Um hub organizado de cursos de IA generativa, seleções de artigos de pesquisa, materiais para entrevistas e notebooks de código, estruturado por jornada e nível de habilidade.
KalyanKS-NLP/llm-engineer-toolkit
Lista selecionada e organizada por categoria com mais de 120 bibliotecas open source para criar, treinar, servir, avaliar e monitorar aplicações com LLMs.
- Estrelas
- 10,886
- Forks
- 1,709
- Issues abertas
- 23
- Último commit
- há 10 dias
O que é?
LLM Engineer Toolkit é um diretório selecionado com mais de 120 bibliotecas open source usadas em projetos com modelos de linguagem grandes. As entradas são organizadas em categorias como treinamento e fine-tuning, desenvolvimento de aplicações, RAG, inferência, serving, extração de dados, geração de dados, agentes, avaliação, monitoramento, prompts, saídas estruturadas, segurança e modelos de embedding.
Cada categoria lista nomes de projetos com uma breve descrição e um link para o projeto, para que desenvolvedores encontrem rapidamente ferramentas candidatas para uma etapa específica de um pipeline de LLM. A lista também inclui alguns materiais de leitura relacionados e recursos de preparação para entrevistas, do autor.
O próprio repositório é um documento Markdown, não um pacote de software, portanto não há código para instalar ou executar.
Recursos principais
- 01Organiza mais de 120 bibliotecas de LLM em cerca de 15 categorias.
- 02Cada entrada traz uma descrição de uma linha e um link para o projeto.
- 03Abrange todo o pipeline, de fine-tuning e RAG a serving, agentes e avaliação.
- 04Inclui ferramentas de monitoramento, segurança e saídas estruturadas, além de frameworks essenciais.
Casos de uso
- Escolher uma biblioteca de fine-tuning ou inferência para um novo projeto com LLM.
- Encontrar um framework de vetores, RAG ou agentes para comparar antes de optar por um deles.
- Montar uma lista inicial de ferramentas de avaliação ou observabilidade para aplicações com LLM em produção.
Tópicos
Perguntas frequentes
- O que é llm-engineer-toolkit?
- Lista selecionada e organizada por categoria com mais de 120 bibliotecas open source para criar, treinar, servir, avaliar e monitorar aplicações com LLMs. LLM Engineer Toolkit é um diretório selecionado com mais de 120 bibliotecas open source usadas em projetos com modelos de linguagem grandes. As entradas são organizadas em categorias como treinamento e fine-tuning, desenvolvimento de aplicações, RAG, inferência, serving, extração de dados, geração de dados, agentes, avaliação, monitoramento, prompts, saídas estruturadas, segurança e modelos de embedding.
- llm-engineer-toolkit é gratuito? Qual é a licença?
- llm-engineer-toolkit é open source sob a licença Apache-2.0. Confira os termos da licença antes de usá-lo em produtos comerciais.
- llm-engineer-toolkit ainda é mantido?
- Manutenção ativa. O último commit de llm-engineer-toolkit foi em 11 de out. de 2026.
- Para que posso usar llm-engineer-toolkit?
- Escolher uma biblioteca de fine-tuning ou inferência para um novo projeto com LLM. Encontrar um framework de vetores, RAG ou agentes para comparar antes de optar por um deles. Montar uma lista inicial de ferramentas de avaliação ou observabilidade para aplicações com LLM em produção.
- Onde consigo llm-engineer-toolkit?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/KalyanKS-NLP/llm-engineer-toolkit
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Curso da Microsoft com 21 aulas que ensina os fundamentos para criar aplicações de IA generativa com Python e TypeScript.
Guia curado em chinês sobre o ChatGPT e LLMs de ponta, com conteúdo sobre uso, criação de prompts, desenvolvimento de apps, agentes e ferramentas de produtividade.
Plataforma visual para criar, testar e implantar agentes e workflows de IA, com exposição integrada por API e servidor MCP.
Um framework Python para criar aplicações e agentes com LLMs, com interfaces padronizadas para modelos, embeddings, vector stores e integrações de terceiros.
Coleção de 28 tutoriais code-first para levar agentes de GenAI do protótipo à produção, abordando memória, RAG, implantação, segurança e observabilidade.