Fast-Agent：声明式语法和MCP集成快速构建多智能体工作流

综合介绍

Fast-Agent 是一个由 evalstate 团队在 GitHub 上维护的开源工具，旨在帮助开发者快速定义、测试和构建多智能体工作流。它基于简单的声明式语法，支持与 MCP（Model-Compute-Platform）服务器集成，让用户专注于设计提示词和智能体逻辑，而非繁琐的配置。Fast-Agent 提供多种工作流模式（如链式、并行、评估优化等），内置命令行工具（CLI）和交互式聊天功能，适用于从原型验证到生产部署的开发场景。项目采用 Apache 2.0 许可证，支持社区贡献，强调易用性和灵活性。

功能列表

• 智能体定义：通过简单装饰器快速定义智能体，支持自定义指令和 MCP 服务器调用。
• 工作流构建：支持链式（Chain）、并行（Parallel）、评估优化（Evaluator-Optimizer）、路由（Router）和编排（Orchestrator）等多种工作流模式。
• 模型选择：轻松切换不同模型（如 o3-mini、sonnet），测试模型与 MCP 服务器的交互效果。
• 交互式聊天：支持与单个智能体或工作流组件实时对话，便于调试和优化。
• 测试支持：内置测试功能，验证智能体和工作流的表现，适合集成到持续集成（CI）流程。
• CLI 操作：提供命令行工具，简化安装、运行和调试流程。
• 人类输入：智能体可请求人类输入，提供额外上下文以完成任务。
• 快速原型：从简单文件配置到运行，仅需几分钟即可启动智能体应用。

使用帮助

Fast-Agent 的核心目标是降低多智能体开发的门槛，以下是详细的安装和使用指南，帮助用户快速上手并掌握其功能。

安装流程

Fast-Agent 依赖 Python 环境，推荐使用 uv 包管理器。以下是安装步骤：

1. 安装 Python 和 uv
   确保系统已安装 Python 3.9 或更高版本，然后安装 uv：

pip install uv

验证安装：

uv --version

2. 安装 Fast-Agent
   通过 uv 从 PyPI 安装：

uv pip install fast-agent-mcp

若需完整功能支持（如文件系统或 Docker MCP 服务器），运行：

uv pip install fast-agent-mcp[full]

3. 初始化配置
   安装完成后，生成示例配置文件和智能体：

fast-agent setup

这会在当前目录生成 agent.py 和 fastagent.config.yaml 等文件。

4. 验证安装
   检查版本：

fast-agent --version

若返回版本号，安装成功。

使用方法

Fast-Agent 支持通过命令行或代码运行智能体和工作流，以下是具体操作步骤。

创建并运行基本智能体

1. 定义智能体
   编辑 agent.py，添加简单智能体：

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. 运行智能体
   在命令行中运行：

   uv run agent.py
   

   这将启动交互式聊天模式，输入对象名称（如 "the moon"），智能体会返回估计大小。

3. 指定模型
   使用 --model 参数选择模型：

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

创建工作流

1. 生成工作流模板
   使用 bootstrap 命令生成示例：

   fast-agent bootstrap workflow
   

   这会创建一个包含链式工作流的目录，展示如何构建有效智能体。

2. 运行工作流
   进入生成的工作流目录，运行：

   uv run chaining.py
   

   系统将从指定 URL 获取内容并生成社交媒体帖子。

特色功能操作

• 链式工作流（Chain）
  编辑 chaining.py，定义链式工作流：

  @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)
  

  配置 fastagent.config.yaml 中的 MCP 服务器后，运行：

  uv run chaining.py
  

• 并行工作流（Parallel）
  定义多语言翻译工作流：

  @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!")
  

  运行后，文本将同时翻译为法语和德语。

• 人类输入
  定义需要人类输入的智能体：

  @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")
  

  运行时，若智能体需要更多信息，会提示用户输入。

• 评估优化（Evaluator-Optimizer）
  生成研究工作流：

  fast-agent bootstrap researcher
  

  编辑配置文件并运行，智能体会生成内容并优化至满意为止。

配置 MCP 服务器

编辑 fastagent.config.yaml，添加服务器：

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

运行时，智能体将调用此服务器获取数据。

操作流程示例

假设需要从 URL 生成社交媒体帖子：

1. 运行 fast-agent bootstrap workflow 生成模板。
2. 编辑 chaining.py，设置 URL 和 MCP 服务器。
3. 执行 uv run chaining.py，查看生成的 280 字符帖子。
4. 使用 --quiet 参数仅返回结果：

   uv run chaining.py --quiet
   

注意事项

• Windows 用户：需调整文件系统和 Docker MCP 服务器配置，详情见生成配置文件注释。
• 调试：若运行失败，添加 --verbose 查看详细日志：

  uv run agent.py --verbose
  

通过以上步骤，用户可快速安装并使用 Fast-Agent，构建并测试多智能体工作流，适用于研究、开发和生产场景。