Fast-Agent: gramática declarativa e integración con MCP para crear rápidamente flujos de trabajo corporales multiinteligentes
Últimos recursos sobre IAPublicado hace 6 meses Círculo de intercambio de inteligencia artificial 11.6K 00
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:
- Instalación de Python y uv
Asegúrese de que Python 3.9 o posterior está instalado en su sistema y, a continuación, instale el módulouv
::
pip install uv
Verifica la instalación:
uv --version
- 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]
- 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.
- 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
- Definir la inteligencia
compiladoragent.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())
- 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.
- Especificación de modelos
utilizar--model
Modelo de selección de parámetros:uv run agent.py --model=o3-mini.low
Creación de flujos de trabajo
- Generar plantillas de flujo de trabajo
utilizarbootstrap
para generar ejemplos:fast-agent bootstrap workflow
Esto creará un catálogo de flujos de trabajo encadenados que mostrarán cómo construir inteligencias eficaces.
- 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)
compiladorchaining.py
definir 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.yaml
añade 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:
- estar en movimiento
fast-agent bootstrap workflow
Generar plantillas. - compilador
chaining.py
Si desea configurar la URL y el servidor MCP, puede hacerlo pulsando el botón "Configurar". - llevar a cabo
uv run chaining.py
Para ver el post de 280 caracteres generado. - 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.
© declaración de copyright
Derechos de autor del artículo Círculo de intercambio de inteligencia artificial Todos, por favor no reproducir sin permiso.
Artículos relacionados
Sin comentarios...