Fast-Agent: Deklarative Grammatik und MCP-Integration für den schnellen Aufbau von Multi-Intelligent Body Workflows

Allgemeine Einführung

Fast-Agent ist ein Open-Source-Tool, das vom evalstate-Team auf GitHub gepflegt wird und Entwicklern helfen soll, multi-intelligente Body-Workflows schnell zu definieren, zu testen und zu erstellen. Es basiert auf einer einfachen deklarativen Syntax und unterstützt die Integration mit MCP-Servern (Model-Compute-Platform), so dass sich die Benutzer auf die Gestaltung von Prompts und Intelligenzlogik konzentrieren können, anstatt sich mit der mühsamen Konfiguration zu beschäftigen. fast-Agent bietet mehrere Workflow-Modi (z. B. verkettet, parallel, auswertungsoptimiert usw.), eine integrierte Befehlszeileninstrumentierung (CLI) und eine interaktive Chat-Funktion, so dass es sich für Entwicklungsszenarien vom Prototyping bis zum Produktionseinsatz eignet. Es ist für Entwicklungsszenarien vom Prototyping bis zum Produktionseinsatz geeignet. Das Projekt steht unter der Apache 2.0-Lizenz und unterstützt Beiträge der Gemeinschaft, wobei der Schwerpunkt auf Benutzerfreundlichkeit und Flexibilität liegt.

Funktionsliste

• Definition von Intelligenter Körper: schnelle Definition von Intelligenzen durch einfache Dekoratoren, Unterstützung für benutzerdefinierte Direktiven und MCP Server-Aufruf.
• Konstruktion des ArbeitsablaufsEs unterstützt mehrere Workflow-Modi wie Chain, Parallel, Evaluator-Optimizer, Router und Orchestrator.
• Auswahl des ModellsEinfaches Umschalten zwischen verschiedenen Modellen (z. B. o3-mini, sonnet) und Testen der Interaktion zwischen dem Modell und dem MCP-Server.
• interaktiver ChatUnterstützung des Echtzeit-Dialogs mit einzelnen Intelligenzen oder Workflow-Komponenten zur einfachen Fehlersuche und Optimierung.
• Test-UnterstützungIntegrierte Testfunktionen zur Validierung der Leistung von Intelligenzen und Workflows, geeignet für die Integration in kontinuierliche Integrationsprozesse (CI).
• CLI-BedienungBietet Befehlszeilentools zur Vereinfachung des Installations-, Laufzeit- und Debugging-Prozesses.
• menschliche Einflussnahme: Intelligentsia kann menschliche Eingaben anfordern, um zusätzlichen Kontext für die Erfüllung von Aufgaben zu liefern.
• Schnelles PrototypingVon der einfachen Dateikonfiguration bis zur Ausführung dauert es nur wenige Minuten, um eine intelligente Body-Anwendung zu starten.

Hilfe verwenden

Das Hauptziel von Fast-Agent ist es, die Hürden für die Entwicklung von Multi-Intelligence-Lösungen zu senken. Nachfolgend finden Sie ausführliche Anleitungen zur Installation und Verwendung, um den Benutzern zu helfen, die Funktionen schnell zu nutzen und zu beherrschen.

Einbauverfahren

Fast-Agent hängt von der Python-Umgebung ab, es wird empfohlen, die uv Paket-Manager. Im Folgenden werden die Installationsschritte beschrieben:

1. Installation von Python und uv
   Stellen Sie sicher, dass Python 3.9 oder höher auf Ihrem System installiert ist, und installieren Sie dann das uv::

pip install uv

Überprüfen Sie die Installation:

uv --version

2. Installation von Fast-Agent
   passieren (eine Rechnung oder Inspektion etc.) uv Installiert von PyPI:

uv pip install fast-agent-mcp

Für eine vollständige Funktionsunterstützung (z. B. Dateisystem oder Docker MCP-Server) führen Sie aus:

uv pip install fast-agent-mcp[full]

3. Initialisierung Konfiguration
   Nach Abschluss der Installation werden Beispielkonfigurationsdateien und Intelligenzen erzeugt:

fast-agent setup

Dadurch wird die agent.py im Gesang antworten fastagent.config.yaml usw.

4. Überprüfen der Installation
   Überprüfen Sie die Version:

fast-agent --version

Wenn die Versionsnummer zurückgegeben wird, war die Installation erfolgreich.

Verwendung

Fast-Agent unterstützt die Ausführung von Intelligenzen und Workflows über die Befehlszeile oder über Code, wie unten beschrieben.

Grundlegende Intelligenzen schaffen und betreiben

1. Definition von Intelligenz
   Compiler agent.pyund fügen einfache Intelligenzen hinzu:

import asyncio
from mcp_agent.core.fastagent import FastAgent
fast = FastAgent("Simple Agent")
@fast.agent(instruction="Given an object, respond with its estimated size.")
async def main():
async with fast.run() as agent:
await agent()
if __name__ == "__main__":
asyncio.run(main())

2. Laufende Intelligenz
   Führen Sie es über die Befehlszeile aus:

   uv run agent.py
   

   Dadurch wird ein interaktiver Chat-Modus eingeleitet, in dem der Name des Objekts (z. B. "der Mond") eingegeben wird und der Smart eine Schätzung der Größe zurückgibt.

3. Modelle spezifizieren
   ausnutzen --model Modell der Parameterauswahl:

   uv run agent.py --model=o3-mini.low
   

Arbeitsabläufe erstellen

1. Workflow-Muster generieren
   ausnutzen bootstrap Befehl, um Beispiele zu erzeugen:

   fast-agent bootstrap workflow
   

   So entsteht ein Katalog verketteter Arbeitsabläufe, die zeigen, wie man effektive Intelligenz aufbaut.

2. Laufende Workflows
   Wechseln Sie in das Verzeichnis des generierten Workflows und führen Sie ihn aus:

   uv run chaining.py
   

   Das System holt die Inhalte von der angegebenen URL und generiert Beiträge für soziale Medien.

Featured Function Bedienung

• Ketten-Workflow (Kette)
  Compiler chaining.pyverkettete Arbeitsabläufe definieren:

  @fast.agent("url_fetcher", "Given a URL, provide a summary", servers=["fetch"])
  @fast.agent("social_media", "Write a 280 character post for the text.")
  async def main():
  async with fast.run() as agent:
  result = await agent.social_media(await agent.url_fetcher("http://example.com"))
  print(result)
  

  konfigurieren. fastagent.config.yaml Nach dem Ausführen des MCP-Servers im:

  uv run chaining.py
  

• Paralleler Workflow (Parallel)
  Definieren Sie einen mehrsprachigen Übersetzungsworkflow:

  @fast.agent("translate_fr", "Translate to French")
  @fast.agent("translate_de", "Translate to German")
  @fast.parallel(name="translate", fan_out=["translate_fr", "translate_de"])
  async def main():
  async with fast.run() as agent:
  await agent.translate.send("Hello, world!")
  

  Nach der Ausführung wird der Text sowohl ins Französische als auch ins Deutsche übersetzt.

• menschliche Einflussnahme
  Definieren Sie Intelligenzen, die menschlichen Input erfordern:

  @fast.agent(instruction="Assist with tasks, request human input if needed.", human_input=True)
  async def main():
  async with fast.run() as agent:
  await agent.send("print the next number in the sequence")
  

  Bei der Ausführung wird der Benutzer aufgefordert, weitere Informationen einzugeben, wenn die Intelligenz dies erfordert.

• Evaluator-Optimierer (Evaluator-Optimierer)
  Erstellen Sie einen Recherche-Workflow:

  fast-agent bootstrap researcher
  

  Bearbeiten Sie das Profil und führen Sie es aus. Die Intelligenz generiert den Inhalt und optimiert ihn, bis Sie zufrieden sind.

Konfigurieren des MCP-Servers

Compiler fastagent.config.yamlfügen Sie den Server hinzu:

servers:
fetch:
type: "fetch"
endpoint: "https://api.example.com"

Zur Laufzeit ruft der intelligente Körper diesen Server für Daten auf.

Beispiel für den Betriebsablauf

Angenommen, Sie müssen aus URLs Beiträge für soziale Medien generieren:

1. in Bewegung sein fast-agent bootstrap workflow Vorlagen generieren.
2. Compiler chaining.pyWenn Sie die URL und den MCP-Server einrichten möchten, können Sie dies durch Klicken auf die Schaltfläche "Einrichten" tun.
3. vollziehen uv run chaining.pyUm den generierten 280-Zeichen-Beitrag anzuzeigen.
4. ausnutzen --quiet Parameter gibt nur das Ergebnis zurück:

   uv run chaining.py --quiet
   

caveat

• Windows-BenutzerDas Dateisystem und die Konfiguration des Docker MCP-Servers müssen angepasst werden, wie in der Anmerkung zum Erzeugen von Konfigurationsdateien beschrieben.
• Komponenten während der Prüfung anpassenWenn der Lauf fehlschlägt, fügen Sie --verbose Detaillierte Protokolle anzeigen:

  uv run agent.py --verbose
  

Mit diesen Schritten können Benutzer Fast-Agent schnell installieren und verwenden, um Multi-Intelligence-Workflows für Forschungs-, Entwicklungs- und Produktionsszenarien zu erstellen und zu testen.