Un repositorio de GitHub con más de 100 agentes de IA en 13 categorías — desde análisis de negocio hasta equipos de ventas completos. Cómo navegarlo sin perderse, cuáles realmente sirven y cómo adaptarlos a Claude Code en lugar de a la stack original.
awesome-llm-apps es un repositorio open-source mantenido por la comunidad con más de 100 agentes de IA listos para clonar e instalar. Apache 2.0, gratis.
No es una herramienta única — es un catálogo curado de agentes que cubren 13 categorías. La ventaja: en lugar de inventar tu agente desde cero, mirás si ya existe uno parecido y partís de ahí.
106k+ estrellas en GitHub, actualizado seguido.
El problema típico: abrís el repo, ves 100+ carpetas, te perdés. Empezá por categorías, no por slug.
Pensá qué necesitás resolver hoy:
Si querés aprender el patrón más que copiar la app:
Cada arquitectura tiene complejidad creciente. Aprender en orden te da progresión.
La mayoría de estos agentes están construidos sobre:
Si querés correrlos tal cual, eso te toca instalar. Si querés portarlos a Claude Code (que es lo que la mayoría va a hacer), la lógica se traduce pero hay que reescribir partes.
Para cualquier agente del repo, el flujo de portado es:
~/.claude/skills/<nombre>/SKILL.md)Lo que era una app entera con dependencias se vuelve una skill + 1 MCP. Mucho menos código a mantener.
De los 100+, estos 5 son buenos puntos de entrada:
Categoría: Business AI.
Un agente que clasifica tickets entrantes, responde los simples (FAQs) y escala los complejos. Aprende del historial para mejorar las respuestas.
Lo que sale: clasificador + responder con templates + handoff humano. Portado a Claude: skill de clasificación + MCP para el ticketing system + lógica simple en CLAUDE.md.
Categoría: Personal AI.
Te ayuda a analizar oportunidades de inversión (acciones, ETFs). Junta datos de varias fuentes y devuelve resumen estructurado.
Útil para: aprender el patrón de "agregar datos de N fuentes y resumir".
Categoría: Coding AI, Multi-agent Teams.
3 agentes coordinados que revisan el mismo PR desde ángulos distintos (security, performance, style). Después un agente final consolida feedback.
Útil para: aprender multi-agent. Pero: nuestra skill code-reviewer hace lo mismo con menos complejidad.
Categoría: RAG Tutorials.
Patrón base de RAG. Cargás tus PDFs/markdown, el agente puede responder consultando esos docs.
Útil para: entender el patrón conceptualmente. Para uso real: el Book-to-Skill suele ser más simple en proyectos de un solo usuario.
Categoría: Personal AI.
Cargás tus transacciones (CSV del banco), el agente las clasifica, te da budget tracking, alertas de gastos atípicos.
Útil para: ver cómo se estructura un agente con state que evoluciona en el tiempo.
100+ agentes ocupan espacio, dependencias, mantenerlos al día. Clonate solo el repo (para navegarlo) y descargá / portá lo que realmente vas a usar.
La mayoría de los agentes son demos / templates, no production-ready para tu negocio específico. Tomalos como punto de partida, no como producto terminado.
Si todo te lo armaron con Streamlit + LangChain + OpenAI, podés correrlo así por una tarde. Para uso recurrente, portalo a tu stack (Claude Code + tus tools). El overhead de mantener Python venvs + Streamlit servers para cada agente no escala.
Cada agente tiene su README con limitaciones, requisitos, casos de uso. Leerlos te ahorra "instalar y descubrir que no aplica a tu caso" después.
Si portás un agente a Claude Code y querés contribuir, el repo acepta PRs. El patrón:
claude-ports/<nombre-agente>/El maintainer suele mergear PRs limpios bastante rápido.
No es "100 agentes listos para producción". Es un catálogo de patrones.
Cuando alguien te pide "necesito un agente que haga X", lo más probable es que ya exista un agente parecido en el repo. Lo abrís, mirás cómo lo armaron, lo adaptás. Mucho más rápido que diseñar desde cero.
Recomendación práctica: dale star al repo, suscribite a updates, y úsalo como referencia consultada cuando arrancás algo nuevo. No como dependencia activa de tu sistema.