Awesome LLM Apps

요약

Shubhamsaboo/awesome-llm-apps는 포크해서 바로 실행하는 LLM 앱 템플릿을 모은 저장소다. README는 스스로를 awesome 목록이 아니라 cookbook으로 규정하고, "100+ AI Agent & RAG apps you can actually run"이라는 문구를 표제로 쓴다. 목차는 15개 카테고리를 세우고 그 아래 107건의 항목을 건다.

일반적인 awesome 목록은 외부 자료의 링크를 모은다. 이 저장소는 각 항목이 full source code를 담은 디렉토리이고, 링크는 저장소 안의 경로를 가리킨다. 107건 중 105건이 이 저장소 내부이고 2건만 외부 저장소를 가리킨다. Agent Skills 카테고리가 별도 표로 관리하는 스킬 파일 19종까지 더하면 저장소가 관리하는 디렉토리는 124개다.

배포 조건은 Apache-2.0이고, README License 절이 "Fork it, ship it, sell it."이라고 명시한다. paywall, signup, telemetry가 없다는 점도 함께 밝힌다. 학습용으로 읽든 상용 제품으로 fork하든 라이선스상의 제약이 없다는 뜻이다.

배경

반복 구현 비용

이 저장소의 문제의식은 README "Why this exists" 절의 첫 문장 하나로 압축된다. 새 LLM 프로젝트를 시작할 때마다 같은 retrieval 파이프라인과 agent loop, MCP 연동을 밑바닥부터 다시 만들 필요는 없다는 것이다.

retrieval은 외부 지식에서 관련 정보를 찾아오는 단계를 뜻하고, agent loop는 모델 호출과 도구 실행과 관찰을 반복하는 기본 순환을 가리킨다. 두 구조 모두 프로젝트마다 형태가 크게 다르지 않은데도 매번 처음부터 작성된다. 이 저장소는 그 반복 구간을 미리 짜 둔 스타터 코드로 대체하려 한다.

awesome 목록과 cookbook의 차이

README는 "Hand-built, not curated"라는 항목으로 성격을 못박는다. 모든 템플릿이 원본 작업이고 배포 전에 end-to-end로 테스트했다는 주장이다. 큐레이션한 링크 모음과 달리 코드가 저장소 안에 있으므로 사용자는 clone 한 번으로 전량을 확보한다.

이 규정에는 예외가 두 건 있다. Advanced AI Agents의 Openwork와 Voice AI Agents의 OpenSource Voice Dictation Agent는 ↗ external 표시와 함께 다른 저장소를 가리킨다. 이 2건의 코드는 이 저장소가 관리하지 않는다.

배포와 운영 조건

README가 전면에 내세우는 조건은 여섯 가지다. 이 목록이 저장소의 설계 의도를 가장 압축적으로 보여 준다.

README는 8개 언어 번역본 링크를 상단에 두고(독일어, 스페인어, 프랑스어, 일본어, 한국어, 포르투갈어, 러시아어, 중국어), 튜토리얼은 Unwind AI에 싣는다. 상단 배너와 상단 버튼과 하단 구독 링크가 모두 같은 사이트를 가리킨다.

핵심 개념

cookbook은 이 저장소가 스스로를 부르는 이름이다. 링크 목록이 아니라 실행 가능한 스타터 코드를 모았다는 선언이며, 항목의 단위가 URL이 아니라 디렉토리라는 점에서 일반적인 awesome 목록과 갈린다.

self-contained는 각 템플릿 디렉토리가 full source code를 담아 단독으로 실행된다는 규정이다. 사용자가 한 항목만 쓰려 해도 저장소 다른 부분에 의존하지 않는다는 뜻이다.

provider-agnostic은 특정 LLM 벤더에 묶이지 않고 config 변경만으로 모델을 교체할 수 있는 설계를 가리킨다. README는 Claude, Gemini, GPT, Llama, Qwen, xAI를 예로 들고 "and others"를 덧붙여 목록을 열어 둔다.

MCP는 Model Context Protocol의 약어로, 에이전트가 외부 도구와 데이터에 연결하는 프로토콜이다. README는 MCP AI Agents 카테고리 부제에서 이 정의를 그대로 쓴다.

Agent Skills는 어떤 AI 에이전트나 LLM 워크플로에도 결합할 수 있는 즉시 사용 스킬 파일을 뜻한다. 앱 하나가 아니라 여러 앱에 재사용되는 자산이라는 점에서 다른 카테고리와 성격이 다르다.

always-on agent는 스케줄이나 이벤트로 상시 구동되며 변화하는 컨텍스트를 감시하고, 무엇이 주목받아야 하는지 판단해 능동적으로 산출물을 전달하는 에이전트다. 사용자가 질문할 때만 반응하는 방식과 대비된다.

generative UI는 텍스트 대신 폼, 카드, 차트, 편집 가능한 plan 같은 인터랙티브 UI 컴포넌트를 렌더링하는 방식이다. 에이전트의 출력 형식 자체를 바꾸는 접근이다.

방법

목차 15개 카테고리

목차는 스스로 "15 categories"라고 밝히고 15개 링크를 건다. 각 카테고리 절에는 한 줄 이탤릭 부제가 붙어 어떤 자료가 그 자리에 들어가는지 규정한다. 아래 항목 수는 README의 불릿과 표 행을 직접 센 값이다.

합계는 107건이고 링크 대상이 겹치는 항목은 없다. "100+"라는 표제는 이 실측치와 어긋나지 않는다.

분포는 고르지 않다. Advanced AI Agents 22건과 RAG 20건이 전체의 39%를 차지하는 반면 Always-on Agents와 Awesome Agent Skills는 불릿 항목이 각 1건이다. 카테고리 단위로 완결성을 기대하기보다 관심이 몰린 영역을 읽는 지도로 쓰는 편이 실제 구성에 맞다.

카테고리와 디렉토리의 관계

목차의 15개 카테고리는 폴더 구조가 아니라 열람용 분류다. 링크 경로를 모으면 최상위 코드 디렉토리는 10개이고, 하나의 디렉토리가 여러 카테고리에 나뉘어 노출된다.

advanced_ai_agents/는 다시 single_agent_apps/, multi_agent_apps/, multi_agent_apps/agent_teams/, autonomous_game_playing_agent_apps/로 나뉜다. 목차에서 독립 카테고리로 서 있는 Multi-agent Teams와 Autonomous Game-Playing Agents가 실제로는 이 디렉토리의 하위 묶음이다. 배너 이미지가 들어 있는 docs/를 제외하면 코드 디렉토리는 위 10개다.

같은 이름의 템플릿이 서로 다른 경로로 두 번 등장하는 사례도 있다. AI Financial Coach Agent는 advanced_ai_agents/multi_agent_apps/와 generative_ui_agents/에, AI Deep Research Agent는 advanced_ai_agents/single_agent_apps/와 generative_ui_agents/에 각각 있다. 경로가 다르므로 별개 구현이며, 같은 과제를 UI 방식만 바꿔 다시 만든 짝으로 보인다.

에이전트 계열 카테고리

에이전트를 다루는 카테고리는 복잡도 순으로 배열돼 있다. Starter는 API 키 하나로 실행되는 단일 파일이고, Advanced는 tools와 메모리와 multi-step reasoning을 갖추며, Multi-agent Teams는 여러 에이전트의 협업으로 올라간다.

Advanced AI Agents 22건은 응용 도메인으로 나누면 아래와 같이 정리된다.

금융과 리서치가 각각 5건으로 가장 두껍다. 문서를 읽어 판단 근거를 만드는 작업이 현재 에이전트가 실용성을 확보한 영역이라는 점이 항목 분포에 드러난다.

retrieval 파이프라인 20종

RAG 카테고리는 단일 카테고리로는 두 번째로 크다. 부제가 밝히는 범위는 단순 chain부터 agentic과 multi-source까지다.

로컬 실행 4건은 모델을 자체 환경에서 구동하는 구성이고, 외부 서비스 연동 3건은 상용 API에 기대는 구성이다. 두 방향이 함께 들어 있어 데이터 반출 제약이 있는 환경과 없는 환경 모두에서 출발점을 고를 수 있다.

품질 교정과 진단 2건은 다른 항목과 성격이 다르다. Corrective RAG는 retrieval 결과에 문제가 있을 때의 처리를 다루는 변형이고, RAG Failure Diagnostics Clinic은 실패 사례 자체를 진단 대상으로 삼는다. README는 두 항목의 내부 동작을 설명하지 않으므로 이름과 카테고리 배치까지가 확인 가능한 범위다.

인터페이스와 연결 계층

에이전트의 입출력 형태를 바꾸는 카테고리가 세 가지 있다. Voice AI Agents는 음성 입출력, Generative UI는 인터랙티브 UI 렌더링, MCP AI Agents는 외부 도구와 데이터 연결을 각각 담당한다.

Generative UI 7건 중 2건이 MCP를 제목에 달고 있다는 점이 눈에 띈다. UI 생성과 도구 연결이 별개 주제가 아니라 함께 묶이는 흐름이 항목 구성에 나타난다. MCP AI Agents 쪽의 Multi-MCP Agent Router는 여러 MCP 서버를 한 에이전트가 다루는 구성으로, 단일 서버 연동보다 한 단계 위의 사례다.

재사용 자산으로서의 Agent Skills

Awesome Agent Skills 카테고리는 앱이 아니라 부품을 배포한다. 불릿으로는 Self-Improving Agent Skills 하나만 노출하고, 나머지는 "Browse all 19 skills"라는 접힌 표에 담는다.

19종 중 개발 직군을 겨냥한 것은 4종뿐이고 나머지 15종은 조사, 문서 작성, 기획, 디자인처럼 코드 밖 업무를 다룬다. 스킬은 특정 작업 절차를 담아 에이전트에 결합하는 지침 패키지이므로, 이 분포는 저장소가 코딩 보조를 넘어 지식 노동 전반을 대상으로 본다는 뜻이다.

목록 밖에 있는 Self-Improving Agent Skills는 성격이 다르다. Gemini와 ADK로 스킬 자체를 자동 최적화한다는 설명이 붙어 있어, 스킬을 소비하는 것이 아니라 스킬을 개선하는 메타 계층에 해당한다.

상태와 데이터 소스

세션을 넘는 상태 유지와 임의 데이터 소스 연결은 각각 6건씩 배치돼 있다.

Memory 쪽 6건 중 Multi-LLM Shared Memory는 여러 모델이 하나의 메모리를 공유하는 구성이라 나머지 다섯 건과 층위가 다르다. Chat with X는 코드 저장소, 메일, 문서, 논문, 뉴스레터, 영상까지 소스 종류를 넓게 잡는다.

비용 절감과 학습 경로

남은 세 카테고리는 앱이 아니라 운영과 학습을 다룬다.

크래시 코스 두 종은 불릿이 아니라 코스명 아래 커리큘럼 목록을 다는 형식이다.

두 커리큘럼은 starter agent에서 시작해 structured output, 도구, 메모리, callback을 거쳐 멀티에이전트로 올라가는 같은 순서를 따른다. 차이는 ADK 쪽에 MCP tools와 plugin이 있고, OpenAI SDK 쪽에 평가와 handoff와 swarm 오케스트레이션과 라우팅 로직이 있다는 점이다. handoff는 한 에이전트가 작업을 다른 에이전트로 넘기는 전환점을 뜻한다.

실행 절차

README는 첫 에이전트를 30초 안에 실행한다고 밝히며 다음 블록을 싣는다.

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

"Runs in 3 commands"라는 항목과 달리 블록은 네 줄이다. 이 예제는 Python 패키지 설치와 Streamlit 실행을 쓰지만, README가 실행 스택을 명시하는 곳은 이 블록 하나뿐이다. 나머지 106건이 어떤 UI와 런타임으로 구동되는지는 README에 적혀 있지 않다.

결과

이 저장소는 정량 평가를 제시하는 연구 자료가 아니다. README에 벤치마크 표나 성능 실험은 없고, 템플릿 선택을 돕는 근거는 카테고리 분류와 한 줄 설명까지다.

수치가 등장하는 곳은 LLM Optimization Tools 카테고리의 두 항목뿐이다.

두 수치 모두 절감 대상은 API 비용이다. 토큰 수가 아니라 비용 기준이라는 점, 그리고 측정 조건과 데이터셋과 비교 기준이 제시되지 않았다는 점을 함께 읽어야 한다.

인기 지표는 shields.io 배지 5종(stars, forks, contributors, license, last-commit)과 star-history 차트, Trendshift featured 배지(repositories/9876)로 표시된다. 모두 이미지라서 README 텍스트에는 절대 수치가 남지 않는다. 이 자료로 확인할 수 있는 사실은 해당 배지가 존재한다는 것과 Trendshift에 featured로 올랐다는 것까지다.

갱신 리듬은 "Featured This Month" 표가 보여 준다. 이 시점의 4건은 아래와 같다.

네 건 중 세 건의 Stack에 ADK가 들어 있다. 이 시점의 관심이 Google ADK로 기울어 있음을 보여 주는 신호다. 네 건 모두 각 카테고리 절에도 다시 등장하므로 별도 항목이 아니라 강조 슬롯이다.

한계

가장 먼저 걸리는 제약은 보유 자료의 범위다. 이 페이지의 모든 서술은 README 한 편에 근거하며, 저장소 코드를 읽어야 답할 수 있는 질문은 다루지 않았다. 템플릿이 실제로 실행되는지, 의존성이 최신인지, 코드 품질이 카테고리 사이에 고른지는 확인할 방법이 없다.

두 번째는 선택 근거의 부재다. 107건 중 무엇을 골라야 하는지 판단할 수치가 README에 없다. 카테고리 이름과 한 줄 부제, 템플릿 제목이 정보의 전부이므로 사용자는 후보를 좁힌 뒤 직접 코드를 열어 확인해야 한다.

세 번째는 README 자체의 내적 불일치다. "3 commands"와 네 줄 블록의 차이는 사소하지만, 문서가 스스로 밝힌 수치를 검증 없이 인용하면 안 된다는 신호로 읽을 만하다. 절감률 3060%와 5090%도 조건 없이 제시된 값이라 같은 주의가 필요하다.

향후 방향은 README에 명시되어 있지 않다. 갱신 의도를 짐작할 단서는 월 단위 강조 슬롯인 "Featured This Month"와 새 템플릿 소식을 받는 구독 링크 문구 정도다.

핵심 용어

관련 페이지

• Free LLM API resources: 무료 LLM API 제공처를 정리한 큐레이션 저장소. 같은 목록 형식이지만 무료 API 목록은 외부 서비스 카탈로그이고 이 페이지의 저장소는 자체 코드 쿡북이다. provider-agnostic 템플릿에 붙일 모델을 고를 때 짝으로 읽으면 된다
• AI Stock Analysis System (daily_stock_analysis): 6개 시장 종목을 매일 분석하는 오픈소스 시스템. 이 저장소의 금융 도메인 템플릿 5건이 스타터 수준에 머무는 것과 달리, 하나의 도메인을 끝까지 구현한 사례다
• Headroom 컨텍스트 압축 자료 지도와 근거 등급: 이 저장소의 LLM Optimization Tools 항목 하나인 Headroom을 정면으로 다룬 개괄. 절감률의 기준이 다르다는 점에 유의해야 한다. 이 저장소는 API 비용 5090% 절감으로 적고, overview는 토큰 6095% 절감으로 적는다
• Agent Skills 규격과 생태계 지도: Agent Skills의 설계 원전과 오픈 표준, 생태계를 다룬 개괄. 이 저장소의 스킬 파일 19종이 어떤 규격 위에 놓이는지 확인할 수 있다
• Graph-based RAG 계보: GraphRAG 트렁크와 LightRAG, LeanRAG, RAG-Anything: Graph 기반 RAG 계보 개괄. RAG 카테고리의 Knowledge Graph RAG with Citations가 이 계보와 닿는다
• MCP Server Architecture Patterns for LLM-Integrated Applications: MCP 서버 아키텍처 패턴. 이 저장소의 MCP AI Agents 5건은 클라이언트 쪽 사례이므로 서버 쪽 설계와 함께 보면 연결 계층 전체가 보인다
• Why Do Multi-Agent LLM Systems Fail?: 멀티에이전트 시스템의 실패 유형을 분류한 논문. Multi-agent Teams 13건과 Advanced의 팀 구성 템플릿을 프로덕션으로 옮길 때의 위험 목록으로 쓸 수 있다
• Agent Harness Engineering 개괄과 학습 경로: 스킬, 루프, verification을 묶어 harness 설계를 다룬 개괄. 이 저장소가 제공하는 스타터 코드가 어떤 운영 구조 위에 올라가야 하는지에 대한 배경이다