Awesome LLM Apps
https://github.com/Shubhamsaboo/awesome-llm-apps 바로가기
이 프로젝트는 다양한 대규모 언어모델(LLM)을 활용한 애플리케이션들을 모아놓은 선별 컬렉션입니다. 이 저장소는 RAG(검색 증강 생성), AI 에이전트, 다중 에이전트 팀, MCP(마이크로소프트 컨슈머 프로토콜), 목소리 기반 에이전트 등 여러 기술을 결합한 다양한 활용 사례를 포함하고 있습니다.
목적은 사용자가 실용적이고 창의적인 LLM 기반 애플리케이션 활용법을 발견하고, 오픈소스 프로젝트에 기여하며 학습하는 데 도움을 주는 것입니다.
이 프로젝트는 모델 원천(OpenAI, Anthropic, Google, DeepSeek, Qwen, Llama 등)과 다양한 기능별 에이전트(예: 블로그를 팟캐스트로 전환, 의료 영상 분석, 금융 투자 코치, 게임 플레이 등)를 포함한 여러 구조의 애플리케이션으로 구성되어 있습니다. 각각은 별도의 디렉터리와 README.md를 통해 설명되고 있으며, API 연동, CLI, 스키마 등 다양한 구성요소들이 존재합니다.
주로 개발자, 연구자, AI 실무자들이 대상이며, 예를 들어 GPT, Llama 등의 모델을 활용하거나 로컬에서 오픈소스 모델을 구동하는 방법, 다양한 튜토리얼, 애플리케이션 배포 등을 학습하거나 실험할 수 있습니다. 사용 기술 스택은 Python, OpenAI SDK, 관련 오픈소스 모델, API 연동 기술 등을 포함하고 있습니다.
최근 업데이트는 여러 AI 에이전트와 튜토리얼, 예제들이 지속적으로 추가되고 있으며, 특히 기존 애플리케이션 확장과 신규 멀티 에이전트, 영상 인식, 웹 스크래핑, 메모리 활용 등에 대한 개발이 활발히 진행되고 있습니다. 이외에도 LLM 미세 조정 튜토리얼과 다양한 활용 튜토리얼, 프로젝트 기여 가이드 등을 제공하여 오픈소스 커뮤니티 참여를 장려하고 있습니다.
특이사항으로, 오픈소스 모델과 API를 자유롭게 연동하여 로컬 환경에서도 실행 가능하며, 각각의 애플리케이션에 대한 상세 설치 방법과 튜토리얼이 포함되어 있어 실험과 확장이 용이합니다. 기여 방법 및 라이선스, 참고 링크는 GitHub 저장소의 문서에서 확인할 수 있습니다.
awesome
https://github.com/sindresorhus/awesome 바로가기
이 프로젝트인 ‘awesome’은 다양한 기술, 플랫폼, 프로그래밍 언어, 개발 도구, 학습 자료, 보안, 데이터베이스, 미디어, 엔터테인먼트 등 여러 분야에 걸친 최고의 오픈소스 목록을 모아놓은 목록(일명 ‘레전드 리스트’)입니다.
주 목적은 개발자와 기술 관련 전문가들이 최신 트렌드와 유용한 도구, 자료들을 쉽게 찾고 활용할 수 있도록 돕기 위함입니다.
이 프로젝트는 GitHub 저장소 형식으로, 마크다운 기반의 리스트와 분류 체계로 구성되어 있으며, 각 항목별로 하위 카테고리와 링크를 포함한 상세 목록이 존재합니다. 구성요소로는 수많은 해당 분야별 링크와 설명, 목차, 사용 기술 스택 목록, 참고 링크 등이 포함되어 있습니다. 커뮤니티 기여를 통해 지속적으로 업데이트되며, 기여 가이드와 리스트 생성 방법도 제공됩니다.
주 대상은 개발자, 오픈소스 애호가, 기술 연구자, 학생, 기술 블로거, 프로젝트 매니저 등 폭넓으며, 다양한 기술 분야의 빠른 정보 습득과 학습, 프로젝트 착수, 자료 참고 등을 목적으로 활용됩니다.
기술 스택은 GitHub의 마크다운(Markdown) 문서 형식을 기본으로 하며, 수많은 외부 링크와 오픈소스 프로젝트들이 인용되어 있습니다. 최근 릴리즈나 변경사항은 명시되어 있지 않으나 커뮤니티의 기여를 통해 지속적 업데이트가 이루어지고 있습니다.
특이사항으로는, 이 리스트는 오픈소스 커뮤니티의 기여로 확장되고 관리되며, 여러 분야의 대표적인 자료와 도구를 망라한다는 점입니다. 참고 링크로는 기여 가이드, 리스트 생성 방법, 관련 앱 링크, 트위터, 공식 웹사이트 등이 제공됩니다. 사용 시 주의사항은 커뮤니티 기여를 통해 갱신되기 때문에, 최신 버전의 내용을 확인하는 것이 좋으며, 리스트 내 개별 프로젝트별 라이선스와 사용 조건을 반드시 검토할 필요가 있습니다.
Chili3D
https://github.com/xiangechen/chili3d 바로가기
Chili3D는 온라인 기반의 웹 브라우저에서 작동하는 3D CAD(컴퓨터 지원 설계) 애플리케이션으로, 사용자가 별도의 설치 없이 모델링과 편집, 렌더링이 가능하도록 설계된 오픈소스 프로젝트입니다.
이 프로젝트의 주 목적은 강력하고 직관적인 3D 설계 도구를 온라인 환경에서 제공하는 것으로, OpenCascade의 WebAssembly 컴파일과 Three.js를 통합하여 높은 성능과 사용자 경험을 구현하고 있습니다.
주요 기능은 다양한 모델링 도구를 제공하는 것으로, 기본 도형 생성(박스, 원기둥, 구 등), 2D 스케치, 복합 연산(합집합, 차집합, 교집합), 돌출, 회전, 스윕, 오프셋 등입니다. 또한, 정밀한 작업을 위해 GNSS, 오브젝트 스냅, 작업평면 스냅, 트래킹 기능, 변형 도구(모서리 깎기, 필렛, 자르기, 이동, 회전), 측정 도구, 문서 관리(불러오기, 저장, 수많은 표준 파일 포맷 지원) 등을 포함하고 있습니다.
기술 스택으로는 프론트엔드에 TypeScript와 Three.js, 백엔드 및 컴파일러에는 WebAssembly와 OpenCascade, 빌드 도구로는 Rspack을 사용하며, 테스트는 Jest로 수행됩니다. 프로젝트는 초기 개발 단계로, 핵심 API 및 기능들이 활성 개발 중이며, 지속적으로 업데이트되고 있습니다.
사용 대상은 3D 모델링을 필요로 하는 엔지니어, 디자이너, 개발자 등으로, 특히 온라인에서 손쉽게 3D CAD 도구를 사용하고자 하는 사용자들을 위해 설계되었습니다. 개발자는 GitHub에서 소스코드를 기여하거나 버그를 보고할 수 있으며, 프로젝트는 AGPL-3.0 라이선스 하에 배포되고 있습니다. 공식 홈페이지와 GitHub 저장소를 통해 접속할 수 있으며, WebAssembly 빌드와 관련한 설치 및 개발 가이드도 제공됩니다.
self-llm
https://github.com/datawhalechina/self-llm 바로가기
이 프로젝트는 중국어 사용자와 국내 초기 학습자를 위한 오픈소스 대형 언어모델(LLM) 학습 및 활용 가이드로, Linux 플랫폼 기반의 환경 설정, 오픈소스 LLM 배포, 사용 방법, 미세 조정(微调) 기술 등을 종합적으로 제공하는 튜토리얼 형태의 전체 가이드입니다.
그 목적은 누구나 쉽게 오픈소스 대형 언어모델을 배포하고 활용할 수 있도록 지원하는 것이며, LLaMA, ChatGLM, InternLM, Qwen, Llama 등 다양한 모델을 포함하고 있습니다. 구성요소로는 환경설정 가이드, 배포 및 호출 튜토리얼(커맨드라인, 온라인 데모, LangChain 프레임워크 연동), 미세 조정(LoRA, 분산 미세 조정 등), 그리고 모델별 지원 리스트가 포함됩니다.
주요 대상은 API 접근권이 없는 일반 사용자, 장기적으로 저비용 대규모 모델 활용을 원하는 연구자와 학생, 맞춤형 도메인 특화 LLM 구축 희망자이며, 학습 우선순위는 환경 설정 → 배포 및 사용 → 미세 조정 순입니다.
최신 버전 정보로는 여러 대표 모델의 배포, 미세 조정, 평가, Docker 이미지 제공 등 다양한 To-Do 리스트가 포함되어 있으며, 공동 참여와 기여를 장려하는 오픈소스 문화가 강조됩니다. 특히, 중국어 자연어 처리 및 모델 활용의 진입 장벽을 낮추고, 오픈소스 LLM의 민주화와 체계적 학습을 목표로 하는 것이 핵심입니다.
참고 링크와 참고 사항으로는 ‘Happy-LLM’, ‘Tiny-Universe’, ‘so-large-lm’ 또는 ’llm-universe’ 프로젝트 등과 연계 가능하며, 기초 환경설정 및 모델 다운로드 방법, 문제 제출(issues), 기여 가이드도 상세히 안내되어 있습니다.
youtube-transcript-api
https://github.com/jdepoix/youtube-transcript-api 바로가기
이 프로젝트는 파이썬 기반으로 유튜브의 영상 자막(Transcript)을 쉽게 가져올 수 있는 API입니다.
기본적으로 특정 영상의 자막 데이터를 요청하면, 자동생성 또는 수동 제작 자막을 포함하여 다양한 언어의 자막을 조회하고, 번역하거나 포맷팅할 수 있습니다. 주요 기능에는 유튜브 영상의 자막 목록 조회, 특정 언어 자막 요청, 자동 번역, 수동/자동 자막 구별, 여러 포맷(SDL, JSON, SRT 등)으로 변환 등이 포함됩니다.
구조는 YouTubeTranscriptApi 클래스와 Formatter 서브모듈로 구성되며, API 요청은 requests 라이브러리의 세션을 이용합니다. 클라이언트는 CLI와 파이썬 코드 내부에서 사용할 수 있습니다.
최근 변경사항으로는 다양한 형식의 포맷터 지원 확장, proxy 및 IP 차단 우회 기능 추가, 여러 언어 지원 강화, 인증 방식(쿠키 인증 등) 관련 업데이트가 있었습니다.
이 프로젝트는 웹 스크레이핑 방식에 의존하므로 유튜브 API 변경이나 차단 정책에 민감하며, 프록시 사용과 IP 회전 전략이 권장됩니다. 또한, 별도의 프로바이더(Webshare 등)를 이용한 프록시 설정 및 커스텀 포맷터 구현도 지원하여 활용성을 높이고 있습니다. 깃허브 주소와 라이선스는 MIT로, 오픈소스 기여에 열려 있습니다.
AI Agents for Beginners - A Course
https://github.com/microsoft/ai-agents-for-beginners 바로가기
이 프로젝트는 초보자를 위해 AI 에이전트를 구축하는 기본 개념과 실습을 제공하는 온라인 강좌입니다.
총 11개의 강좌로 구성되어 있으며 각 강좌는 AI 에이전트의 개념, 설계 패턴, 프레임워크, 도구 사용법, 신뢰성 확보, 운영 등 다양한 주제를 다룹니다. 강좌 별로 상세한 설명서, 코드 샘플, 영상 자료, 추가 학습 링크가 제공되어 학습자가 체계적으로 AI 에이전트를 배우도록 돕습니다.
이 프로젝트는 Azure AI Foundry와 GitHub Model Catalogs를 활용하며, Semantic Kernel, AutoGen 등 Microsoft의 AI 프레임워크와 서비스를 지원합니다. 또한 다국어 지원(영어, 중국어, 일본어, 한국어, 스페인어 등)이 포함되어 있어 글로벌 학습자를 배려합니다.
최근 릴리즈 및 업데이트 내역은 명확히 기술되지 않았으나, 커뮤니티 기여와 지속적인 업데이트가 이루어지고 있으며, GitHub를 통해 참여와 기여가 가능합니다. 핵심 사용 대상은 AI 개발 초보자, 개발자, 연구자 및 관련 교육기관입니다.
프로젝트를 통해 Generative AI 및 AI 에이전트 개발 기초를 익히고, 실습을 통해 최종 배포까지 경험할 수 있습니다.
deepeval
https://github.com/confident-ai/deepeval 바로가기
deepeval은 오픈소스 기반의 LLM(대형 언어 모델) 평가 프레임워크로, 사용자가 자신의 시스템과 모델 성능을 손쉽게 테스트하고 평가할 수 있도록 설계된 도구입니다.
이 프로젝트의 목적은 다양한 평가 메트릭과 지표를 제공하여 LLM의 출력 품질을 객관적이고 정량적으로 분석하는 것이며, 특히 RAG(검색-기반 생성), 챗봇, AI 에이전트 등의 응용 분야에 적합하게 구성되어 있습니다.
이 프레임워크는 Pytest 유사한 구조를 갖추고 있으며, 로컬 환경에서 LLM의 출력에 대해 G-Eval, Halucination, Answer Relevancy, RAG 관련 지표, Agentic Metric 등 다양한 최신 연구 기반 평가 방법을 사용할 수 있습니다. 또한, 사용자 맞춤형 평가 지표를 구축하거나, Synthetic Dataset을 생성하여 평가에 활용하는 기능도 지원됩니다.
주요 구성 요소로는 API, CLI 명령어 인터페이스, 사용자 정의 테스트 케이스, 평가 메트릭 및 평가 데이터셋 관리 등으로 이루어져 있으며, 다양한 통합 도구(예: LangChain, LlamaIndex, Hugging Face)와 연동할 수 있습니다. 이와 함께, 평가를 자동화하고 지속적으로 개선하는 CI/CD 환경과의 연계, 그리고 평가 셋업 및 종료 후 결과 공유를 위한 클라우드 기반 플랫폼(Confident AI 플랫폼)도 제공되어 있습니다.
기술 스택은 Python을 기반으로 하였으며, 평가 지표는 대부분 로컬에서 실행되도록 설계되어 있어 사용자들이 전용 서버 없이 간편하게 사용 가능합니다. 최근 릴리즈와 업데이트는 공식 GitHub 릴리즈 페이지에서 확인할 수 있으며, 기능 완성도와 안정성을 높이기 위해 지속적으로 발전하고 있습니다.
특이사항으로는, DeepEval 플랫폼과 연동 시 데이터 평가 및 모니터링, Safety Test(Red Team), Benchmarks 평가 등 생태계 전체의 평가와 관리가 가능하며, 사용자 편의성을 고려한 다양한 튜토리얼과 문서가 제공됩니다. 프로젝트는 Apache 2.0 라이선스로 배포돼 자유롭게 활용 가능하며, 커뮤니티 기여와 지속적인 발전이 기대됩니다.
niri
https://github.com/YaLTeR/niri 바로가기
niri는 스크롤 가능한 타일링 방식의 Wayland 컴포지터입니다.
이 프로젝트의 주 목적은 여러 모니터를 효과적으로 관리하며, 무한한 수평 스트립에 열(Column) 형식으로 창들이 배치되는 방식으로, 새 창이 열려도 기존 창의 크기 변경 없이 배치가 유지됩니다.
각각의 모니터는 독립적인 워크스페이스 열을 가지며, 워크스페이스는 수직으로 동적으로 배치되고, 모니터 연결과 해제 시 배치 상태가 유지되도록 설계되었습니다.
주요 기능으로는 스크롤 가능한 타일링, 다이내믹 워크스페이스, 오버뷰(작업환경 줌 아웃), 스크린샷 UI, screencasting 지원, 터치패드 및 마우스 제스처, 윈도우 그룹핑(Tabs), 사용자 지정 레이아웃(Gaps, Border, Struts 등), gradient borders, 애니메이션, 실시간 설정 리로딩 등이 있습니다.
또한, xdg-desktop-portal-gnome을 통한 모니터와 윈도우의 스크린캐스트, 신속한 모니터 재배치, fractional scaling 지원 등 현대적인 기능들을 갖추고 있습니다.
이 프로젝트는 Rust를 사용하여 개발되었으며, 많은 사람들이 일상적으로 사용하며 활발한 커뮤니티를 통해 도움을 받을 수 있습니다. 최근 안정화 상태를 유지하며, Day-to-day 사용에 적합하도록 지속적으로 개선되고 있습니다.
xwayland 지원은 별도 satellite 지원을 통해 가능하며, Proton, JetBrains IDE, Electron 앱, Chromium 등 다양한 프로그램과의 호환성을 확보하고 있습니다.
niri는 PaperWM 등 유사 프로젝트에 영감을 받았으며, 모니터별 독립적 관리와 Scrollable tiling 방식의 구현이 주요 특징입니다. 비디오 데모를 통해 실제 작동 모습을 확인할 수 있으며, 문서화된 설정 가이드와 커뮤니티 지원 채널이 제공되어 사용자 친화적입니다.
최신 기술 트렌드와 유틸리티를 결합하여, 고성능, 유연성, 사용자 정의 가능성을 높인 현대적 Wayland 컴포지터입니다.
all-rag-techniques
https://github.com/FareedKhan-dev/all-rag-techniques 바로가기
이 프로젝트는 복잡한 Retrieval-Augmented Generation (RAG) 기술들을 쉽고 실용적인 방식으로 학습하고 실험할 수 있도록 구성된 오픈소스 자료입니다.
주로 자연어 처리 분야에서 LLM과 문서 검색, 정보 추출, 텍스트 생성 등을 목적에 맞게 활용할 수 있도록, 프레임워크에 의존하지 않고 파이썬 기반의 간단한 구현들을 제공하며 이해도를 높이고자 합니다.
프로젝트는 다양한 RAG 기법들을 각각의 Jupyter 노트북으로 세분화하여 제공하며, 각각의 기법에 대한 설명, 단계별 구현, 예제 코드, 성능 평가, 시각화를 포함하고 있습니다.
기술 스택은 Python, OpenAI API, Nebius AI의 embedding API, NumPy, Matplotlib 등을 사용하며, 최신 릴리즈는 2025년 4월까지 총 20개 이상의 다양한 RAG 기법을 추가해 실습 사례와 연구 자료를 지속적으로 업데이트하고 있습니다.
이로써 사용자들은 자신의 데이터 규모와 목적에 맞는 RAG 기법을 선택하고, 실험하며, 이해를 깊게 할 수 있도록 돕고 있습니다. 또한, PDF 문서 및 멀티모달 영상 자료와 함께, 각각의 기법에 맞는 실습 자료와 평가 방법도 함께 제공됩니다.
사용자는 GitHub에서 레포지토리를 클론하고 필요한 Dependencies를 설치한 후, API 키를 등록하여 노트북을 실행함으로써 쉽게 학습과 실습을 시작할 수 있습니다. 이 프로젝트는 특히 연구자, 개발자, 학생들이 RAG 기술에 대한 이해를 높이고, 다양한 적용 사례를 실험하는 데 유용하게 활용될 수 있으며, 지속적인 업데이트와 기여를 환영합니다.
AI Hedge Fund
https://github.com/virattt/ai-hedge-fund 바로가기
이 프로젝트는 인공지능을 활용한 가상 헤지펀드 시스템의 개념증명(Proof of Concept)으로, 교육 및 연구 목적에 초점을 맞추고 있습니다.
본 시스템은 여러 유명 투자 전략가(에이전트)들이 함께 작동하며, 각 에이전트는 특정 투자 철학과 분석 기법을 기반으로 가상 거래 결정을 내립니다.
전체 시스템은 AI 및 시장 데이터 분석, 가치평가, 심리 분석 등 다양한 기능을 제공하며, 최종적으로 포트폴리오 관리자가 거래 신호 및 결정을 내리도록 설계되어 있습니다.
이 프로젝트의 기술 스택은 Python 언어와 Poetry 또는 Docker를 활용한 환경 구성을 기반으로 하며, OpenAI API, Groq, 금융 데이터 API 등을 통해 다양한 AI 모델과 금융 데이터에 접근합니다.
사용자는 실시간 거래 대신 시뮬레이션을 통해 전략 검증과 실험을 할 수 있으며, 백테스팅 기능도 제공됩니다. 최근 변경 이력은 구체적으로 언급되어 있지 않지만, 시스템 설계와 환경 설치 방법, 실행 방법 등이 상세히 안내되어 있습니다.
이 프로젝트는 주로 AI 연구자, 금융 연구자, 알고리즘 트레이더, 대학 연구실 등을 대상으로 하며, 실제 거래가 아니므로 투자 조언이나 보장을 제공하지 않는다는 디클레이머(Disclaimer)가 명시되어 있습니다.
주요 참고 링크는 GitHub 저장소와 API 제공처, 그리고 사용법 및 가이드 문서가 포함되어 있습니다.
시스템 사용 시 API 키 등의 API 연동 정보를 반드시 정확히 입력해야 하며, 환경 변수 또는 Docker 구성 파일 수정이 필요합니다.
전체적으로 인공지능을 활용한 가상 투자 전략 개발과 실험을 목적으로 하는 교육용 프로젝트입니다.