Existe un repositorio con más de 106K estrellas en GitHub que reúne 100+ agentes de IA open source, listos para instalar y usar en producción bajo licencia Apache 2.0. Esta página cataloga sus 13 categorías, los agentes más relevantes para negocios, y cómo integrarlo con Claude Code sin escribir código desde cero. Especialmente útil para founders o equipos pequeños que quieren automatizar soporte, ventas o inteligencia competitiva sin pagar por soluciones SaaS.
Hay una brecha real entre "saber que los agentes de IA existen" y "tener uno corriendo en tu negocio esta semana". El repositorio awesome-llm-apps de Shubhamsaboo cierra esa brecha: más de 100 agentes de código abierto, organizados por caso de uso, con licencia Apache 2.0 (sí, uso comercial permitido sin costo de licencia).
Con 106K+ estrellas en GitHub, no es un proyecto experimental. Es una colección curada que cubre desde chatbots básicos hasta equipos multi-agente que coordinan tareas complejas de ventas, análisis competitivo y soporte.
El punto de entrada más bajo de la biblioteca son los Starter Agents: resumen de documentos, búsqueda web, chat básico. El punto más alto son los Multi-Agent Teams: varios agentes coordinados que se reparten tareas, comparten contexto y entregan un resultado consolidado.
| Categoría | Cantidad | Para qué sirve |
|---|---|---|
| Starter Agents | 12 | Primeros pasos: resumen, búsqueda, chat |
| Advanced Agents | 20+ | Herramientas, memoria, razonamiento complejo |
| Game Agents | 3+ | Ajedrez, tic-tac-toe, juegos 3D |
| Multi-Agent Teams | 13 | Ventas, consultoría, análisis coordinado |
| Voice Agents | 4 | Soporte telefónico 24/7, audio |
| MCP Agents | 5 | Conexión con herramientas externas |
| RAG Systems | 19 | Búsqueda sobre documentos propios |
| Skills Library | 19 | Habilidades individuales reutilizables |
| Memory Apps | 6 | Retención de contexto entre sesiones |
| Chat Interfaces | 6 | UIs listas para desplegar |
| Model Optimization | 3+ | Eficiencia y reducción de costos |
| Fine-tuning Tutorials | 2+ | Entrenamiento de modelos propios |
| Crash Courses | 2+ | Tutoriales rápidos de frameworks |
Las categorías más accionables para un negocio pequeño o mediano son: RAG Systems, Multi-Agent Teams, Voice Agents y Memory Apps. El resto tiene más valor técnico o educativo.
Recibe información de tu negocio y genera un análisis estructurado: qué estás haciendo bien, dónde están los cuellos de botella, qué oportunidades de crecimiento existen. No reemplaza un consultor con contexto profundo, pero es útil para generar un primer diagnóstico antes de una reunión, preparar una presentación a inversores, o simplemente pensar en voz alta con estructura.
Caso de uso concreto: Una startup de 5 personas puede usar este agente para preparar una revisión trimestral sin contratar una consultora. El output tiene suficiente estructura para ser el punto de partida de una discusión estratégica real.
Varios agentes trabajan en paralelo: uno investiga el producto, otro analiza el mercado, otro estructura la estrategia. El resultado es una propuesta de ventas completa, incluyendo sugerencias de precio y posicionamiento. Diseñado para equipos que necesitan escalar la investigación de prospectos sin crecer el headcount.
Diferencia clave vs. un solo agente: La coordinación multi-agente permite que cada sub-agente se especialice. El agente de investigación de mercado no necesita saber de pricing; el de pricing no necesita saber de product messaging. El resultado es más profundo que lo que un solo agente generalista produciría.
Monitorea actividad de competidores: cambios en messaging, nuevas features, movimientos de precios, debilidades en reviews. Útil para empresas que operan en mercados competitivos donde la información actualizada es ventaja real.
Limitación importante: Estos agentes trabajan con información pública. No acceden a datos internos de competidores ni a conversaciones privadas. Son buenos para síntesis de señales públicas, no para inteligencia confidencial.
Atiende llamadas entrantes de forma autónoma, sin intervención humana. Maneja el volumen 24/7 y escala casos complejos cuando es necesario. La categoría Voice tiene 4 agentes en total; este es el más maduro para producción.
Para quién tiene sentido: Negocios con alto volumen de llamadas de soporte repetitivo (preguntas sobre pedidos, horarios, políticas). No tiene sentido para soporte técnico complejo donde cada caso es diferente.
El repositorio incluye prompts plantilla para activar agentes directamente desde Claude Code. El patrón es siempre el mismo: describís tu negocio o caso de uso, y el agente hace el resto. Los corchetes son marcadores de posición que reemplazás con tu información real.
Prompt para descubrir qué agente usar:
Analiza mi negocio [descripción de tu negocio] y recomienda
qué agentes de awesome-llm-apps servirían mejor para mis objetivos.
Prompt para instalar un agente específico:
Instala y configura el agente [nombre del agente]
de awesome-llm-apps para mi caso de uso [descripción].
Prompt para activar el AI Consultant:
Activa el AI Consultant Agent. Mi negocio es [descripción].
Necesito análisis de [área específica].
Prompt para armar un equipo multi-agente de ventas:
Configura el Sales Intelligence Agent Team para investigar
[producto/mercado] y generar estrategia de ventas.
El repositorio también incluye prompts para configurar el Voice Agent y para armar equipos multi-agente personalizados. La lógica es siempre la misma: describís el contexto, el agente lo procesa, el output llega estructurado.
Con 19 implementaciones diferentes, la categoría RAG (Retrieval-Augmented Generation) es la más grande del repositorio. La razón es que el caso de uso es casi universal: tienes documentos propios (manuales, contratos, reportes, emails) y quieres hacerles preguntas en lenguaje natural.
Un RAG bien configurado permite:
La diferencia entre un RAG básico y uno bien implementado está en el chunking (cómo se dividen los documentos), el embedding model, y el retrieval strategy. El repositorio incluye implementaciones que cubren esos detalles, no solo el esqueleto.
La Skills Library tiene 19 habilidades modulares que pueden combinarse con cualquier agente. Piénsalo como funciones: en lugar de construir desde cero un agente que sabe buscar en la web, leer PDFs y resumir texto, tomas las tres skills individuales y las componés.
Este enfoque tiene una ventaja real para equipos pequeños: cada skill es más fácil de testear, depurar y reemplazar que un agente monolítico.
Seis implementaciones dedicadas exclusivamente a memoria conversacional. El problema que resuelven: los LLMs son stateless por naturaleza. Cada conversación empieza desde cero. Si un usuario le explicó su contexto hace tres días, el agente no lo recuerda.
Las Memory Apps en este repositorio implementan diferentes estrategias: memoria en base de datos, memoria en grafo, memoria semántica. Cuál usar depende de si necesitas recordar hechos concretos (base de datos), relaciones entre entidades (grafo), o contexto vago pero relevante (semántica).
Para un producto de IA donde el usuario regresa múltiples veces, la memoria no es una feature nice-to-have. Es lo que separa una herramienta que se siente genérica de una que se siente personalizada.
Apache 2.0 significa: podés usar el código en producción, modificarlo, redistribuirlo, y usarlo en proyectos comerciales. No necesitás pagar regalías ni pedir permiso. La única obligación es mantener el notice de copyright si redistribuís el código sin modificar.
Lo que no cubre la licencia: los costos de API de los modelos subyacentes. Si usás GPT-4 o Claude como motor de un agente, pagas a OpenAI o Anthropic por los tokens. El código es gratis; la inferencia no.
Repositorio: github.com/Shubhamsaboo/awesome-llm-apps