Awesome LLM Apps
이 프로젝트는 다양한 대규모 언어 모델(LLM)을 활용한 애플리케이션들을 모아둔 컬렉션입니다. 목적은 LLM 기반 솔루션의 실용적이고 창의적인 활용 사례를 소개하고, 개발자들이 쉽게 참고할 수 있도록 돕는 것에 있습니다. 이 저장소에서는 OpenAI, Anthropic, Google 및 오픈소스 모델(DeepSeek, Qwen, Llama 등)을 사용하는 애플리케이션들을 다루며, 로컬 환경에서 실행할 수 있는 다양한 앱을 포괄합니다.
기능적으로는 RAG( Retrieval Augmented Generation), AI 에이전트, 멀티 에이전트 팀, MCP(Multi-Cloud/Platform) 연동, 음성 기반 에이전트, 메모리 활용 앱, 자동화된 게임 플레이 에이전트, 웹 크롤링 및 데이터 분석, 챗봇 인터페이스, 파인튜닝 튜토리얼 등 다양한 분야의 LLM 애플리케이션이 포함되어 있습니다.
구조 또는 구성요소로는 각각의 프로젝트별로 별도 디렉터리와 README.md 파일을 통해 설치 방법, 사용법, 기술 스택, 관련 API, CLI, 스키마 패턴 등을 제공하며, 여러 카테고리(예: 스타터 에이전트, 고급 에이전트, 멀티 에이전트 팀, 음성 AI, MCP AI, RAG, 메모리 앱, 채팅 튜토리얼, 파인튜닝 튜토리얼 등)로 분류되어 있어 다양한 사용 사례에 맞춰 선택이 가능합니다.
이 프로젝트의 주요 대상은 AI 개발자, 연구자, 튜터, 엔지니어, 그리고 LLM 기반 애플리케이션 개발에 관심 있는 오픈소스 커뮤니티 멤버들입니다. 실습 예제, 커스터마이징, 협업, 기여를 통해 생태계를 확장하는 것을 목적으로 합니다.
기술 스택에는 Python, OpenAI API, LangChain 등 LLM과 통합하기 위한 다양한 라이브러리, 오픈소스 모델, 클라우드 연동 도구들이 포함됩니다. 최신 릴리즈와 변경 이력은 지속적으로 업데이트되며, 사용자들은 새로운 앱이나 튜토리얼 추가, 버그 수정 등의 기여를 환영받고 있습니다.
특이사항으로는 로컬 실행 가능 앱, 오픈소스 모델 연동 사례, 다양한 도메인별 맞춤 AI 에이전트, 멀티 에이전트 팀 구조, RAG 활용 방법들이 상세히 다뤄지고 있으며, 프로젝트별 상세 설명과 튜토리얼, 기여 가이드라인이 포함되어 있어 이해와 활용이 용이합니다. 참고 링크로는 GitHub 저장소 및 기여 가이드, 관련 튜토리얼 문서가 제공됩니다.
awesome
이 프로젝트는 다양한 기술 분야와 실무 영역에서 유용한 자료들을 모아놓은 ‘에센셜 목록’ 역할을 하는 ‘Awesome List’입니다. 주로 개발자와 기술 관련 종사자들이 참고할 수 있도록 설계되어 있으며, 각각의 분야별, 기술 스택별, 플랫폼별, 도구별 방법론, 프레임워크, 라이브러리, 책, 강좌, 도구, 프로젝트 등을 체계적으로 정리하여 보여줍니다.
이 리스트는 GitHub를 중심으로 오픈소스 커뮤니티에 의해 유지되고 있으며, 카테고리별로 세분화돼 있어 원하는 주제의 자료를 손쉽게 찾을 수 있습니다. 또한, 업데이트 기록과 관련 링크, 기여 가이드 등도 포함되어 있어 커뮤니티 참여와 정보 확장이 활발하게 이루어지고 있습니다.
기술 스택으로는 자바스크립트, 파이썬, 자바, 루비, C/C++, 헤스칼, 스위프트 등 다양한 프로그래밍 언어 및 환경을 포함하며, 프론트엔드와 백엔드, 데이터 과학, 인공지능, 머신러닝, 클라우드, DevOps, 보안, 데이터베이스, 콘텐츠 관리 시스템(CMS), 하드웨어 등 광범위한 주제를 다루고 있습니다. 특히, 최신 트렌드와 도구, 프레임워크들을 빠르게 소개하여 개발자의 학습과 선택에 도움을 주고 있습니다.
최근 릴리즈나 변경 내용으로는 리스트의 꾸준한 확장과 최신 트렌드 반영, 기여 가이드 개선이 계속 진행되고 있습니다. 특이 사항으로는, 전 세계 커뮤니티의 자발적 참여에 힘입어 다양한 분야에서 표현의 폭과 깊이를 더한다는 점이고, 사용자는 자신의 관심 분야에 맞는 ‘에센셜 리스트’를 쉽게 찾아보고, 기여도 가능하다는 장점이 있습니다.
Chili3D
Chili3D는 온라인 브라우저 기반의 오픈소스 3D CAD(컴퓨터 지원 설계) 애플리케이션입니다. 타입스크립트로 개발되었으며, OpenCascade(CAOCT)을 WebAssembly로 컴파일하여 높은 성능을 구현하고, Three.js와 통합되어 실시간 모델링, 편집, 렌더링 기능을 제공합니다. 사용자들이 별도 설치 없이 인터넷 브라우저상에서 정밀한 3D 모델링 작업을 수행할 수 있도록 설계된 것이 목적입니다.
이 프로젝트는 다양한 기능을 제공하는데, 기본 도구로는 기본 도형 생성(상자, 실린더, 구체 등), 2D 스케치 및 복합 연산(합집합, 차집합, 교차), 익스트루전, 리볼루션, 스위핑, 오프셋, 섹션 등 고급 모델링 작업이 포함됩니다. 또한, 정밀한 오브젝트 스냅, 트래킹, 편집(모서리 제거, 필렛, 트림, 이동, 회전 등), 측정 도구, 문서 관리(불러오기, 저장, 표준 포맷 수입/수출), 사용하기 쉬운 인터페이스와 다국어 지원(중국어, 영어)를 지원합니다.
구조 구성요소로는 TypeScript 기반 프론트엔드, Three.js를 활용한 3D 뷰포트, WebAssembly로 컴파일된 OpenCascade 엔진, Rspack 빌드 도구, Jest를 활용한 테스트가 포함되어 있습니다. 활성 개발 단계로, API 변경, 핵심 기능 구현, 문서 보완이 진행 중입니다.
최근 릴리즈와 변경사항은 GitHub의 릴리즈 페이지에서 확인 가능하며, 프로젝트는 활발히 개발 중입니다. 설치 및 개발을 위해 Node.js와 npm이 필요하며, Git으로 프로젝트 클론 후 dependencies 설치와 개발 서버 실행이 가능합니다. 와콤형 오픈소스 프로젝트로, 기초 API는 아직 초기 단계이니, 사용 시 관련 문서와 업데이트를 주시하는 것이 좋습니다. 라이선스는 GNU Affero General Public License v3.0으로, 자유롭게 수정, 배포할 수 있으며, 상업적 사용 시 별도 문의가 필요합니다.
self-llm
이 프로젝트는 오픈소스 대형 언어모델(LLM)을 초보자들이 쉽게 활용할 수 있도록 돕기 위한 중국 내 사용자 맞춤형 튜토리얼과 가이드 모음입니다. Linux 환경에서의 모델 설치, 배포, 미세조정(微调) 등 전체 프로세스를 포괄하며, 대표적 오픈소스 모델인 LLaMA, ChatGLM, InternLM 등을 설치, 실행, 활용하는 방법을 상세히 소개합니다.
주요 구성요소는 환경설정 가이드, 모델 배포 방법(CLI, 웹 데모, LangChain 등 통합), 효율적 미세조정 기법(LoRA, 분산 미세조정, ptuning 등), 그리고 다양한 오픈소스 모델별 튜토리얼과 예제들로 이루어져 있습니다. 대상 이용자는 모델을 직접 운영하거나 체험하고자 하는 학생, 연구자, 엔지니어, 개발자 등이며, 학습 단계는 환경 세팅, 배포 활용, 미세조정 순으로 권장됩니다.
최신 릴리즈 및 계획은 지속적으로 업데이트되어 있으며, 누구나 Issue 또는 PR을 통해 참여할 수 있습니다. 이 프로젝트는 무료 오픈소스이며, 중국어, 영어 버전도 제공하고 있습니다. 타깃 모델 및 프레임워크별 튜토리얼과 실습 예제, 한국어 및 환경설정 도움 자료도 포함되어 있어 다방면으로 활용 가능합니다. 특히, 오픈소스 LLM 입문자와 개발자가 자체 모델 개발 또는 최적화를 위한 실전 지식을 습득하는 데 유용하며, 커뮤니티와의 공동 제작과 공유를 장려하고 있습니다.
youtube-transcript-api
이 프로젝트는 Python 기반의 YouTube 자막(트랜스크립트) 가져오기를 간편하게 하는 API입니다. 유튜브 영상의 수동 또는 자동 생성 자막을 손쉽게 요청할 수 있으며, 여러 언어 지원과 번역 기능도 포함되어 있습니다. API는 영상 ID를 입력받아 자막 데이터를 리스트, JSON, VTT, SRT 등 다양한 포맷으로 출력할 수 있으며, 특정 언어 또는 자막 유형(수동 또는 자동생성)에 따른 필터링도 지원합니다.
네트워크 요청은 헤드리스 브라우저 없이 요청 세션을 활용하며, proxy 설정을 통해 IP 차단 우회 방지 기능도 제공합니다. 최신 릴리즈는 꾸준히 유지보수되고 있으며, IP 차단 우회 기능과 다양한 포맷터, CLI 명령어 지원이 핵심 특징입니다. 기술 스택은 Python 표준 라이브러리와 requests, PyPI 패키지, Proxy 설정을 포함하며, 별도의 promp를 통해 포맷터 확장 또는 VPN/Proxy 활용이 가능합니다.
프로젝트는 오픈소스 기여와 지속적 업데이트를 통해 발전 중이며, 정기적인 테스트와 코드 품질 검사 과정을 거칩니다. 공식 저장소 및 문서 링크(https://github.com/jdepoix/youtube-transcript-api)에서 상세 내용을 확인할 수 있습니다.
AI Agents for Beginners - A Course
이 프로젝트는 초보자를 위한 AI 에이전트 구축 교육 과정을 제공하는 것으로, AI 에이전트의 개념과 활용 사례, 설계 패턴 등을 배우고 실습할 수 있도록 구성되어 있습니다. 총 11개의 강좌로 구성되어 있으며, 각 강좌는 주제에 따른 이론 설명과 함께 Python 코드 샘플, 영상 강의, 추가 학습 자료 링크를 포함하고 있어 사용자들이 단계별로 AI 에이전트 제작 능력을 키울 수 있도록 설계되어 있습니다.
주요 내용에는 AI 에이전트의 기본 개념, 프레임워크 탐색, 설계 패턴, 도구 활용법, 신뢰성 확보, 다중 에이전트, 메타인지, 프로덕션 배포 등 실무에 바로 적용할 수 있는 실습 과제들이 포함되어 있습니다. 기술 스택은 주로 Microsoft의 Azure AI Foundry, Semantic Kernel, AutoGen 등의 서비스와 Python 프로그래밍을 활용하며, 최근 업데이트는 GitHub Actions를 통한 자동화된 최신 버전 유지와 다국어 지원이 가능하도록 구성되어 있습니다.
사용 대상은 AI 개발자 초보자, 학생, 연구자 등이며, GitHub 저장소에서 코드 예제 다운로드와 포크, 스타 요청이 가능하고, 커뮤니티와의 협력도 활발히 이루어지고 있습니다. 주의사항으로는 GitHub 라이선스 정책 준수 및 Microsoft의 상표 사용 가이드라인을 따르는 것이 필요하며, 이외에도 다른 Microsoft 교육 과정과 연계하여 학습을 확장할 수 있습니다.
deepeval
DeepEval은 오픈소스 기반의 LLM(대형 언어 모델) 평가 프레임워크입니다. 이 프로젝트는 개발자가 자신의 LLM 시스템을 손쉽게 평가하고 테스트할 수 있도록 설계되었으며, RAG, 챗봇, AI 에이전트 등 다양한 응용 분야를 지원합니다. DeepEval은 Pytest와 유사하지만, LLM 출력에 특화된 유닛 테스트 기능을 제공하며, 최신 연구를 반영한 G-Eval, Hallucination, Answer Relevancy, RAGAS 등 다양한 평가 지표를 로컬에서 실행할 수 있게 합니다.
주요 구조 구성요소로는 Metrics(평가지표), Test Case(테스트 케이스), Dataset(데이터셋), Trace(컴포넌트 레벨 평가를 위한 트레이싱), 그리고 평가를 자동화하는 CLI 명령어가 포함됩니다. 기술 스택은 Python 기반이며, 다양한 NLP 라이브러리 및 LLM API 연동을 통해 확장성을 갖추고 있습니다.
최근 릴리즈와 변경이력으로는 G-Eval, RAG 및 대화형 평가 지표의 구현, 데이터셋 생성 기능, Red-Teaming 보안 평가 기능이 포함된 업데이트가 있으며, DAG 커스텀 지표와 Guardrails 기능이 앞으로 추가될 예정입니다. 사용자 경험 향상 및 안전 평가를 위해 Confident AI의 플랫폼 연계 지원도 제공하며, 일부 기능은 클라우드 기반 평가 데이터 관리 및 벤치마크 비교도 가능하도록 설계되어 있습니다.
상세 참고문서 및 사용법은 공식 문서 페이지(https://deepeval.com/docs/getting-started)에서 확인할 수 있으며, GitHub 라이선스는 Apache 2.0으로 배포되어 있습니다.
niri
niri는 스크롤 가능한 타일 방식의 Wayland 컴포지터입니다. 이 프로젝트의 주 목적은 여러 모니터를 효율적으로 관리하며, 각각의 모니터마다 독립적인 창 배열과 워크스페이스를 제공하는 것입니다. 창은 무한 스트립 상에서 열(column) 형태로 배치되며, 새로운 창이 열릴 때 기존 창의 크기 변경 없이 열 수 있습니다.
각 모니터는 별도의 워크스페이스 세트를 가지며, 연결 및 분리 시 워크스페이스 위치가 유지됩니다. 기능으로는 동적 워크스페이스, 줌아웃 뷰를 포함한 오버뷰, 내장 스크린샷 UI, screencasting 지원, 터치패드 및 마우스 제스처, 탭 그룹화, 사용자 지정 레이아웃(간격, 테두리, 크기), 그래디언트 테두리(OKlab, OKLCh 지원), 애니메이션 및 커스텀 셰이더, 실시간 설정 재가동 등이 포함됩니다.
구성요소로는 Rust로 작성된 핵심 컴포지터, 사용자 정의 가능한 설정 시스템, 그리고 여러 Wayland 프로토콜(레이어쉘, 감마 제어, 스크린샷 등)을 지원하는 모듈이 존재합니다. xwayland 지원은 별도 설정이 필요하며, xwayland-satellite를 통해 X11 애플리케이션도 사용할 수 있습니다.
이 프로젝트는 일상적으로 사용할 수 있으며, 여러 모니터와 다양한 입력 장치(태블릿, 터치패드, 터치스크린)를 지원합니다. 기술 스택은 Rust, Wayland 프로토콜, 최신 그래픽 및 UI 라이브러리 등을 활용하고 있으며, 지속적인 업데이트와 상세한 문서를 갖추고 있습니다.
특이사항으로는 PaperWM에서 영감을 받은 점, 모니터 간 별도 윈도우 스트립, fractional scaling 지원, 네이티브 Wayland와 xwayland 병행 사용 가능성이 있으며, 커뮤니티 자료와 소개 문서, 가이드도 함께 제공됩니다.
All RAG Techniques: A Simpler, Hands-On Approach ✨
이 프로젝트는 Retrieval-Augmented Generation (RAG) 기술들의 다양한 기법들을 이해하고 실습할 수 있도록 돕는 오픈소스 자료입니다. 목적은 복잡한 RAG 기술들을 간단하고 명확하게 구현하여, 사용자가 기본 원리와 실습 방법을 쉽게 이해할 수 있게 하는 것입니다.
여러 개의 Jupyter Notebook 파일은 각각 특정 RAG 기법에 대한 단계별 구현, 설명, 평가, 시각화를 포함하고 있으며, 프레임워크나 라이브러리에 의존하지 않고 파이썬의 기본 도구와 OpenAI, Nebius AI API를 활용합니다. 텍스트 임베딩, 벡터 검색, 유사도 계산, 텍스트 분할, 검색, 생성 등 핵심 개념들을 중심으로 구성되어 있으며, 다양한 RAG 기법들을 탐구할 수 있습니다.
최근 업데이트로는 지식 그래프 활용법, 최적 RAG 기법 선택, 강화학습 활용 RAG, 빅데이터 처리 기법 등의 노트가 추가되어 있고, 샘플 데이터와 의존성 관리를 위해 requirements.txt와 데이터 폴더가 포함되어 있습니다. 기여는 누구나 가능하며, 자세한 내용은 GitHub 가이드에 따라 코드 개선 및 확장에 참여할 수 있습니다.
AI Hedge Fund
이 프로젝트는 인공지능 기반의 가상 헤지펀드 시스템의 프로토타입으로, 실투자가 아니라 교육 및 연구 목적으로 설계되었습니다. 여러 유명 투자 전략가와 투자자 성향을 모방하는 에이전트들이 협력하여 가상의 트레이딩 결정을 내리는 구조입니다.
시스템은 주식 종목에 대한 예측과 신호를 생성하며, 이를 바탕으로 전략적 투자를 모의실험할 수 있습니다. 기술 스택으로는 Python, Poetry 또는 Docker 환경설정을 사용하며, 최근 릴리즈 및 가이드에는 환경 세팅, API 키 등록, 실행 방법, 백테스트 방법이 포함되어 있습니다. 실투자 대신 시뮬레이션임을 강조하며, 투자 판단에 대한 책임은 지지 않습니다.
구성원은 오픈소스로 공개되었으며, 기여와 수정, 배포는 MIT 라이선스로 허용되어 있습니다.