Awesome LLM Apps
이 프로젝트는 다양한 대규모 언어 모델(LLM)을 활용한 앱들을 추천하고 모아놓은 컬렉션입니다. 목적은 LLM을 활용하는 실용적이고 창의적인 애플리케이션들을 소개하여 개발자와 연구자들이 쉽게 참고하고 활용할 수 있도록 돕는 데 있습니다. 제공하는 기능은 OpenAI, Anthropic, Google, 오픈소스 모델 등 여러 모델을 기반으로 하는 애플리케이션 모음, 프레임워크, 튜토리얼, 예제들을 포함하며, RAG, AI 에이전트, 멀티 에이전트 팀, Voice Agents, MCP 등 다양한 구조와 기술을 활용하는 앱들이 포함되어 있습니다. 구조적으로는 여러 카테고리별 폴더와 예제 프로젝트, 튜토리얼 문서들이 있으며, 이를 통해 실습과 개발이 용이하도록 설계되어 있습니다. 대상 사용자는 AI 연구자, 개발자, 데이터 과학자, AI 애플리케이션 제작자 등이며, 예를 들어 PDF, Gmail, YouTube 등 특정 도메인과의 통합 또는 복수 에이전트, 멀티 모달, Memory 활용 앱들이 대표 유스케이스입니다. 기술 스택으로는 Python, LLM API, OpenAI SDK, open-source LLMs, RAG 기술, web scraping, Voice SDK 등 다양한 인프라와 라이브러리를 활용하고 있습니다. 최근 업데이트는 여러 AI 에이전트, 튜토리얼, 예제 프로젝트들이 추가되었으며, 리포지토리 관리와 기여 방법이 상세히 안내되어 있습니다. 참고 사항으로는 다양한 애플리케이션 예제가 공개되어 있어, 자신만의 맞춤형 LLM 앱 개발과 연구에 유용하며, 꾸준한 업데이트와 커뮤니티 참여를 독려하고 있습니다.
awesome
이 프로젝트는 ‘awesome’ 리스트로 알려진 기초 및 참고 자료를 모아놓은 데이터 모음집입니다. 다양한 기술 분야, 플랫폼, 도구, 프로그래밍 언어, 개발 프레임워크, 데이터베이스, 인공지능, 보안, 하드웨어, 게임, 콘텐츠 관리 시스템 등 광범위한 주제를 포괄하는 수천 개의 하이퍼링크된 항목들을 제공하여 개발자와 기술 관심자들이 유용한 자료를 찾기 쉽게 설계되어 있습니다. 구조적으로는 각 분야별로 섹션이 구분되어 있으며, 각각의 항목은 관련 주제 또는 도구의 깊이 있는 리스트와 설명이 포함되어 있습니다. 이 리스트는 오픈소스 커뮤니티에 의해 유지 보수되며, 사용자들이 기여할 수 있는 가이드 및 문서, 관련 링크도 포함되어 있습니다. 기술 스택은 특정 기술에 한정되지 않고, 웹, 모바일, 서버, 데브옵스, 클라우드, 인공지능 등 현대 소프트웨어 개발과 관련된 거의 모든 기술 분야를 포괄합니다. 최근 변경 및 업데이트 내역은 명시되어 있지 않으나, 지속적인 커뮤니티 기여로 최신 상태를 유지하는 패턴입니다. 참고로, 여러 분야와 관련 자료에 대한 폭넓은 링크와 설명으로 인해 초보자부터 전문가까지 다양한 사용자층이 대상입니다. 사용 시에는 각 링크를 통해 상세 내용을 확인하고, 기여 가이드에 따라 새로운 항목 또는 업데이트를 제안하거나 수정할 수 있습니다.
Chili3D
Chili3D는 웹 기반 3D CAD(컴퓨터 지원 설계) 애플리케이션으로, 온라인에서 모델링, 편집, 렌더링 기능을 제공하는 오픈소스 프로젝트입니다. 이 프로젝트는 사람이 컴퓨터에 설치하지 않고도 사용할 수 있도록 설계되어 있으며, Typescript와 WebAssembly를 활용하여 거의 네이티브 수준의 성능을 구현합니다. 핵심 기능으로는 다양한 모델링 도구, 정밀 스냅 및 트래킹, 편집 도구, 측정 도구, 문서 관리 기능이 있으며, OpenCascade의 WebAssembly 포팅과 Three.js를 결합하여 강력한 3D 모델링 환경을 제공합니다. 프로젝트는 초기 단계이기 때문에 핵심 API와 기능이 계속 개발 중이며, Industry-standard 포맷(STEP, IGES, BREP)과의 호환성, 멀티언어 인터페이스 지원(현재는 중국어 및 영어), 그리고 사용자 친화적인 UI를 특징으로 합니다. 기술 스택으로는 TypeScript, Three.js, OpenCascade(WASM), Node.js, npm이 사용되고 있으며, 건설 및 모델링 분야, 온라인 설계 도구, 교육 목적 등 다양한 유스케이스에서 활용될 수 있습니다. 현재는 알파 단계로, 기능 추가와 안정화, 문서 개선이 진행 중에 있으며, 기여는 깃허브를 통해 가능합니다. 라이선스는 GNU Affero GPL v3.0을 따르고 있습니다.
self-llm
이 프로젝트는 오픈소스 대형 언어모델(LLM) 활용 가이드로, 국내 초보자들이 Linux 플랫폼에서 오픈소스 대모델을 쉽고 효과적으로 배포, 사용, 미세조정할 수 있도록 돕기 위한 종합 튜토리얼입니다. 목표는 일반 사용자와 연구자가 오픈소스 LLM을 환경 구성부터 배포, 활용, 미세조정까지 전 과정을 익혀 누구나 손쉽게 자신만의 모델을 만들고 응용하는 데 있습니다. 이 프로젝트는 Linux 기반 환경설정 가이드, LLaMA, ChatGLM, InternLM 등 다양한 대표 모델의 배포 및 사용법, 명령어 호출법, 온라인 데모, LangChain 프레임워크와 연동하는 법, 그리고 분산 또는 LoRA, P-tuning을 활용한 고효율 미세조정 방법 등을 포함합니다. 기술 스택은 Python, Linux 환경, Hugging Face, ModelScope, Docker, LangChain 등이며, 최근에는 여러 대표 모델의 배포, 평가, 미세조정 방법이 업데이트 되었으며, 사용 초보자부터 심화 학습자까지 폭넓은 대상이 활용할 수 있도록 풍부한 예제와 단계별 설명이 제공됩니다. 또한, 기여자들이 언제든 Issue 제기와 PR 제출을 통해 함께 문서와 코드의 품질을 높일 수 있으며, 글로벌 커뮤니티와 협력하는 과정에서 오픈소스 대모델의 활용을 촉진하고 더 많은 사람에게 접근성을 제공하는 것을 지향합니다. 참고 링크에는 여러 모델의 배포 사례, 미세조정 튜토리얼, 환경설정 방법론, 그리고 관련 프로젝트 링크들이 포함되어 있으며, 적극적인 참여와 학습을 권장합니다.
youtube-transcript-api
이 프로젝트는 파이썬으로 작성된 유튜브 자막(트랜스크립트) 가져오기 API입니다. 사용자들이 특정 유튜브 영상의 자막을 손쉽게 추출할 수 있도록 목적으로 만들어졌으며, 수동 및 자동 생성 자막 모두 지원합니다. 기본적으로 영상 ID로 자막을 요청하며, 영어를 기본 언어로 시도하지만 다국어 지원도 가능하고, 번역 기능도 제공합니다. 구조는 ‘YouTubeTranscriptApi’ 클래스를 중심으로 리스트와 상세 트랜스크립트 객체, 포맷터들이 존재하며, API 방식과 CLI 도구 모두 제공하여 프로그래밍용과 커맨드라인 사용자 모두 활용할 수 있습니다. 주요 기술 스택은 파이썬 기반이며, 요청 세션, 프록시 지원, 쿠키 인증 등 네트워크 요청 관련 커스터마이징이 가능하게 설계되었습니다. 최근 릴리즈와 변경사항은 공식 저장소와 최신 릴리즈 노트 참고가 필요하며, 프록시 구성이나 요청 방지 우회, 여러 포맷 지원(JSON, VTT, SRT, CSV 등) 등 부가 기능이 포함되어 있습니다. 또한, IP 차단 방지 목적으로 rotating residential proxy 사용 권장과 독자적인 포맷터 개발, CLI 사용법 안내 등 사용자 편의를 위한 상세 문서와 예제들이 존재합니다. 참고 링크와 기부/후원 방법도 제공되어 프로젝트 유지에 도움을 받을 수 있습니다.
AI Agents for Beginners - A Course
이 프로젝트는 AI 에이전트를 처음 시작하는 사람들을 위한 교육용 강좌입니다. 총 11개의 수업으로 구성되어 있으며, AI 에이전트의 기본 개념, 설계 패턴, 프레임워크, 그리고 실제 적용 사례까지 폭넓게 다룹니다. 이를 통해 수강생은 AI 에이전트의 이해와 함께 실습을 통해 직접 구축할 수 있는 능력을 기를 수 있습니다. 이 자료는 자연어로 설명된 이론 강의, 코드 샘플, 영상, 추가 학습 자료 등을 포함하며, Python 기반으로 Azure AI Foundry와 GitHub Model Catalogs를 활용하여 실습합니다. 강의 내용에는 AI 프레임워크 탐색, 설계 패턴, 신뢰성 확보, 계획 및 멀티 에이전트 전략, 메타인지, 운영 환경에서의 배포 등이 포함됩니다. 구성요소로는 강의별 README 문서, 코드 샘플 폴더, 영상 자료, 그리고 온라인 지원 링크들이 있으며, GitHub Action을 통해 다국어 지원이 자동화되어 있어 다양한 언어로 학습할 수 있습니다. 또한, Azure AI Foundry, Semantic Kernel, AutoGen 등의 Microsoft AI 서비스와 프레임워크를 활용합니다. 이 프로젝트는 AI 및 소프트웨어 개발자, 학생, AI에 관심이 있는 초보자 등 다양한 대상이 활용할 수 있으며, 강좌 수강 후 AI 에이전트 모델을 실무 또는 연구에 적용하는 유스케이스를 기대할 수 있습니다. 최근 릴리즈 및 업데이트는 README 내 링크를 통해 확인 가능하며, 지속적인 내용 보완과 확장, 다양한 언어 지원, 커뮤니티 기여 등을 장려합니다. 프로젝트 참여를 위한 별도 주의사항이나 참고 링크는 공식 GitHub 페이지 및 관련 문서에서 확인할 수 있으며, MIT 라이선스 하에 공개되어 오픈소스 기여도 활발히 이루어지고 있습니다.
deepeval
DeepEval은 오픈소스로 개발된 LLM(대형 언어 모델) 평가 프레임워크로, 사용자가 자신의 머신 환경에서 다양한 평가 메트릭을 활용하여 모델 성능을 테스트하고 비교할 수 있도록 설계되었습니다. 이 프로젝트는 LLM의 출력에 대해 G-Eval, Hallucination, Answer Relevancy, RAGAS 등 최신 연구 기반 지표들을 제공하며, 이를 통해 RAG, 챗봇, AI 에이전트 등 여러 애플리케이션의 성능을 체계적으로 평가할 수 있습니다. 또한, 사용자는 커스텀 메트릭을 생성하거나 synthetic 데이터를 활용한 평가, 다양한 벤치마크 수행이 가능하며, 간편한 CLI와 API 인터페이스를 지원합니다. DeepEval은 Pytest와 유사한 구조로, 엔드투엔드 평가뿐 아니라 시스템 내부 구성요소별 평가도 가능하며, Lazy 평가, 커스텀 트레이스 지원, 다양한 통합 연동(예: Hugging Face, LlamaIndex) 기능들이 포함되어 있어 사용자 맞춤형 평가 환경을 구축할 수 있습니다. 최근 릴리즈와 변경 이력에는 G-Eval, RAG 메트릭 구현, 데이타셋 생성, Red Teaming, 다양한 벤치마크 지원이 포함되어 있으며, 앞으로 DAG 커스텀 메트릭과 가드레일 기능 추가 등이 예정되어 있습니다. 기술 스택으로 Python, NLP 모델, 로컬 평가 인프라를 중점적으로 사용하며, Confident AI 플랫폼과 연동하여 클라우드 기반 평가, 데이터 관리, 성능 모니터링 등의 서비스를 지원합니다. 사용 시에는 API 키 설정, 평가 데이터 준비, CLI 또는 API 호출을 통해 쉽게 평가를 수행할 수 있으며, 우수한 모듈성과 커스터마이징 기능으로 다양한 연구와 산업 현장에 적용 가능합니다.
niri
niri는 무한 확장 가능한 수평 이동형 스크롤링 타일 방식의 Wayland 컴포지터입니다. 이 프로젝트의 주된 목적은 다중 모니터 환경에서 별도의 모니터별 독립적 작업공간 관리와 안정적인 타일창 배치를 제공하는 것입니다. 기능으로는 동적 워크스페이스, 화면 전환 시 애니메이션, 스크린샷 UI, 화면 스크리닝, 제스처 지원, 탭 그룹화, 커스터마이징 가능한 레이아웃, 그래디언트 테두리, 및 실시간 설정 변경 등이 포함됩니다. 구조적으로는 Rust로 작성된 코어 부분과 Wayland 프로토콜을 활용하는 모듈들로 구성되어 있으며, 특히 xdg-desktop-portal-gnome을 통한 모니터와 화면 공유가 지원됩니다. 대상 사용자는 Linux 데스크톱 사용자, 특히 다중 모니터 환경을 사용하는 사용자와 새롭게 커스터마이징 가능한 Wayland 환경을 원하는 개발자, 그리고 성능 최적화와 확장성을 중시하는 사용자입니다. 최신 릴리즈는 사용자 피드백과 성능 향상, 기능 추가를 위해 활발히 업데이트되고 있으며, 특히 2024년 이후 여러 성능 개선과 버그 수정이 이루어지고 있습니다. 기술 스택은 Rust, Wayland 프로토콜, xdg-desktop-portal, GLSL 기반 셰이더, 실시간 구성 리로드 등을 포함하며, 깃허브 README와 문서 페이지에서 추가 설정 방법과 개발자 가이드, 실례 영상 자료를 확인할 수 있습니다. 특이사항으로는 PaperWM에서 영감을 받았으며, 각 모니터별 독립적 타일링 및 과도한 윈도우 배제, 깔끔한 인터페이스, 그리고 다양한 사용자 맞춤형 기능들이 중요한 특징입니다. 관련 문서와 데모 영상, 커뮤니티 지원 채널은 공식 깃허브 페이지 및 Matrix 채팅을 통해 이용 가능합니다.
All RAG Techniques: A Simpler, Hands-On Approach ✨
이 프로젝트는 Retrieval-Augmented Generation (RAG) 기술에 대한 이해와 실습을 돕기 위해 만들어진 오픈소스 자료입니다. 목적은 복잡한 프레임워크 대신 Python과 기본 라이브러리로 구성된 간단하고 직관적인 RAG 구현 방식을 제공하여, 사용자들이 RAG의 작동 원리와 다양한 기법들을 쉽게 배울 수 있도록 하는 데 있습니다. 이 프로젝트는 여러 가지 RAG 기법을 다루는 다수의 Jupyter Notebook으로 구성되어 있으며, 각 노트북은 특정 기술에 대한 설명, 단계별 구현, 코드 예제, 평가 방법, 시각화 자료를 포함되어 있습니다. 예를 들어, 간단한 RAG, 의미적 분할, 컨텍스트 강화, 쿼리 재작성, 리퍼런스 재순위, 그래프 기반 구조화, 하이브리드 검색 등 다양한 기법들이 소개됩니다. 구성 요소로는 텍스트 임베딩을 위한 Nebius AI API와 BAAI 모델, 유사도 계산을 위한 NumPy 기반의 벡터 스토어, 다양한 검색 및 문자열 처리 기법들이 있으며, 최종적으로 OpenAI의 LLaMA 모델과 Nebius AI API를 통해 자연어 생성이 이루어집니다. 또한, 각 기법별 적합성과 성능을 비교 평가하는 내용도 포함되어 있습니다. 이 프로젝트는 AI 연구자, 개발자, 데이터 과학자 등 RAG 및 AI 기반 검색 시스템에 관심 있는 기술자들을 대상으로 하며, 실습과 연구, 커스터마이징, 학습 목적으로 활용될 수 있습니다. 사용 기술 스택은 Python, Nebius AI API, OpenAI API, NumPy, Matplotlib 등입니다. 최근 업데이트로는 2025년 3월에 Reinforcement Learning 기법, 4월에 최고의 RAG 기법 찾기 노트북, 5월에 대용량 데이터 처리 노트북 등이 추가되어 있으며, 총 20개 이상의 다양한 RAG 기법 구현이 이루어졌습니다. 특이사항으로는 프레임워크 의존도가 낮고, 기초부터 차근차근 배울 수 있도록 설계된 교육용 자료라는 점이 있으며, 기여도 적극 환영합니다. 프로젝트의 상세 내용은 GitHub 저장소 및 각 노트북을 참조하면 됩니다.
AI Hedge Fund
이 프로젝트는 인공지능을 활용한 가상 헤지펀드 시뮬레이션 시스템으로, 교훈 및 연구 목적을 위해 설계된 교육용 도구입니다. 다양한 투자 전략가(에이전트)들이 협력하여 시장 분석과 거래 신호를 생성하며, 전체 시스템은 여러 인공지능 에이전트(가치평가, 감정 분석, 기술 분석, 기본 데이터 분석, 성장주, 가치주, 시장 심리 등)와 위험관리 및 포트폴리오 관리 모듈로 구성되어 있습니다. 주요 사용 대상은 금융 연구자, 학생 또는 투자 전략 연구자로, 이들이 인공지능 기반의 의사결정 과정을 실험하고 학습하는 데 적합합니다. 기술 스택에는 Python, Docker, Poetry가 사용되며, OpenAI API, Groq API, Financial Datasets API 등을 활용하여 시장 데이터와 언어모델을 연동합니다. 최근 릴리즈는 명확한 타임라인이 공개되지 않았지만, 시스템은 실시간 트레이딩 시뮬레이션 및 백테스팅 기능을 지원하고, 다양한 API 키 입력을 통해 로컬 또는 클라우드 환경에서 실행할 수 있습니다. 사용 시 주의해야 할 점은 이 시스템이 실제 거래를 수행하는 것이 아니며, 투자 조언이나 수익 보장을 제공하지 않는다는 점입니다. 공식 문서와 소스 코드를 통해 상세 설정 방법과 실행 방법을 안내하며, 깃허브를 통해 기여와 기능 개선이 가능합니다. 중요한 참고 링크는 프로젝트 저장소와 API 제공처가 포함됩니다.