빠른 에이전트: 다중 지능형 바디 워크플로를 빠르게 구축하기 위한 선언적 문법 및 MCP 통합

일반 소개

패스트 에이전트는 개발자가 다중 지능형 바디 워크플로를 신속하게 정의, 테스트 및 구축할 수 있도록 설계된 GitHub의 평가 팀이 관리하는 오픈 소스 툴입니다. 간단한 선언적 구문을 기반으로 MCP(모델 컴퓨팅 플랫폼) 서버와의 통합을 지원하므로 사용자는 지루한 구성 대신 프롬프트와 인텔리전스 로직 설계에 집중할 수 있습니다. fast-Agent는 여러 워크플로 모드(예: 체인, 병렬, 평가 최적화 등), 내장된 명령줄 도구(CLI), 대화형 채팅 기능을 제공하므로 프로토타입에서 프로덕션 배포에 이르는 다양한 개발 시나리오에 적합합니다. 프로토타이핑부터 프로덕션 배포에 이르는 개발 시나리오에 적합합니다. 이 프로젝트는 Apache 2.0 라이선스에 따라 라이선스가 부여되며 사용 편의성과 유연성에 중점을 두고 커뮤니티 기여를 지원합니다.

기능 목록

• 인텔리전트 바디의 정의간단한 데코레이터를 통한 빠른 인텔리전스 정의, 사용자 지정 지시어 지원 및 MCP 서버 호출.
• 워크플로 구축체인, 병렬, 평가기-최적화기, 라우터 및 오케스트레이터와 같은 여러 워크플로 모드를 지원합니다.
• 모델 선택다양한 모델(예: o3-mini, 소네트) 간에 쉽게 전환하고 모델과 MCP 서버 간의 상호 작용을 테스트할 수 있습니다.
• 대화형 채팅간편한 디버깅 및 최적화를 위해 개별 인텔리전스 또는 워크플로 구성 요소와의 실시간 대화를 지원합니다.
• 테스트 지원지속적인 통합(CI) 프로세스에 통합하기에 적합한 인텔리전스 및 워크플로우의 성능을 검증하는 테스트 기능이 내장되어 있습니다.
• CLI 조작설치, 런타임 및 디버깅 프로세스를 간소화하는 명령줄 도구를 제공합니다.
• 사람의 입력인텔리전스는 작업을 완료하기 위해 추가 컨텍스트를 제공하기 위해 사람의 입력을 요청할 수 있습니다.
• 신속한 프로토타이핑간단한 파일 구성부터 실행까지 몇 분이면 지능형 바디 애플리케이션을 실행할 수 있습니다.

도움말 사용

패스트 에이전트의 핵심 목표는 다중 지능 개발의 장벽을 낮추는 것입니다. 다음은 사용자가 빠르게 시작하고 기능을 익히는 데 도움이 되는 자세한 설치 및 사용 가이드입니다.

설치 프로세스

Fast-Agent는 파이썬 환경에 따라 다르며, 파이썬 환경에서는 uv 패키지 관리자로 이동합니다. 설치 단계는 다음과 같습니다:

1. Python 및 UV 설치
   시스템에 파이썬 3.9 이상이 설치되어 있는지 확인한 다음, 파이썬 3.9 이상 버전에서 uv::

pip install uv

설치를 확인합니다:

uv --version

2. 빠른 에이전트 설치
   통과(청구서 또는 검사 등) uv PyPI에서 설치합니다:

uv pip install fast-agent-mcp

전체 기능(예: 파일 시스템 또는 Docker MCP 서버)을 지원하려면 실행하세요:

uv pip install fast-agent-mcp[full]

3. 초기화 구성
   설치가 완료되면 샘플 구성 파일과 인텔리전스가 생성됩니다:

fast-agent setup

이렇게 하면 agent.py 노래로 응답 fastagent.config.yaml 등

4. 설치 확인
   버전을 확인합니다:

fast-agent --version

버전 번호가 반환되면 설치에 성공한 것입니다.

사용법

아래에 설명된 대로 Fast-Agent는 명령줄 또는 코드에서 인텔리전스 및 워크플로를 실행할 수 있도록 지원합니다.

기본 인텔리전스 생성 및 실행

1. 인텔리전스 정의
   컴파일러 agent.py를 사용하여 간단한 인텔리전스를 추가합니다:

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. 러닝 인텔리전스
   명령줄에서 실행합니다:

   uv run agent.py
   

   그러면 대화형 채팅 모드가 시작되고, 개체 이름(예: "달")을 입력하면 스마트가 예상 크기를 반환합니다.

3. 모델 지정
   활용 --model 매개변수 선택 모델:

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

워크플로 만들기

1. 워크플로 템플릿 생성
   활용 bootstrap 명령으로 예제를 생성할 수 있습니다:

   fast-agent bootstrap workflow
   

   이렇게 하면 효과적인 인텔리전스를 구축하는 방법을 보여주는 연쇄적인 워크플로 카탈로그가 만들어집니다.

2. 워크플로 실행
   생성된 워크플로 디렉토리로 이동하여 실행합니다:

   uv run chaining.py
   

   시스템이 지정된 URL에서 콘텐츠를 가져와 소셜 미디어 게시물을 생성합니다.

주요 기능 작동

• 체인 워크플로(체인)
  컴파일러 chaining.py를 사용하여 연쇄 워크플로우를 정의합니다:

  @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)
  

  구성 fastagent.config.yaml 에서 MCP 서버를 실행한 후

  uv run chaining.py
  

• 병렬 워크플로(병렬)
  다국어 번역 워크플로우를 정의합니다:

  @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!")
  

  실행하면 텍스트가 프랑스어와 독일어로 모두 번역됩니다.

• 사람의 입력
  사람의 입력이 필요한 인텔리전스를 정의합니다:

  @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")
  

  실행 시 인텔리전스에 필요한 경우 사용자에게 추가 정보를 입력하라는 메시지가 표시됩니다.

• 평가자-최적화 도구(평가자-최적화 도구)
  연구 워크플로우를 생성합니다:

  fast-agent bootstrap researcher
  

  프로필을 편집하고 실행하면 인텔리전스가 콘텐츠를 생성하고 사용자가 만족할 때까지 최적화합니다.

MCP 서버 구성

컴파일러 fastagent.config.yaml를 클릭하고 서버를 추가합니다:

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

런타임에 스마트 바디는 이 서버를 호출하여 데이터를 요청합니다.

작업 흐름의 예

URL에서 소셜 미디어 게시물을 생성해야 한다고 가정해 보겠습니다:

1. 움직여야 합니다. fast-agent bootstrap workflow 템플릿을 생성합니다.
2. 컴파일러 chaining.pyURL 및 MCP 서버를 설정하려면 '설정' 버튼을 클릭하여 설정할 수 있습니다.
3. 수행 uv run chaining.py생성된 280자 게시물을 보려면 다음과 같이 하세요.
4. 활용 --quiet 매개변수는 결과만 반환합니다:

   uv run chaining.py --quiet
   

주의

• Windows 사용자구성 파일 생성 노트에 설명된 대로 파일 시스템 및 Docker MCP 서버 구성을 조정해야 합니다.
• 테스트 중 구성 요소 조정실행이 실패하면 --verbose 자세한 로그 보기:

  uv run agent.py --verbose
  

이러한 단계를 통해 사용자는 Fast-Agent를 빠르게 설치하고 사용하여 연구, 개발 및 생산 시나리오를 위한 다중 인텔리전스 워크플로우를 구축하고 테스트할 수 있습니다.