AI Engineering Hub: 실무 중심 LLM·RAG·에이전트 오픈소스 프로젝트 93개+

patchy631/ai-engineering-hub 저장소는 2024년 10월 개설됐고 2026년 11월에도 업데이트됐으며, 39,811개의 스타(Star)와 6,447회의 포크(Fork)를 기록하고 있습니다. 프로젝트는 LLM, 검색 증강 생성(RAG), 모델 컨텍스트 프로토콜(MCP), 멀티 에이전트 시스템을 다룹니다.

이미지 출처: https://github.com/patchy631/ai-engineering-hub

초급부터 고급까지 난이도별 3단계 프로젝트 아키텍처

저장소는 실무 구현 복잡도와 학습 단계에 맞춰 총 93개 이상의 프로젝트를 3개 난이도로 분류해 제공합니다.

• 초급(Beginner, 22개 프로젝트): 단일 컴포넌트와 간단한 구현을 다룹니다. Llama, Gemma-3, Qwen 2.5 기반의 비전 OCR 구현체부터 DeepSeek, Streamlit, Chainlit을 활용한 로컬 채팅 UI 구축, LlamaIndex와 Ollama를 결합한 기본 문서 검색 RAG 파이프라인 등이 포함됩니다.
• 중급(Intermediate, 48개 프로젝트): 다중 컴포넌트 시스템과 에이전트 워크플로우를 다룹니다. Microsoft AutoGen 기반 주식 분석기, CrewAI 기반 콘텐츠 워크플로우, 문서 검색과 웹 폴백을 갖춘 Agentic RAG, 실시간 음성 에이전트, Milvus와 Groq를 사용해 서브 15ms 검색 지연을 제시하는 RAG 예제가 포함됩니다.
• 고급(Advanced, 23개 프로젝트): 복잡한 시스템, 파인튜닝, 프로덕션 배포를 다룹니다. Unsloth와 Ollama를 활용한 DeepSeek 파인튜닝, DeepSeek-R1과 유사한 추론 모델 구축, 밑바닥부터 구현하는 트랜스포머 아키텍처, MCP 기반 멀티 에이전트 딥 리서치와 별도의 브라우저 자동화 예제가 수록되어 있습니다.

모델 컨텍스트 프로토콜(MCP)과 에이전트 생태계 통합

이 저장소는 모델 컨텍스트 프로토콜(MCP)을 활용한 프로젝트들을 독립 카테고리로 제공합니다.

• MCP 클라이언트 및 연동 실습: Cursor와 연동하는 웹 검색 MCP, LlamaIndex 로컬 MCP 클라이언트, Firecrawl을 사용하는 MCP Agentic RAG 등 실제 개발 도구와 직접 연결되는 예제를 제공합니다.
• 모델 평가 및 비교: CometML Opik을 활용한 엔드투엔드 RAG 평가 예제와 Llama 4 대 DeepSeek-R1, Claude 3.7 대 o3 등 별도의 모델 비교 프로젝트를 포함합니다.

프로젝트 도입 시 고려사항 및 라이선스

저장소는 MIT 라이선스로 배포됩니다. 다만 실무 적용 시 다음 사항을 사전에 확인해야 합니다.

93개 이상의 프로젝트 수는 저장소 메인테이너가 제시한 자체 목록 기준입니다. 실행 전 각 프로젝트 디렉터리의 설정 안내를 별도로 확인해야 합니다.

출처

• GitHub 저장소: patchy631/ai-engineering-hub