====== Awesome LLM Apps – katalog agentů, skills a RAG aplikací ======

//Vytvořeno: **25.7.2026** | Aktualizováno: **~~LASTMOD~~**//

[[https://github.com/Shubhamsaboo/awesome-llm-apps|Awesome LLM Apps]] je open-source repozitář se vzorovými AI agenty, agent skills, RAG aplikacemi a ukázkami agentních workflow. Není to jeden framework ani hotová platforma pro nasazení; slouží především jako katalog referenčních implementací a návrhových vzorů.

===== Co repozitář obsahuje =====

Repozitář dělí ukázky podle typu řešení:

  * ''starter_ai_agents'' obsahuje menší agenty pro rychlé vyzkoušení konkrétního use-casu.
  * ''advanced_ai_agents'' obsahuje komplexnější aplikace s nástroji, pamětí a více kroky.
  * ''mcp_ai_agents'' ukazuje agenty připojené k externím nástrojům přes MCP.
  * ''rag_tutorials'' obsahuje příklady retrieval workflow, včetně lokálního RAG, hybridního vyhledávání a práce s citacemi.
  * ''always_on_agents'' obsahuje agenty spouštěné podle času nebo události.
  * ''agent_skills'' obsahuje znovupoužitelné balíčky instrukcí pro coding agenty.

Praktický přínos je v tom, že lze vybrat úzký problém, projít konkrétní implementaci a převzít architektonický vzor. Není rozumné kopírovat celý repozitář jako jeden systém: jednotlivé ukázky mají různé závislosti, modely, API klíče i úroveň připravenosti pro produkci.

===== Co je agent skill =====

Skutečný agent skill je adresář se souborem ''SKILL.md''. Ten obsahuje YAML metadata, podmínky aktivace a pracovní instrukce pro agenta. Volitelně může obsahovat ''scripts/'', ''references/'' a ''assets/''.

Například [[https://github.com/Shubhamsaboo/awesome-llm-apps/tree/main/agent_skills/project-graveyard|Project Graveyard]] je skutečný skill. Jeho ''SKILL.md'' určuje, kdy má agent analyzovat opuštěné projekty, kdy se má doptat na adresáře, jak spustit lokální skenovací skript a jak interpretovat jeho výsledek. Skript obstarává deterministickou práci nad Git historií; instrukce určují, jak má agent postupovat a komunikovat s uživatelem.

Tento princip je podobný článku [[ai:platformy:agenti-a-orchestrace:superpowers|Superpowers – Skills framework pro coding agenty]]: skill není samostatná AI aplikace, ale přenositelná procedura, kterou agent načte ve vhodném kontextu.

===== Self-Improving Agent Skills není skill =====

[[https://github.com/Shubhamsaboo/awesome-llm-apps/tree/main/agent_skills/self-improving-agent-skills|Self-Improving Agent Skills]] je pojmenovaný matoucím způsobem. Neobsahuje ''SKILL.md'', a proto sám není skill. Jde o webovou aplikaci s backendem ve FastAPI, frontendem v Next.js a optimalizačním loopem postaveným nad Google ADK a Gemini.

Aplikace přijme ZIP existujícího skillu, vygeneruje testovací scénáře a evaluační kritéria a nabídne upravenou verzi jeho ''SKILL.md''. Vstupem je tedy skutečný skill; výstupem je jeho promptově upravená varianta.

==== Optimalizační loop ====

Aplikace rozděluje práci mezi tři role:

  * **Executor** vytvoří scénáře, vytvoří odpověď podle instrukcí skillu a vyhodnotí ji proti binárním kritériím.
  * **Analyst** hledá příčinu selhání a vybere strategii úpravy, například doplnění příkladu, omezení nebo edge case.
  * **Mutator** provede právě jednu cílenou změnu v ''SKILL.md''.

Po změně Executor znovu provede simulované vyhodnocení. Nová verze se ponechá jen tehdy, pokud má vyšší skóre než předchozí verze. Princip odpovídá experimentálnímu přístupu popsanému v [[ai:platformy:agenti-a-orchestrace:autoresearch|autoresearch – autonomní ML experiment loop]]: měřit konkrétní kritérium, zkusit malou změnu a nepřijmout regresi.

==== Konkrétní příklad ====

Pro skill Project Graveyard lze definovat scénář: uživatel má několik starých repozitářů v ''~/code'' a chce vybrat jeden projekt, který má smysl dokončit.

Evaluační kritéria mohou ověřovat, že agent:

  - požádá o cestu ke zdrojovým adresářům, pokud ji nezná;
  - při analýze používá read-only skenování;
  - odlišuje závěry z Git historie od informace potvrzené uživatelem;
  - doporučí nanejvýš jeden projekt k obnovení;
  - před jakoukoli změnou v repozitáři získá explicitní souhlas.

Pokud agent opakovaně navrhuje úpravu repozitáře bez souhlasu, Analyst může diagnostikovat chybějící bezpečnostní hranici. Mutator pak doplní do ''SKILL.md'' explicitní pravidlo, že skenování je read-only, ale instalace závislostí, editace souborů a commity vyžadují souhlas. Změna se ponechá pouze tehdy, když v následném vyhodnocení skutečně zlepší skóre.

===== Omezení a rizika =====

Nejdůležitější omezení je, že nástroj skutečný skill plně nespouští. [[https://raw.githubusercontent.com/Shubhamsaboo/awesome-llm-apps/main/agent_skills/self-improving-agent-skills/backend/adk_optimizer.py|Implementace optimalizátoru]] předává Executorovi text ''SKILL.md'' a uživatelský požadavek; Gemini pak vytváří odpověď, kterou by skill podle instrukcí měl vrátit. Skripty skillu se při tom nespouští a výstup se neověřuje nad reálným repozitářem, API ani MCP serverem.

Nástroj proto dává smysl hlavně pro:

  * zpřesnění instrukcí, triggerů, guardrailů a formátu výstupu;
  * návrh malých změn promptu;
  * hledání zjevných chybějících edge cases.

Není dostatečný pro ověření, že funguje integrační kód, CLI příkaz, autentizace, práce se soubory ani výsledky nad produkčními daty. Testovací scénáře i hodnotitel jsou navíc generované jazykovým modelem, takže skóre není nezávislým důkazem kvality.

===== Doporučený způsob použití =====

Při práci s tímto repozitářem je vhodné postupovat po jednotlivých ukázkách:

  - Nejprve určit, zda jde o skutečný skill, aplikaci nebo jen tutoriál.
  - U skillu přečíst ''SKILL.md'', skripty a reference před převzetím.
  - Definovat vlastní realistické scénáře a pozorovatelná kritéria úspěchu.
  - Použít Self-Improving Agent Skills nanejvýš jako zdroj návrhů na úpravu ''SKILL.md''.
  - Zkontrolovat diff a potom změnu ověřit v reálném agentním runtime nad skutečnými nástroji a daty.

Repozitář je tak cennější jako zdroj návrhových vzorů než jako knihovna hotových komponent. Pro agentní workflow jsou užitečné zejména vzory pro separaci rolí, evaluace, práci s nástroji, RAG a kontrolované iterativní zlepšování.

===== Zdroje =====

  * [[https://github.com/Shubhamsaboo/awesome-llm-apps|Awesome LLM Apps – hlavní repozitář]]
  * [[https://github.com/Shubhamsaboo/awesome-llm-apps/tree/main/agent_skills/self-improving-agent-skills|Self-Improving Agent Skills – aplikace pro optimalizaci skillů]]
  * [[https://github.com/Shubhamsaboo/awesome-llm-apps/tree/main/agent_skills/project-graveyard|Project Graveyard – příklad skutečného skillu]]
  * [[https://raw.githubusercontent.com/Shubhamsaboo/awesome-llm-apps/main/agent_skills/self-improving-agent-skills/backend/adk_optimizer.py|adk_optimizer.py – implementace optimalizačního loopu]]