Fast-Agent: gramática declarativa e integración con MCP para crear rápidamente flujos de trabajo corporales multiinteligentes

Introducción general

Fast-Agent es una herramienta de código abierto mantenida por el equipo evalstate en GitHub, diseñada para ayudar a los desarrolladores a definir, probar y construir rápidamente flujos de trabajo de cuerpos multiinteligentes. Basada en una sencilla sintaxis declarativa, admite la integración con servidores MCP (Model-Compute-Platform), lo que permite a los usuarios centrarse en el diseño de avisos y lógica de inteligencia en lugar de en la tediosa configuración. fast-Agent ofrece múltiples modos de flujo de trabajo (por ejemplo, encadenado, paralelo, optimizado para la evaluación, etc.), una Instrumentación de Línea de Comandos (CLI) integrada y una función de chat interactivo, lo que la hace adecuada para escenarios de desarrollo que van desde la creación de prototipos hasta el despliegue en producción. Es adecuado para escenarios de desarrollo que van desde la creación de prototipos hasta el despliegue en producción. El proyecto se rige por la licencia Apache 2.0 y admite contribuciones de la comunidad, haciendo hincapié en la facilidad de uso y la flexibilidad.

Lista de funciones

• Definición de cuerpo inteligente: definición rápida de inteligencias mediante decoradores sencillos, compatibilidad con directivas personalizadas y MCP Llamada al servidor.
• Construcción del flujo de trabajoAdmite varios modos de flujo de trabajo, como Cadena, Paralelo, Evaluador-Optimizador, Enrutador y Orquestador.
• Selección de modelos: Cambia fácilmente entre diferentes modelos (por ejemplo, o3-mini, sonnet) y prueba la interacción entre el modelo y el servidor MCP.
• chat interactivo: Admite el diálogo en tiempo real con inteligencias individuales o componentes del flujo de trabajo para facilitar la depuración y la optimización.
• Soporte de pruebasCapacidades de prueba incorporadas para validar el rendimiento de las inteligencias y los flujos de trabajo, adecuadas para la integración en procesos de integración continua (CI).
• Operación CLI: Proporciona herramientas de línea de comandos para simplificar el proceso de instalación, ejecución y depuración.
• aportación humanaIntelligentsia puede solicitar la intervención humana para proporcionar un contexto adicional para completar las tareas.
• Creación rápida de prototipos: Desde la simple configuración de los archivos hasta su ejecución, sólo se tarda unos minutos en poner en marcha una aplicación de cuerpo inteligente.

Utilizar la ayuda

El objetivo principal de Fast-Agent es reducir las barreras para el desarrollo de inteligencia múltiple. A continuación encontrará guías detalladas de instalación y uso para ayudar a los usuarios a ponerse en marcha rápidamente y dominar sus funciones.

Proceso de instalación

Fast-Agent depende del entorno Python, se recomienda utilizar la opción uv Gestor de paquetes. A continuación se indican los pasos de instalación:

1. Instalación de Python y uv
   Asegúrese de que Python 3.9 o posterior está instalado en su sistema y, a continuación, instale el módulo uv::

pip install uv

Verifica la instalación:

uv --version

2. Instalación de Fast-Agent
   aprobar (una factura o inspección, etc.) uv Instalado desde PyPI:

uv pip install fast-agent-mcp

Para obtener compatibilidad con todas las funciones (por ejemplo, sistema de archivos o servidor Docker MCP), ejecute:

uv pip install fast-agent-mcp[full]

3. Inicialización Configuración
   Una vez finalizada la instalación, se generan archivos de configuración e inteligencias de muestra:

fast-agent setup

Esto generará el agent.py responder cantando fastagent.config.yaml etc.

4. Verificar la instalación
   Comprueba la versión:

fast-agent --version

Si se devuelve el número de versión, la instalación se ha realizado correctamente.

Utilización

Fast-Agent permite ejecutar inteligencias y flujos de trabajo desde la línea de comandos o desde código, como se describe a continuación.

Creación y funcionamiento de las inteligencias básicas

1. Definir la inteligencia
   compilador agent.py, añadiendo inteligencias simples:

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. Inteligencia
   Ejecútalo desde la línea de comandos:

   uv run agent.py
   

   Esto iniciará un modo de chat interactivo, en el que se introduce el nombre del objeto (por ejemplo, "la luna") y smart devolverá una estimación del tamaño.

3. Especificación de modelos
   utilizar --model Modelo de selección de parámetros:

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

Creación de flujos de trabajo

1. Generar plantillas de flujo de trabajo
   utilizar bootstrap para generar ejemplos:

   fast-agent bootstrap workflow
   

   Esto creará un catálogo de flujos de trabajo encadenados que mostrarán cómo construir inteligencias eficaces.

2. Ejecución de flujos de trabajo
   Vaya al directorio del flujo de trabajo generado y ejecútelo:

   uv run chaining.py
   

   El sistema buscará el contenido de la URL especificada y generará publicaciones en las redes sociales.

Función destacada Operación

• Flujo de trabajo en cadena (Cadena)
  compilador chaining.pydefinir flujos de trabajo encadenados:

  @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)
  

  configure fastagent.config.yaml Después de ejecutar el servidor MCP en el:

  uv run chaining.py
  

• Flujo de trabajo paralelo (Parallel)
  Defina un flujo de trabajo de traducción multilingüe:

  @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!")
  

  Una vez ejecutado, el texto se traducirá al francés y al alemán.

• aportación humana
  Definir las inteligencias que requieren la intervención humana:

  @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")
  

  Cuando se ejecute, se pedirá al usuario que introduzca más información si la inteligencia lo requiere.

• Evaluador-Optimizador (Evaluator-Optimiser)
  Genere un flujo de trabajo de investigación:

  fast-agent bootstrap researcher
  

  Edita el perfil y ejecútalo, la inteligencia generará el contenido y lo optimizará hasta que estés satisfecho.

Configuración del servidor MCP

compilador fastagent.config.yamlañade el servidor:

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

En tiempo de ejecución, el cuerpo inteligente llamará a este servidor para obtener datos.

Ejemplo de flujo de operaciones

Supongamos que necesita generar publicaciones en redes sociales a partir de URL:

1. estar en movimiento fast-agent bootstrap workflow Generar plantillas.
2. compilador chaining.pySi desea configurar la URL y el servidor MCP, puede hacerlo pulsando el botón "Configurar".
3. llevar a cabo uv run chaining.pyPara ver el post de 280 caracteres generado.
4. utilizar --quiet sólo devuelve el resultado:

   uv run chaining.py --quiet
   

advertencia

• Usuario de WindowsEs necesario ajustar el sistema de archivos y la configuración del servidor Docker MCP, como se describe en la nota Generar archivo de configuración.
• ajustar los componentes durante las pruebasSi la ejecución falla, añada --verbose Ver registros detallados:

  uv run agent.py --verbose
  

Con estos pasos, los usuarios pueden instalar y utilizar rápidamente Fast-Agent para crear y probar flujos de trabajo de inteligencia múltiple para escenarios de investigación, desarrollo y producción.