Zum Inhalt springen

Sprache wählen

Aktuelle Sprache: Deutsch

AI Apps

Source: https://github.com/Arindam200/awesome-ai-apps at 276e635f3f2b
License: MIT
Read the English original

This edition is an AI-assisted translation.

Banner

Dieses Repository ist eine umfassende Sammlung von 132 Projekten, Tutorials und Rezepten zum Erstellen leistungsstarker, von LLMs betriebener Anwendungen, einschließlich Text-Agenten, Sprachassistenten, RAG-Apps und MCP-basierten Werkzeugen. Diese Projekte dienen Entwicklern, die mit verschiedenen KI-Frameworks und -Stacks arbeiten, als Leitfaden.


Ein riesiges Dankeschön an unsere Sponsoren für ihre großzügige Unterstützung!

Bright Data - Web Data Platform
Web-Datenplattform
Bright Data-Website besuchen
Nebius Token Factory
KI-Inferenzanbieter
Nebius Token Factory besuchen
ScrapeGraphAI - Web Scraping Library
KI-Web-Scraping-Framework
ScrapeGraphAI auf GitHub ansehen
Memori - SQL Native Memory for AI
SQL-native Memory für KI
Memorilabs-Website besuchen
CopilotKit - Agentic Application Platform
Agentische Anwendungsplattform
CopilotKit-Website besuchen
ScaleKit - Auth Stack for AI
Auth-Stack für KI
ScaleKit-Website besuchen
Okahu - AI Platform
KI-Observability-Plattform
Okahu-Website besuchen
AgentField - Kubernetes for AI Agents
Kubernetes für KI-Agenten
AgentField-Website besuchen
Byteful
Byteful
Byteful-Website besuchen

Interesse, dieses Projekt zu sponsern? Melden Sie sich gerne!
Email


Schnellstart-Agenten zum Lernen und Erweitern verschiedener KI-Frameworks. 21 Projekte

Geradlinige, praktische Anwendungsfälle für alltägliche KI-Anwendungen. 18 Projekte

Echtzeit-Sprachassistenten und Streaming-Sprachpipelines — einschließlich LiveKit, Pipecat, Gradium und VoxCode (Deepgram + Cursor SDK). 9 Projekte

Beispiele zur Nutzung des Model Context Protocol für externe Tool-Integration. 14 Projekte

Agenten mit fortschrittlichen Gedächtnisfähigkeiten für Kontexterhalt und Personalisierung. 13 Projekte

Retrieval-Augmented-Generation-Beispiele für Dokumentverständnis und Wissensdatenbanken. 18 Projekte

Komplexe Multi-Agenten-Pipelines für produktionsreife End-to-End-Workflows. 35 Projekte

End-to-End-Beispiele zum Fine-Tuning von Open-Source-LLMs, von der Datenvorbereitung bis zum Deployment. 6 Projekte


📥 Bleiben Sie mit Daily AI Insight auf dem Laufenden!

Abschnitt betitelt „📥 Bleiben Sie mit Daily AI Insight auf dem Laufenden!“

Erhalten Sie leicht verständliche wöchentliche Tutorials und tiefe Einblicke in KI, LLMs und Agenten-Frameworks. Perfekt für Entwickler, die lernen, bauen und mit neuer Technologie vorausbleiben wollen. Abonnieren Sie unseren Newsletter!

Newsletter abonnieren


  • Python 3.10+ (Python 3.11+ für neuere Projekte empfohlen)
  • Git zum Klonen des Repositories
  • Paketmanager: pip oder uv (für schnellere Installationen empfohlen)
  • API-Schlüssel: Die meisten Projekte benötigen API-Schlüssel (siehe die jeweiligen Projekt-READMEs)
  1. Repository klonen

    Terminal-Fenster
    git clone https://github.com/Arindam200/awesome-ai-apps.git
    cd awesome-ai-apps
  2. Ein Projekt auswählen und in dessen Verzeichnis navigieren

    Terminal-Fenster
    cd starter_ai_agents/agno_starter # Example: Start with Agno starter
  3. Umgebungsvariablen einrichten

    Terminal-Fenster
    cp .env.example .env # Copy example environment file
    # Edit .env with your API keys
  4. Abhängigkeiten installieren

    Terminal-Fenster
    # Using pip
    pip install -r requirements.txt
    # OR using uv (recommended - faster)
    uv sync
    # or
    uv pip install -e .
  5. Projekt ausführen

    Terminal-Fenster
    python main.py
    # or for Streamlit apps
    streamlit run app.py

Wir begrüßen Beiträge aus der Community! So können Sie helfen:

  • 💡 Neue Projekte hinzufügen: Reichen Sie Ihre eigenen KI-Agenten-Beispiele ein
  • 🔧 Probleme beheben: Tragen Sie Code-Verbesserungen und Bugfixes bei
  • 📝 Dokumentation verbessern: Helfen Sie, Projekte zugänglicher zu machen
  • 🐛 Bugs melden oder Verbesserungen vorschlagen über GitHub Issues

Vor dem Mitwirken:

  • Lesen Sie unsere Contributing Guidelines für detaillierte Informationen
  • Prüfen Sie bestehende Issues, um Duplikate zu vermeiden
  • Befolgen Sie die Projektstruktur und Namenskonventionen
  • Stellen Sie sicher, dass Ihr Projekt eine umfassende README.md enthält

Wichtig: Dieses Projekt folgt einem Contributor Code of Conduct. Durch die Teilnahme erklären Sie sich mit dessen Bedingungen einverstanden.

Dieses Repository ist unter der MIT-Lizenz lizenziert. Sie können die Beispiele frei für Ihre Projekte nutzen und modifizieren.

Dieses Projekt wird aktiv betreut von:

Arindam Majumder     Shivay Lamba     Astrodevil

Arindam Majumder  ·  Shivay Lamba  ·  Amitesh Anand

Bei Fragen, Anregungen oder Beiträgen können Sie sich gerne an die Maintainer wenden.

Star History Chart

HagiCode

HagiCode ist ein agentischer Coding-Arbeitsplatz. Vielseitige, komfortable Interaktionen in der Benutzeroberfläche machen Planung, Agent-Ausführung und Projektarbeit zugänglich und leicht nachvollziehbar – für ein ansprechendes Entwicklungserlebnis.

Entdecken Sie ein ansprechendes Entwicklungserlebnis mit vielseitigen, komfortablen Interaktionen in der Benutzeroberfläche.

HagiCode besuchenDokumentation lesen
  • IntelligentOpenSpec-Workflows machen aus einer Absicht einen umsetzbaren Weg vom Vorschlag über Design und Aufgaben bis zur Auslieferung.
  • EffizientMulti-Agent-Ausführung führt Recherche, Umsetzung und Prüfung parallel aus, über mehrere Repositories und die Agent CLIs, die Sie bereits nutzen.
  • InteressantVielseitige, komfortable Interaktionen in der Benutzeroberfläche machen Planung, Agent-Ausführung und Projektarbeit zugänglich und leicht nachvollziehbar.

Für Windows herunterladen

Im Microsoft Store erhaltenAlle Downloads

Aus Ideen wird ausgelieferte Software.

HagiCode ist ein agentischer Coding-Arbeitsplatz: OpenSpec-Workflows planen die Änderung, Multi-Agent-Ausführung setzt sie um, und Hero Scenario macht den langen Weg sichtbar, bis aus der Idee ausgelieferte Software wird.

Intelligent
OpenSpec-Workflows machen aus einer Absicht einen Weg vom Vorschlag bis zur Auslieferung.
Effizient
Multi-Agent-Ausführung treibt Recherche, Umsetzung und Prüfung parallel voran.
Unterhaltsam
UI-Interaktionen erleichtern Planung, Agent-Ausführung und Projektarbeit.

Awesome Site verlassen?

Du bist dabei, eine externe Website aufzurufen. Wir haben keine Kontrolle über deren Inhalte oder Datenschutzpraktiken.

Ziel

Zur Website wechseln