Awesome AI Apps: 80+ примеров RAG, агентов и воркфлоу

«Не переизобретай RAG-пайплайн, агентский цикл или MCP-интеграцию каждый раз с нуля» — именно этот принцип лежит в основе репозитория Awesome AI Apps.

Что это такое и для кого

Awesome AI Apps — это обширная коллекция из 80+ практических примеров, туториалов и рецептов для построения LLM-powered приложений: текстовые агенты, голосовые помощники, RAG-приложения и инструменты на базе MCP. Проекты служат руководством для разработчиков, работающих с различными AI-фреймворками и стеками.

Автор — Arindam Majumder, Developer Advocate и технический писатель с аудиторией 500 тыс. читателей. Репозиторий рассчитан на:

• Начинающих разработчиков, которые хотят быстро запустить первый AI-проект
• Опытных инженеров, ищущих production-ready шаблоны
• Исследователей AI-агентов и RAG-архитектур
• Стартапы и энтузиастов, которым нужна быстрая прототипизация

Репозиторий агрегирует запускаемые примеры и шаблоны для разработчиков, которые оценивают архитектуры агентов и retrieval-augmented generation (RAG).

Ключевые возможности

1. RAG-приложения

В разделе RAG собраны 12 проектов: Agentic RAG на базе Agno и GPT; Agentic RAG с Web Search на CrewAI, Qdrant и Exa для гибридного поиска; Resume Optimizer — AI-инструмент оптимизации резюме; PDF RAG Analyzer для мультидокументного чата; Qwen3 RAG Chat — интерфейс PDF-чатбота на Streamlit; Chat with Code — проводник по исходному коду; Gemma3 OCR и Nvidia Nemotron OCR для обработки документов.

Среди продвинутых реализаций — Contextual AI RAG (enterprise-уровень с управляемыми хранилищами и оценкой качества) и Advanced RAG with Reranking (production-образный RAG для PDF с контекстуальным поиском, Qdrant hybrid search, переранжированием, стриминговыми ответами и кликабельными цитатами).

2. AI-агенты

В разделе продвинутых агентов представлены 18 проектов: Nebius AutoResearch — оптимизатор пайплайнов аналитики данных с NYC-такси; Due Diligence Agent — мультиагентный пайплайн анализа компаний с AG2 и TinyFish; Deep Researcher — многостадийный исследовательский агент с Agno и ScrapeGraph AI.

В разделе простых агентов — 14 проектов: Finance Agent для отслеживания акций в реальном времени; Human-in-the-Loop Agent для безопасного выполнения задач; Newsletter Generator с интеграцией Firecrawl; Startup Idea Validator Agent; Meeting Assistant Agent; AI Hedgefund; Smart GTM Agent для go-to-market стратегии; Car Finder Agent с CrewAI и MongoDB.

3. Агенты с памятью

Раздел Memory Agents включает 12 проектов: Agno Memory Agent с персистентной памятью; arXiv Researcher Agent with Memori; AWS Strands Agent with Memori; Blog Writing Agent — персонализированный агент для написания статей с памятью стиля; Social Media Agent с памятью голоса бренда; Job Search Agent для отслеживания предпочтений.

4. Голосовые агенты

Среди starter-проектов — Sayna Voice Agent с мультипровайдерной поддержкой STT/TTS (Deepgram, ElevenLabs, Azure, Google) и WebSocket-стримингом, а также KAOS Starter — Kubernetes-native мультиагентная система с MCP-инструментами.

В разделе голосовых ассистентов — 6 проектов, включая Healthcare Voice Contact Center (Pipecat) с записью на приём, обработкой FAQ и эскалацией к супервайзеру, а также LiveKit + Gemini Realtime для низколатентных голосовых разговоров.

5. MCP-инструменты

Доступны MCP-интеграции: Taskade MCP Agent для управления проектами и задачами через Taskade MCP, и Telemetry MCP Okahu — самовосстанавливающееся Text-to-SQL демо через hosted MCP.

6. Обучающие курсы

Репозиторий включает полноценный курс AWS Strands: 8 уроков, охватывающих основы агентов, session management, структурированный вывод, MCP-агенты, паттерны human-in-the-loop, оркестрацию мультиагентов, рои, граф-воркфлоу, observability, safety guardrails и best practices.

Архитектура типичного RAG-приложения

graph TD
    A[Пользователь] -->|Запрос| B[LLM-агент]
    B -->|Поиск| C[Vector Store\nQdrant / Chroma]
    C -->|Релевантные чанки| B
    B -->|Hybrid Search| D[Web Search\nExa / SerpAPI]
    D -->|Свежие данные| B
    B -->|Переранжирование| E[Reranker]
    E -->|Топ-N результатов| F[Генерация ответа]
    F -->|Стриминг + цитаты| A

Установка и быстрый старт

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

# Устанавливаем зависимости (рекомендуется uv)
uv sync
# или через pip
pip install -r requirements.txt

Проект требует Python 3.10+ (рекомендуется Python 3.11+ для новых проектов) и поддерживает установку как через pip, так и через более быстрый менеджер uv.

Пример: запуск Agentic RAG с веб-поиском

# rag_apps/agentic_rag_with_web_search/main.py
response = agentic_rag_response(
    ["https://modelcontextprotocol.io/docs/learn/architecture.md"],
    "Tell me about MCP primitives that clients can expose."
)
print(response)

Тарифы и цены

Репозиторий полностью бесплатный и open-source (MIT). Никаких платных тарифов не предусмотрено.

Однако стоит учитывать сторонние расходы:

Плюсы и минусы

Сравнение с альтернативами

Ближайший аналог — Shubhamsaboo/awesome-llm-apps: «кулинарная книга» готовых к запуску шаблонов, где каждый шаблон самодостаточен с полным исходным кодом, а не собран из сторонних источников.

Категории проектов одним взглядом

mindmap
  root((Awesome AI Apps))
    RAG Apps
      Simple RAG
      Agentic RAG
      Advanced RAG + Reranking
      PDF Analyzer
      OCR с Gemma3/Nvidia
    AI Agents
      Simple Agents
        Finance Agent
        Newsletter Generator
        Human-in-the-Loop
      Advanced Agents
        Deep Researcher
        Due Diligence
        AutoResearch
    Memory Agents
      Blog Writing
      Social Media
      Job Search
    Voice Agents
      Healthcare Contact Center
      LiveKit + Gemini
      Sayna Voice Agent
    MCP Tools
      Taskade MCP
      Telemetry MCP
    Courses
      AWS Strands 8-lesson
      Build with MCP

Вердикт

Awesome AI Apps — один из лучших стартовых ресурсов для разработчиков, которые хотят строить реальные LLM-приложения, не тратя время на написание шаблонного кода с нуля.

Коллекция объединяет несколько фреймворков и стартовых проектов в единый кюрированный набор, демонстрируя паттерны взаимодействия между LangChain, LlamaIndex, OpenAI Agents SDK и другими агентными фреймворками.

Кому подойдёт:

• 🧑‍💻 Python-разработчикам, изучающим AI-агенты и RAG
• 🏗️ Архитекторам, ищущим production-шаблоны с Qdrant, CrewAI, Agno
• 🎓 Студентам, которым нужен структурированный путь через AWS Strands-курс
• 🚀 Стартапам, которым нужна быстрая прототипизация голосовых или финансовых агентов

Кому не подойдёт:

• Тем, кто ищет no-code решение без программирования
• Командам, работающим строго в Java/TypeScript-стеке

Рейтинг: 8.5 / 10