解答和主管升级
  • LiveKit + Gemini 实时 - LiveKit Agents 与 Google Gemini Live（Gemini 多模态实时）相结合，在 LiveKit 房间内实现低延迟语音对话
  • 支持网络搜索的 LiveKit 语音智能体 - LiveKit + Gemini 实时语音智能体，配备由 Olostep 支持的 web_search 工具，提供新鲜、带引用的答案
  • LiveKit RSVP 确认智能体 - 外呼语音智能体，致电参与者、确认 RSVP 并更新基于 JSON 的事件数据库
  • Pipecat + Sarvam - Pipecat 语音管道，集成 Sarvam STT/TTS 和 OpenAI 聊天；通过 Pipecat runner 支持 WebRTC（浏览器）或 Daily 传输
  • 潜在客户快速响应语音智能体 - 基于 LiveKit 的语音智能体，即时呼叫入站潜在客户，将其转接给专家并记录到模拟 CRM 中

🗂️ MCP 智能体

使用模型上下文协议进行外部工具集成的示例。13 个项目

  • Doc-MCP - 语义化 RAG 文档问答系统
  • LangGraph MCP 智能体 - 集成 Couchbase 的 LangChain ReAct 智能体
  • GitHub MCP 智能体 - 通过 MCP 进行仓库洞察和分析
  • MCP 入门 - GitHub 仓库分析器入门模板
  • 与文档对话 - 基于 MCP 的文档问答智能体
  • 数据库 MCP 智能体 - 用于管理 GibsonAI 数据库项目和模式的对话式 AI 智能体
  • 酒店查找智能体 - 使用 MCP 集成的酒店搜索和预订
  • 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 - 与 Exa 搜索集成的、注重安全的 MCP 集成
  • Docker E2B MCP 智能体 - 通过 MCP 网关在沙箱化 Docker 环境中运行智能体的安全 AI 智能体
  • Taskade MCP 智能体 - 通过 Taskade MCP 管理项目、任务和工作流的 AI 驱动工作区智能体
  • Telemetry MCP Okahu - 使用 Okahu Cloud 追踪（通过托管的 MCP）的自愈式 Text-to-SQL 演示

🧠 记忆智能体

具有高级记忆能力（用于上下文保留和个性化）的智能体。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
  • 集成 Memori 的 arXiv 研究员智能体 - 使用 OpenAI Agents 和 GibsonAI Memori 的研究助手
  • 集成 Memori 的 AWS Strands 智能体 - 通过 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 - 具有记忆功能以保持品牌声音的社交媒体自动化智能体
  • 求职智能体 - 具有记忆功能以跟踪偏好的求职智能体
  • 品牌声誉监控器 - 通过新闻分析和情感跟踪进行 AI 驱动的品牌声誉监控
  • 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、ExaAI 进行研究的 AI 驱动咨询智能体
  • 客户支持语音智能体 - 支持语音的客户支持助手，使用 Memori v3 和 Firecrawl 进行知识库管理
  • YouTube 趋势智能体 - 使用 Memori、Agno 和 Exa 进行频道分析、趋势分析和视频创意的 YouTube 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

📚 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

  • Agentic RAG - 使用 Agno 和 GPT-5 实现的 Agentic RAG
  • 支持网络搜索的 Agentic RAG - 集成 CrewAI、Qdrant 和 Exa 的高级 RAG，支持混合搜索能力
  • 简历优化器 - AI 驱动的简历优化和增强工具
  • LlamaIndex RAG 入门 - LlamaIndex + Nebius RAG 入门模板
  • PDF RAG 分析器 - 多 PDF 聊天和分析系统
  • Qwen3 RAG 聊天 - 使用 Streamlit 构建的 PDF 聊天机器人界面
  • 与代码对话 - 交互式代码探索器和文档助手
  • Gemma3 OCR - 使用 Gemma3 模型的基于 OCR 的文档和图像处理器
  • Nvidia Nemotron OCR - 使用 Nvidia Nemotron-Nano-V2-12b 的基于 OCR 的文档和图像解析
  • Contextual AI RAG - 具有托管数据存储和质量评估的企业级 RAG
  • 带重排序的高级 RAG - 生产形态的 PDF RAG，包含上下文检索、Qdrant 混合搜索、重排序、流式答案、上传摄取和可点击引用
  • 简易 RAG - 用于快速上手的基于 Nebius 的基础 RAG 实现
  • WFGY 16 问题图谱 LLM 调试器 - 基于 16 模式图谱的 LLM 和 RAG 错误调试器

🔬 高级智能体

用于生产级端到端工作流的复杂多智能体管道。18 个项目

  • Nebius 自动研究 - 纽约市出租车分析管道优化器；使用 Nebius Token Factory 进行迭代代码搜索（实时或批处理推理）
  • 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 - 使用 AG2 和 TinyFish 深度网络爬虫的多智能体公司尽职调查管道
  • 深度研究员 - 使用 Agno 和 ScrapeGraph AI 的多阶段研究智能体
  • Candilyzer - 针对 GitHub/LinkedIn 个人资料的候选人分析工具
  • 职位查找器 - 集成 Bright Data 的 LinkedIn 职位搜索自动化工具
  • AI 趋势分析器 - 使用 Google ADK 进行 AI 趋势挖掘和分析
  • 会议演讲生成器 - 使用 Google ADK 和 Couchbase 自动生成演讲摘要
  • 金融服务智能体 - 使用 Agno 提供股票数据和预测的 FastAPI 服务器
  • 价格监控智能体 - 由 CrewAI、Twilio 和 Nebius 支持的定价监控和警报智能体
  • 创业点子验证智能体 - 用于验证和分析创业想法的 Agentic 工作流
  • 会议助手智能体 - 从对话中自动生成会议记录和任务
  • AI 对冲基金 - 用于全面财务分析的 Agentic 工作流
  • 智能 GTM 智能体 - 市场进入策略和竞争分析智能体
  • 会议无关的 CFP 生成器 - 自动生成会议提案的系统
  • 汽车查找智能体 - 使用 CrewAI 和 MongoDB 的 AI 驱动的二手车推荐系统
  • 内容团队智能体 - 使用 Agno 和 SerpAPI 为 Google AI 搜索排名优化的 SEO 内容工作流
  • Temporal 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 - 关于使用 AWS Strands SDK 构建 AI 智能体的完整 8 课教程

🔧 框架教程

🚀 快速开始

前置条件

  • Python 3.10+（对于较新项目，推荐 Python 3.11+）
  • Git，用于克隆仓库
  • 包管理器：pip 或 uv（推荐，安装更快）
  • API 密钥：大多数项目需要 API 密钥（请参阅各个项目的 README）

快速启动

  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 ```bash

    使用 pip

    pip install -r requirements.txt

或使用 uv（推荐，速度更快）

uv sync

或

uv pip install -e .


5. **运行项目**
```bash
python main.py
# 对于 Streamlit 应用
streamlit run app.py

🤝 贡献指南

我们欢迎来自社区的贡献！以下是你可以提供帮助的方式：

  • 🐛 通过 GitHub Issues 报告错误或提出改进建议
  • 💡 添加新项目 - 提交你自己的 AI 智能体示例
  • 📝 改进文档 - 帮助提高项目的可访问性
  • 🔧 修复问题 - 贡献代码改进和错误修复

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 Issues 以避免重复
  • 遵循项目结构和命名约定
  • 确保你的项目包含全面的 README.md

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条款。

📜 许可证

本仓库采用 MIT 许可证。可随意使用并修改示例用于您的项目。

👥 核心维护者

本项目由以下人员积极维护：

  • Arindam Sarkar - @Arindam200
  • 其他贡献者 - 感谢所有贡献者！

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！ 🙏

如果你觉得这个仓库有用且有趣，请不要忘记给它一个 ⭐，并与你的同事和开发者朋友分享！

祝你构建愉快！

参考资料