Awesome LLM Apps – katalog agentů, skills a RAG aplikací

Vytvořeno: 25.7.2026 | Aktualizováno: 25.07.2026 16:55

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.

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.

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 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 Superpowers – Skills framework pro coding agenty: skill není samostatná AI aplikace, ale přenositelná procedura, kterou agent načte ve vhodném kontextu.

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.

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 autoresearch – autonomní ML experiment loop: měřit konkrétní kritérium, zkusit malou změnu a nepřijmout regresi.

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.

Nejdůležitější omezení je, že nástroj skutečný skill plně nespouští. 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.

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.