TRENDSHIFT HISTORY #9 · 2026.05.23 · Shubhamsaboo/awesome-llm-apps

awesome-llm-apps 딥다이브
100+ LLM 앱이 한 레포에

RAG·AI 에이전트·멀티에이전트 팀·MCP·Voice·메모리·파인튜닝 — 10대 카테고리에 걸친 111k★ 컬렉션을 해부한다. agno 프레임워크 한 줄, Streamlit UI, 그리고 "복붙하면 돌아가는 데모" 100개의 설계 원칙.

0프로젝트 한줄 요약

먼저, awesome-llm-apps가 뭔가?

Shubhamsaboo/awesome-llm-apps는 RAG·AI 에이전트·멀티에이전트 팀·MCP·Voice·메모리·파인튜닝 카테고리의 LLM 앱 100개 이상을 한 레포에 모은 큐레이션 + 실행 가능 예제 컬렉션이다. 단순 링크 모음이 아니라, 각 폴더에 app.py·requirements.txt·README.md가 들어 있어서 레포 클론 → cd → pip install → streamlit run 4단계로 데모가 뜬다.

운영자는 인도의 데브렐(DevRel) 출신 Shubham Saboo. 그가 운영하는 뉴스레터 Unwind AI의 콘텐츠 백본 역할을 하는 레포다. 2025년부터 폭발적으로 별을 모아 111k★, 16k fork, GitHub 트렌딩에 62번 올랐다.

용어
RAG (Retrieval-Augmented Generation, 검색 증강 생성)
LLM이 답하기 전에 외부 지식 베이스(벡터 DB·문서·검색엔진)에서 관련 문서를 먼저 가져와 컨텍스트에 붙여서 답하게 만드는 패턴. "오픈북 시험" 같은 것 — 모델은 그대로지만, 책을 옆에 펼쳐주면 훨씬 정확해진다.
용어
AI Agent (AI 에이전트)
LLM이 단순 답변만 하는 게 아니라 도구(검색·계산기·API·코드 실행)를 호출하면서 다단계 의사결정을 하는 시스템. 예: "삼성전자 경쟁사 분석해줘" → 에이전트가 웹 검색 호출 → 결과 요약 → DB 조회 → 리포트 작성 — 사람이 일하는 것처럼 단계별로 진행.
용어
MCP (Model Context Protocol, 모델 컨텍스트 프로토콜)
Anthropic이 2024년 말 공개한 표준. LLM이 외부 도구(GitHub·Notion·Slack 등)와 통신하는 USB-C 같은 규격. 예전엔 도구마다 어댑터 따로 만들어야 했는데, MCP가 표준이 되면서 "한 번 만들면 어디서나" 구조가 가능해졌다.

1왜 주목받는가

트렌딩 상위에 60+번 올라간 이유.

핵심 메시지

"공부하기 좋은 LLM 앱 코드 100개를
한 폴더에 모아두고, 전부 실행 가능하게 만들었다."

대부분의 "awesome-" 레포는 외부 링크 모음이라 누르면 외부 사이트로 흩어진다. 반면 awesome-llm-apps는 소스 코드가 같은 레포 안에 들어 있고, requirements.txt가 같이 있어서 한 번에 따라 할 수 있다. "보고 끝"이 아니라 "복붙하고 돌려보고 끝".

경쟁 컬렉션 대비 차별점

차별점 1 — 실행 가능한 코드

외부 링크가 아니라 같은 레포 안에 소스

비슷한 컬렉션들(예: awesome-langchain, awesome-llm)은 README에 외부 링크만 잔뜩 있다. awesome-llm-apps는 starter_ai_agents/ai_travel_agent/app.py처럼 폴더 안에 코드가 있어서, GitHub 페이지에서 바로 읽을 수 있고 ZIP 다운받아 돌릴 수 있다.

차별점 2 — Streamlit 통일 UI

거의 모든 앱이 Streamlit 단일 파일로

100개 앱이 같은 UI 라이브러리(Streamlit 1.41.1)를 쓴다. streamlit run app.py 한 줄이면 브라우저에 데모가 뜬다. 처음 보는 앱도 5초 안에 실행해서 만져볼 수 있다는 게 큰 차별점.

차별점 3 — agno 프레임워크 표준화

에이전트 코드의 90%가 agno로 통일

옛 이름 Phidata로 알려진 agno 라이브러리가 거의 모든 에이전트 예제의 기반이다. 한 번 agno 패턴을 익히면 100개 앱을 다 읽을 수 있게 된다. "같은 어휘"로 다양한 도메인을 풀어쓴 게 학습 자료로 강력.

차별점 4 — 영역 커버리지

스타터 → 어드밴스드 → 게임 → 멀티에이전트 → MCP → Voice → RAG → 메모리 → 파인튜닝

대부분 컬렉션은 한두 주제(RAG만, 또는 에이전트만)에 몰린다. 여기는 10대 카테고리를 다 커버한다. 입문자가 "다음에 뭘 배우지?"를 결정할 때 지도가 되어준다.

차별점 5 — Unwind AI 뉴스레터와 연동

매주 1~2개 앱이 새로 추가됨

운영자 Shubham Saboo의 뉴스레터 theunwindai.com이 사실상 이 레포의 마케팅 채널이다. 매주 새 트렌드(예: Nano Banana Pro, DeepSeek 출시 직후)에 맞춰 데모 앱이 빠르게 추가된다. "트렌드 따라잡기"용 자료로도 유용.

2기술 스택 전체 지도

앱 100개의 공통 분모.

핵심 프레임워크

LLM 프로바이더

RAG 인프라

도구·검색·웹

MCP 생태계

음성(Voice)

메모리

파인튜닝

스폰서·인프라

※ 2026-05-23 분석 기준. 현재 README에서 TinyFish·Tiger Data MCP 스폰서 섹션이 확인되지 않을 수 있음 (스폰서 계약 변경 가능성).

3아키텍처 심화 분석

개별 앱이 아니라 "레포 전체"가 어떻게 구성됐나.

이 레포의 진짜 가치는 "각 앱이 동일한 패턴을 따른다"는 점이다. 100개 앱이 다 같은 구조라서 한 번 익히면 어디든 적용된다.

개별 앱의 공통 구조

{앱_이름}/
├── README.md            # 무엇을 하는 앱인지 + 실행 방법
├── requirements.txt     # 4~10개 핵심 의존성
├── <앱명>.py            # Streamlit UI + 에이전트 정의 + 메인 루프
│                        # (파일명은 앱마다 다름: travel_agent.py, ai_data_analyst.py 등)
└── (선택) .env.example  # API 키 템플릿

핵심: 한 폴더 = 한 데모. 의존성 충돌이 거의 없고, 다른 앱을 망가뜨릴 일이 없다. 각 폴더가 독립된 가상환경처럼 동작한다.

레포 전체 아키텍처 ASCII

┌─────────────────────────────────────────────────────────────┐
│  awesome-llm-apps (README가 인덱스 역할)                    │
└─────────────────────────────────────────────────────────────┘
       │
       ├── starter_ai_agents/         (12개) — 첫 발 떼는 앱
       │   ├── ai_travel_agent/        ← agno + 검색
       │   ├── ai_data_analysis_agent/ ← agno + DuckDB
       │   └── ...
       │
       ├── advanced_ai_agents/        (40+) — 실전 시나리오
       │   ├── single_agent_apps/      (단일 에이전트)
       │   │   ├── ai_deep_research_agent/
       │   │   ├── ai_health_fitness_agent/
       │   │   └── ...
       │   ├── multi_agent_apps/       (멀티 에이전트)
       │   │   ├── ai_self_evolving_agent/
       │   │   └── agent_teams/        (협업하는 팀)
       │   │       ├── ai_competitor_intelligence_agent_team/
       │   │       ├── ai_finance_agent_team/
       │   │       └── ...
       │   └── autonomous_game_playing_agent_apps/ (게임 AI)
       │
       ├── rag_tutorials/             (20+) — RAG 패턴 모음
       │   ├── corrective_rag/         ← CRAG
       │   ├── agentic_rag_*/          ← 검색을 자율 판단
       │   ├── hybrid_search_rag/      ← BM25 + 벡터
       │   └── knowledge_graph_rag_citations/
       │
       ├── mcp_ai_agents/             (5+)  — MCP 활용
       │   ├── github_mcp_agent/
       │   ├── notion_mcp_agent/
       │   └── multi_mcp_agent_router/
       │
       ├── voice_ai_agents/           (4+)  — 음성 인터페이스
       │   └── voice_rag_openaisdk/
       │
       ├── advanced_llm_apps/         (15+)
       │   ├── llm_apps_with_memory_tutorials/
       │   ├── chat_with_X_tutorials/
       │   ├── llm_optimization_tools/
       │   └── llm_finetuning_tutorials/
       │
       ├── ai_agent_framework_crash_course/
       │   ├── google_adk_crash_course/
       │   └── openai_sdk_crash_course/
       │
       └── awesome_agent_skills/      (20+) — Claude Code 스킬
           ├── academic-researcher/
           ├── code-reviewer/
           └── ...

핵심 설계 패턴 — "최소 의존성 + 데모용 단순화"

설계 패턴 1

단일 파일 (app.py 한 개)

대부분 앱은 app.py 한 파일에 모든 게 들어 있다. 에이전트 정의 + UI + 메인 루프가 한 곳에. 분리 안 하는 게 단점이 아니라 학습용으로는 장점이다. 한 파일을 처음부터 끝까지 읽으면 전체 흐름이 잡힌다.

설계 패턴 2

Streamlit + agno 합체

Streamlit이 "프론트엔드", agno가 "에이전트 백엔드" 역할. 사용자가 st.text_input에 질문을 치면 → agno Agent에 전달 → Agent가 도구 호출하며 응답 → st.write로 출력. 이 패턴이 80% 앱의 뼈대.

"# 의사 코드
agent = Agent(model=OpenAIChat(id='gpt-4o'), tools=[DuckDuckGo()])
user_q = st.text_input('질문')
if user_q:
    st.write(agent.run(user_q).content)"
설계 패턴 3

API 키는 .env가 아닌 사이드바에서 입력

Streamlit 사이드바(st.sidebar.text_input(type='password'))에서 사용자가 API 키를 직접 입력한다. 레포에 .env를 안 넣어도 데모가 돌아간다. 처음 보는 사람이 클론하자마자 키만 붙여넣고 실행 가능.

설계 패턴 4

멀티에이전트는 "역할 페르소나"로 분리

ai_finance_agent_team 같은 팀 앱은 Web Agent(검색 담당) + Finance Agent(YFinance 호출 담당) + Team Lead(둘을 조율) 3개 에이전트로 분리. 각자 다른 시스템 프롬프트 + 다른 도구를 가지고, 팀 리드가 라우팅한다.

비유

멀티에이전트는 회사 조직도와 똑같다. CEO(Team Lead)가 "이 일 해줘"라고 던지면, 검색팀(Web Agent)이 자료 모으고, 분석팀(Finance Agent)이 데이터 뽑고, 보고서팀이 합쳐서 발표. agno가 이 위계 구조를 코드로 직접 표현한다 — team_leader.team = [web_agent, finance_agent].

4디렉토리 구조 해부

각 폴더에 뭐가 있나, 어디부터 봐야 하나.

starter_ai_agents/ — 입문용 12개

처음 본다면 여기부터. 한 파일짜리 데모가 12개. 외부 API도 단순한 것만 쓴다.

advanced_ai_agents/single_agent_apps/ — 어드밴스드 단일

단일 에이전트지만 도구·메모리·상태가 복잡한 앱들.

advanced_ai_agents/multi_agent_apps/ — 협업하는 팀

여러 에이전트가 역할을 나눠 일하는 본격 멀티에이전트.

advanced_ai_agents/multi_agent_apps/agent_teams/ — "에이전트 팀"

역할 분리가 명확한 팀형 앱.

rag_tutorials/ — RAG 패턴 박물관

RAG의 진화 과정이 폴더 이름에 그대로 담겨 있다.

mcp_ai_agents/ — MCP 통합 예제

voice_ai_agents/ — 음성

advanced_llm_apps/ — 메모리·Chat with X·최적화·파인튜닝

ai_agent_framework_crash_course/ — SDK 강의

awesome_agent_skills/ — Claude Code 스킬 모음

이 폴더가 가장 최근에 추가된 영역. Claude Code의 SKILL.md 표준에 맞춘 20+개 스킬.

5학습 포인트 (기술별)

각 기술에서 배울 점 + 실습 아이디어.

학습 1 — agno 프레임워크

Agent · Tools · Team 3개 클래스만 익히면 끝

agno의 API는 매우 단순하다. Agent(LLM + 도구 + 지시문), Tool(함수에 @tool 데코레이터), Team(Agent의 리스트 + 리더)이 거의 전부. 100개 앱이 이 3개로 다 만들어진다. 한 앱 deep-read만 하면 다른 99개를 빨리 읽을 수 있다.

실습: starter_ai_agents/ai_travel_agent/app.py를 한 줄씩 주석 달면서 읽기. 그다음 agent_teams/ai_finance_agent_team로 넘어가 team 패턴 확장 비교.

학습 2 — Streamlit 패턴

Python 함수로 UI를 짠다는 게 어떤 느낌인지

HTML/CSS/JS 안 만져도 챗봇·대시보드·폼이 다 만들어진다. st.session_state로 상태 관리, st.chat_message로 채팅 UI, st.sidebar로 설정 패널. 데이터 사이언티스트·연구자가 PoC를 빨리 만들 때 황금 도구.

실습: ai_data_analysis_agent/app.py의 Streamlit 구조 파악. st.file_uploader로 CSV 받고 → DuckDB에 등록 → 자연어 질의 → 결과 표시 흐름.

학습 3 — RAG 진화사

rag_tutorials/ 폴더가 RAG 교과서

RAG 1년 진화를 한 폴더에서 추적 가능. 단순 RAG → CRAG(자체 평가) → Agentic RAG(자율 판단) → Hybrid → Vision → Graph. 각 단계마다 "왜 이게 부족했나"가 명확해서 진화 동기를 이해하기 좋다.

실습: rag_chain → corrective_rag → agentic_rag_with_reasoning 순서로 3개 앱 비교 읽기. 검색 제어권이 어떻게 LLM 쪽으로 이동하는지 본다.

학습 4 — 멀티에이전트 디자인

"역할 분리 → 라우팅 → 종합" 3단 패턴

혼자 푸는 큰 문제를 작은 역할로 쪼개고, 리더가 라우팅하고, 결과를 합친다. 마이크로서비스 아키텍처와 닮았다. CrewAI·LangGraph·AG2·agno Team이 같은 문제를 다른 추상화로 푼다.

실습: 같은 도메인(예: 경쟁사 분석)을 agno Team과 CrewAI로 각각 구현해보고 코드 길이·복잡도 비교.

학습 5 — MCP 활용

"한 번 만들고 어디서나" 도구 표준

예전엔 GitHub 도구를 LangChain용·LlamaIndex용·OpenAI Tool용 따로 만들어야 했다. MCP는 그걸 표준화해서 한 번 짜면 어디서나 작동. multi_mcp_agent_router가 라우팅까지 보여준다.

실습: github_mcp_agent를 클론해서 직접 GitHub 토큰 넣고 돌려보기. 다음으로 자기 회사 도구용 MCP 서버 직접 작성.

학습 6 — 음성 에이전트

OpenAI Realtime API의 풀체인

음성 → STT → LLM → TTS → 음성 4단계가 1초 안에 일어나는 파이프라인. 콜센터·음성 비서 만들 때 베이스라인 코드.

실습: voice_rag_openaisdk로 자기 PDF에 대해 음성으로 질문해보기. STT/TTS 지연이 체감되는 부분 측정.

학습 7 — 토큰 비용 최적화

TOON 포맷 · Headroom 압축

llm_optimization_tools가 실전적이다. JSON 대신 TOON(Token-Oriented Object Notation)으로 입력을 압축해 30~60% 토큰 절감. Headroom은 컨텍스트의 중복 부분을 자동 압축해 50~90% 절감.

실습: 자기가 자주 보내는 프롬프트를 TOON으로 바꿔보고 토큰 카운트 비교.

학습 8 — Claude Code 스킬 작성

awesome_agent_skills/ 폴더가 스킬 작성 교본

20+개 SKILL.md 예제가 같은 디렉토리에. 도메인별로 어떻게 트리거 기술을 쓰는지, references/·assets/ 구조 어떻게 만드는지 모범 사례 모음.

실습: 자기 업무용 스킬(예: 회사 보고서 요약)을 만들어볼 때 code-reviewer·technical-writer 폴더를 참고로.

6하드웨어/시스템 요구사항

뭘 갖춰야 다 돌릴 수 있나.

최소 요구사항 (클라우드 LLM 기반 앱)

권장 (로컬 LLM·임베딩 함께)

파인튜닝 앱 전용 (gemma3_finetuning · llama3.2_finetuning)

외부 서비스 (앱별로 필요)

함정
"100개 앱 다 돌리기"는 비현실적

각 앱마다 외부 API 키가 필요하고, 단순 합산으로도 월 수십 달러. 본인 관심 카테고리에서 3~5개만 골라 깊게 파는 게 효율적. 100개 README만 훑고 그 중 흥미로운 거 위주로.

해결책
"무료 티어 친화" 앱부터

OpenAI 무료 크레딧 + Google Gemini 무료 + DuckDuckGo 검색(키 불필요)로 돌아가는 앱: ai_travel_agent, ai_data_analysis_agent, xai_finance_agent, chat_with_pdf. 이 4개로 시작해서 익숙해진 후 유료 API 확장.

7직접 해볼 수 있는 실습 과제

난이도별 5개 — 1번부터 순서대로.

실습 1 — ⭐ 입문

ai_travel_agent를 한국 여행지 버전으로

starter_ai_agents/ai_travel_agent/app.py를 클론하고, 프롬프트를 "한국 국내 여행" 위주로 바꾼다. 검색 도구는 그대로 DuckDuckGo. 30분 안에 완성 가능. 결과: 지역 입력 시 한국어로 일정 짜주는 미니 챗봇.

학습 포인트: agno Agent 인스턴스화, 시스템 프롬프트가 결과에 미치는 영향, Streamlit UI 5줄 작성.

실습 2 — ⭐⭐ 초중급

chat_with_pdf 클론 + 한국어 임베딩 교체

advanced_llm_apps/chat_with_X_tutorials/chat_with_pdf를 베이스로, 기본 OpenAI 임베딩을 한국어 친화 임베딩(BGE-M3 또는 ko-sbert)으로 교체. PDF를 자기 회사 매뉴얼·논문으로 넣고 한국어 질의 정확도 측정.

학습 포인트: 임베딩 모델 교체가 검색 품질에 어떻게 영향 주는지 체감. 벡터 DB(Chroma) 직접 다루기.

실습 3 — ⭐⭐⭐ 중급

"내 GitHub 레포 분석 에이전트" 직접 만들기

mcp_ai_agents/github_mcp_agent를 출발점으로, 자기 GitHub 계정에 연결. "최근 한 달간 가장 활발한 레포는?", "닫히지 않은 이슈 중 우선순위 매겨줘" 같은 질의를 한국어로 처리하도록 시스템 프롬프트 작성.

학습 포인트: MCP 서버 연동, GitHub API 토큰 관리, 시스템 프롬프트 엔지니어링.

실습 4 — ⭐⭐⭐⭐ 고급

멀티에이전트 팀을 "내 도메인"에 적용

agent_teams/ai_competitor_intelligence_agent_team를 본인 업무 도메인에 적용. 예: 부동산 시장 분석 팀(시세 크롤러 + 동향 분석가 + 보고서 작성가). agno의 Team 클래스로 3개 에이전트 역할 분리.

학습 포인트: 멀티에이전트의 라우팅·종합 단계, 각 에이전트 시스템 프롬프트의 효과적 분할, 도구 분배 전략.

실습 5 — ⭐⭐⭐⭐⭐ 최고급

Gemma 3를 한국어 데이터셋으로 파인튜닝 → 자기 앱에 통합

llm_finetuning_tutorials/gemma3_finetuning 노트북을 Colab Pro에서 실행. 한국어 instruction 데이터셋(KoAlpaca·KuLLM)으로 파인튜닝. 결과 모델을 Ollama로 로드해서, 위 실습 1~4 앱들에서 OpenAI API 자리에 끼워넣기.

학습 포인트: Unsloth + LoRA 워크플로, 4bit 양자화, GGUF 변환, 로컬 추론 통합. 전체 풀스택 경험.

8관련 기술 심화 학습 로드맵

8주 커리큘럼 (주당 약 5시간).

1주차

agno + Streamlit 기초

레포 클론 → starter_ai_agents의 12개 README 훑기 → 3개 직접 실행. agno 문서(docs.agno.com) 읽기. 목표: Agent · Tool · 시스템 프롬프트의 관계 이해.

2주차

RAG 기초 → CRAG

rag_chain → autonomous_rag → corrective_rag 순서. 벡터 DB는 Chroma로 통일. 목표: 임베딩·청크·리트리벌·재순위(rerank)의 4단계 이해.

3주차

Agentic RAG · Hybrid Search

agentic_rag_with_reasoning + hybrid_search_rag. 검색 전략을 LLM이 직접 결정하는 패턴. 목표: BM25(키워드)와 벡터(의미)의 보완 관계 체감.

4주차

멀티에이전트 — agno Team

ai_finance_agent_team·ai_competitor_intelligence_agent_team 코드 분석. 역할 분리 → 라우팅 → 종합 패턴. 목표: 한 가지 본인 도메인 멀티에이전트 PoC 직접 작성.

5주차

멀티에이전트 — CrewAI · LangGraph 비교

ai_services_agency(CrewAI)와 LangGraph 기반 RAG를 비교. 추상화 차이 분석. 목표: 어떤 문제에 어떤 프레임워크가 맞는지 감 잡기.

6주차

MCP · Voice · Memory

mcp_ai_agents 3개 + voice_rag_openaisdk + llm_apps_with_memory_tutorials 2개. 목표: 외부 도구·음성·장기 메모리를 한 에이전트에 합치는 통합 패턴 습득.

7주차

토큰 최적화 + 파인튜닝

TOON 포맷 적용 → gemma3_finetuning 노트북 실행. 목표: 프로덕션 비용 관점 사고. "토큰 = 돈"임을 체감.

8주차

최종 프로젝트 + Claude Code 스킬화

1~7주차 배운 걸 종합해서 "내 도메인 멀티에이전트 + RAG + 음성"을 통합한 한 가지 앱 완성. 이걸 SKILL.md 형식으로 변환해 Claude Code 스킬로 publish. 목표: 학습한 게 결과물로 남는다.

9핵심 키워드 사전

레포에 자주 등장하는 용어 정리.

용어
agno (옛 Phidata)
이 레포의 핵심 에이전트 라이브러리. Agent · Tool · Team 3개 클래스로 다양한 에이전트를 만든다. agentos.com에서 호스팅 서비스도 제공.
용어
Streamlit
Python으로 웹 UI를 짜는 라이브러리. st.button()·st.text_input() 같은 함수 호출만으로 화면 구성. 데모·PoC 만들 때 압도적 1위. 100개 앱이 거의 다 이걸 씀.
용어
Tool Calling (도구 호출)
LLM이 답변 중에 "이건 검색 도구를 써야 한다"고 판단하면 함수 호출 JSON을 출력. 호스트 코드가 그 함수를 실행하고 결과를 다시 LLM에 넣음. 에이전트의 가장 기본 메커니즘.
용어
CRAG (Corrective RAG, 교정형 RAG)
검색 결과의 품질을 자체 평가해서, 나쁘면 웹 검색으로 폴백하는 RAG. "내가 가진 책에서 못 찾으면 도서관 가서 찾기" 같은 패턴.
용어
Agentic RAG (에이전틱 RAG)
검색을 한 번 → 답변이 아니라, LLM 에이전트가 "더 검색해야 해", "쿼리 다시 짜야 해"를 자율 판단. CRAG의 더 유연한 버전.
용어
Hybrid Search (하이브리드 검색)
BM25(키워드 기반, 1970년대부터 쓰던 통계적 방법)와 벡터(의미 기반, 임베딩 코사인 유사도) 검색을 합친 것. 키워드 정확 일치 + 의미 유사도 둘 다 잡는다.
용어
MoA (Mixture of Agents, 에이전트 혼합)
여러 LLM이 같은 질문에 각자 답하고, 최종 LLM이 모든 답을 종합. 단일 LLM보다 정확도 높이는 앙상블 기법.
용어
CrewAI
멀티에이전트 프레임워크. "역할(Role) + 목표(Goal) + 배경 스토리(Backstory)" 세트로 에이전트를 정의. agno보다 RPG적인 추상화.
용어
LangGraph
LangChain팀의 상태 머신 에이전트 라이브러리. 노드(작업)와 엣지(조건부 흐름)로 워크플로 정의. 복잡한 분기·루프 잘 처리.
용어
AG2 (옛 AutoGen)
Microsoft 출신 멀티에이전트 프레임워크. 에이전트끼리 대화하는 구조. 회의 시뮬레이션·역할극 잘함.
용어
mem0
LLM 앱에 "장기 기억"을 붙여주는 서비스. 사용자 발화를 자동으로 벡터화·저장하고, 다음 대화에서 관련 기억을 자동 호출.
용어
Firecrawl
LLM 친화 웹 크롤러. URL 던지면 HTML을 마크다운으로 깔끔하게 변환. 광고·내비게이션 제거. 대부분 크롤러보다 LLM에 바로 넣기 좋은 결과.
용어
Unsloth
파인튜닝을 2~5배 빠르게 해주는 라이브러리. Llama·Gemma·Mistral 같은 인기 모델에 특화. Colab Pro에서도 14B 모델 파인튜닝 가능.
용어
LoRA / QLoRA
Low-Rank Adaptation. 모델 전체가 아니라 작은 행렬만 학습하는 효율적 파인튜닝. QLoRA는 4bit 양자화까지 더한 것. RTX 3090 한 장으로 70B 모델 파인튜닝 가능.
용어
TOON (Token-Oriented Object Notation)
JSON 대신 LLM 토큰 비용에 최적화된 데이터 직렬화 포맷. 같은 데이터를 30~60% 토큰으로 표현. 비용 절감용.
용어
Headroom
컨텍스트 윈도 내 중복·반복을 자동 압축해 50~90% 토큰 절감. 긴 대화 히스토리 가진 챗봇에 효과 큼.

10참고 링크

레포 + 프레임워크 공식 문서.

실용 가이드

지금 바로 시작하는 4단계

  1. 레포 클론 후 starter_ai_agents부터. git clone → ai_travel_agent 폴더로 이동 → pip install -r requirements.txt → streamlit run app.py. 30분 안에 첫 LLM 앱이 브라우저에 뜬다.
  2. 관심 카테고리 3개만 골라 깊게. 100개 다 보지 말고, RAG·멀티에이전트·MCP 중 가장 끌리는 영역 한 카테고리만 골라 폴더 안 앱 전부 읽기. 일반화 패턴이 보인다.
  3. 한 앱은 자기 도메인으로 포팅. 단순 따라 하기는 학습 효과 30%. 자기 업무·취미·관심사로 코드를 바꿔보면 90%. ai_competitor_intelligence_agent_team → "내 분야 경쟁사 분석" 같은 식.
  4. 매주 Unwind AI 뉴스레터 구독. 새 트렌드(예: 새 모델 출시·새 기법)마다 데모 앱이 1~2개씩 추가된다. "트렌드 따라잡기"가 자동화되는 효과.
원문 · github.com/Shubhamsaboo/awesome-llm-apps · 분석 일자 2026.05.23