10 Open-Source-KI-Projekte GitHub 2025

10 wichtige Open-Source-KI-Projekte auf GitHub: Von MCP zu Multi-Agenten

Das MCP-Protokoll standardisiert die Kontextübergabe in LLMs, ähnlich wie USB-C für Geräte. Es bietet einheitlichen Zugriff für KI-Modelle auf externe Daten und Tools ohne benutzerdefinierte Adapter. Entwickler nutzen MCP, um skalierbare Agenten zu entwickeln, bei denen der Kontext dynamisch aus verschiedenen Quellen verbunden wird.

Open WebUI MCP: Proxy für OpenAPI

Das Projekt Open WebUI MCP (Python, MIT) wandelt MCP-Tools in RESTful OpenAPI-Server um. Dadurch lässt sich MCP mit allen Clients integrieren, die standardmäßige HTTP-Schnittstellen unterstützen.

Wichtige Funktionen:

• Automatische Generierung von OpenAPI-Spezifikationen.
• Unterstützung für das Proxyn von Anfragen an MCP-Server.
• Einfache Einrichtung über Konfiguration.

Für Mid- und Senior-Entwickler vereinfacht das die Migration alter Tools in das LLM-Ökosystem, ohne Code umzuschreiben.

Unbody: Modulares Backend für KI-Apps

Unbody (TypeScript, Apache 2.0) ist ein Backend-as-a-Service für KI, vergleichbar mit Supabase. Es ist in Schichten für die Datenverarbeitung unterteilt:

• Perception: Parsing, Analyse und Vektorisierung von Eingabedaten.
• Memory: Speicherung in Vektordatenbanken und persistentem Storage.
• Reasoning: Generierung von Antworten, Funktionsaufrufe, Planung.
• Action: Bereitstellung über API.

Die Modularität ermöglicht die Kombination der Komponenten mit beliebigen Frameworks und abstrahiert das Backend. Ideal für agentenbasierte Apps, die Zustandsverwaltung ohne monolithische Stacks benötigen.

OWL: Framework für Multi-Agenten-Systeme

OWL (Python, Apache 2.0), aufgebaut auf CAMEL-AI, koordiniert Agenten über Browser, Terminals, Funktionsaufrufe und MCP. Führend im GAIA-Benchmark (58,18 %):

• Rollengestützter Ansatz für Agenteninteraktionen.
• Unterstützung multimodaler Aufgaben.
• Generierung synthetischer Datensätze.

Für Senior-Spezialisten: Implementiert Agenten-Orchestrierung in produktionsskalierbaren Szenarien mit Fokus auf Skalierbarkeit.

MCP Tools: CLI für Entwickler

F/mcptools (Go, MIT) ist ein Kommandozeilen-Tool für MCP-Server. Ermöglicht:

• Suchen und Aufrufen von Tools: mcp call tool_name.
• Verwalten von Ressourcen und Prompts.
• Testen über stdin/stdout oder HTTP.
• Ausgabe als JSON/Tabellen.

Integrierter Safe-Modus begrenzt Tools in der Produktion. Ideal zum Prototyping und Debuggen von MCP-Integrationen.

Self.so: KI-Generator für persönliche Websites

Nutlope/self.so (TypeScript, MIT) erstellt Websites aus Lebensläufen/LinkedIn. Stack: Together.ai (LLM), Vercel AI SDK, Clerk (Auth), Next.js, Helicone (Observability), S3, Upstash Redis, Vercel.

Zeigt kompositorische Architektur: Jeder Dienst als Microservice. Nützlich zum Studium der KI-Integration in Full-Stack-Apps.

VoiceStar: TTS-Dauersteuerung

VoiceStar (Python, MIT/CC-BY-4.0) steuert die Länge synthetisierter Sprache auf präzise Zeitangaben. CLI und Gradio-UI, vortrainierte Modelle.

Anwendungen:

• Videosynchronisation.
• Werbung mit festen Slots.
• Erzählungen mit Synchronisation.

Open TTS-Modell mit Sendestudio-Qualität, ohne Nachbearbeitung.

Second-Me: Digitale Zwillinge

Second-Me (Python, Apache 2.0) klont Kommunikationsstil und Wissen in einen Agenten. Beispiele: Verwalten von LinkedIn/Airbnb im Namen des Nutzers.

Wandel von Modellen zu Agenten: Erfasst persönlichen Kontext für personalisierte Assistenten.

CSM: Multimodale Sprachsynthese

SesameAILabs/csm (Python, Apache 2.0) generiert Sprache aus Text/Audio via Llama + Mimi RVQ Audio-Decoder. Läuft auf einer einzelnen GPU.

Architektur:

• Text/Audio → RVQ-Codes.
• Leichter Decoder für natürliche Sprache.

Alternative zu proprietären TTS, beschleunigt F&E in Sprachsystemen.

Letta: Agenten-Format (.af)

Letta (Python, Apache 2.0) ist ein offenes Agenten-Dateiformat (.af) zur Serialisierung von Agenten mit Speicher/Verhalten. Fork von memgpt, kompatibel mit LangGraph, CrewAI.

Speichert: Speicherschnappschüsse, Tools, Prompts. Docker-ähnliche Portabilität über Frameworks.

Wichtige Erkenntnisse

• MCP dominiert: Standardisiert Kontext für LLMs, vereinfacht Integrationen (Open WebUI, mcptools).
• Multi-Agenten entwickeln sich: OWL führt im GAIA, Letta standardisiert Portabilität.
• Backend-Modularität: Unbody abstrahiert den Stack für agentenbasierte Apps.
• TTS-Durchbrüche: VoiceStar/CSM bieten präzise Steuerung und Multimodalität bei Open-Modellen.
• Wandel zu Agenten: Second-Me, OWL zeigen den Übergang von Modellen zu zustandsbehafteten Agenten.

Diese Projekte signalisieren die Reife von Open-Source-KI: Standards, Portabilität und Komponierbarkeit.

— Editorial Team