Fast-Agent: декларативная грамматика и интеграция MCP для быстрого создания многоинтеллектуальных рабочих процессов тела

Общее введение

Fast-Agent - это инструмент с открытым исходным кодом, поддерживаемый командой evalstate на GitHub и предназначенный для того, чтобы помочь разработчикам быстро определять, тестировать и создавать многоинтеллектуальные рабочие процессы. Основанный на простом декларативном синтаксисе, он поддерживает интеграцию с серверами MCP (Model-Compute-Platform), позволяя пользователям сосредоточиться на разработке подсказок и логики интеллекта вместо утомительной настройки. Fast-Agent предлагает несколько режимов работы (например, цепочечный, параллельный, оптимизированный для оценки и т. д.), встроенный инструментарий командной строки (CLI) и функцию интерактивного чата, что делает его подходящим для сценариев разработки от создания прототипов до развертывания производства. Он подходит для сценариев разработки от прототипирования до развертывания на производстве. Проект лицензирован под лицензией Apache 2.0 и поддерживает вклад сообщества, уделяя особое внимание простоте использования и гибкости.

Список функций

• Определение интеллектуального тела: быстрое определение интеллектов с помощью простых декораторов, поддержка пользовательских директив и MCP Вызов сервера.
• Построение рабочего процессаОн поддерживает несколько режимов работы, таких как цепочка, параллель, оценщик-оптимизатор, маршрутизатор и орхистратор.
• Выбор модели: Удобное переключение между различными моделями (например, o3-mini, sonnet) и тестирование взаимодействия между моделью и MCP-сервером.
• интерактивный чат: Поддерживает диалог в реальном времени с отдельными интеллектами или компонентами рабочего процесса для упрощения отладки и оптимизации.
• Тестовая поддержка: Встроенные возможности тестирования для проверки работоспособности интеллектуальных систем и рабочих процессов, пригодные для интеграции в процессы непрерывной интеграции (CI).
• Работа с CLI: Предоставляет инструменты командной строки для упрощения процесса установки, выполнения и отладки.
• человеческий вкладИнтеллектуалы могут запрашивать у человека дополнительный контекст для выполнения задач.
• Быстрое прототипирование: От простой настройки файла до запуска - всего несколько минут для запуска интеллектуального приложения для тела.

Использование помощи

Основная цель Fast-Agent - снизить барьеры на пути развития мультиразведки. Ниже приведены подробные руководства по установке и использованию, которые помогут пользователям быстро освоиться и освоить его возможности.

Процесс установки

Fast-Agent зависит от окружения Python, и рекомендуется использовать uv Менеджер пакетов. Ниже перечислены шаги по установке:

1. Установка Python и uv
   Убедитесь, что в вашей системе установлен Python 3.9 или более поздней версии, а затем установите uv::

pip install uv

Проверьте установку:

uv --version

2. Установка Fast-Agent
   пройти (законопроект, проверку и т.д.) uv Устанавливается из PyPI:

uv pip install fast-agent-mcp

Чтобы получить полную поддержку функций (например, файловой системы или сервера Docker MCP), выполните команду:

uv pip install fast-agent-mcp[full]

3. Инициализация Конфигурация
   После завершения установки создаются образцы файлов конфигурации и интеллекта:

fast-agent setup

Это приведет к созданию agent.py ответить пением fastagent.config.yaml и т.д.

4. Проверка установки
   Проверьте версию:

fast-agent --version

Если номер версии возвращается, значит, установка прошла успешно.

Использование

Fast-Agent поддерживает запуск интеллектов и рабочих процессов из командной строки или из кода, как описано ниже.

Создание и выполнение базовых интеллектов

1. Определение интеллекта
   компилятор agent.py, добавляя простые интеллекты:

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. Бегущий интеллект
   Запустите его из командной строки:

   uv run agent.py
   

   Это запустит режим интерактивного чата, в котором нужно ввести название объекта (например, "Луна"), а смарт вернет оценку его размера.

3. Определение моделей
   пользоваться --model Модель выбора параметров:

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

Создание рабочих процессов

1. Создание шаблонов рабочих процессов
   пользоваться bootstrap команда для создания примеров:

   fast-agent bootstrap workflow
   

   Это позволит создать каталог цепочек рабочих процессов, показывающих, как построить эффективный интеллект.

2. Выполнение рабочих процессов
   Перейдите в каталог сгенерированного рабочего процесса и запустите его:

   uv run chaining.py
   

   Система получит контент с указанного URL и создаст посты в социальных сетях.

Функциональное управление

• Цепной рабочий процесс (Цепь)
  компилятор chaining.pyОпределите цепочку рабочих процессов:

  @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)
  

  настроить fastagent.config.yaml После запуска сервера MCP в:

  uv run chaining.py
  

• Параллельный рабочий процесс (Parallel)
  Определите рабочий процесс многоязычного перевода:

  @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!")
  

  После запуска текст будет переведен на французский и немецкий языки.

• человеческий вклад
  Определите интеллект, требующий участия человека:

  @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")
  

  При запуске пользователю будет предложено ввести дополнительную информацию, если она требуется.

• Оценщик-оптимизатор (Оценщик-оптимизатор)
  Создайте рабочий процесс исследования:

  fast-agent bootstrap researcher
  

  Отредактируйте профиль и запустите его, интеллект будет генерировать контент и оптимизировать его, пока вы не останетесь довольны.

Настройка сервера MCP

компилятор fastagent.config.yamlДобавьте сервер:

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

Во время выполнения умное тело будет обращаться к этому серверу за данными.

Пример потока операций

Предположим, вам нужно генерировать посты в социальных сетях на основе URL-адресов:

1. быть в движении fast-agent bootstrap workflow Создавайте шаблоны.
2. компилятор chaining.pyЕсли вы хотите настроить URL и сервер MCP, вы можете сделать это, нажав кнопку "Настройка".
3. осуществлять uv run chaining.pyЧтобы просмотреть созданный пост длиной 280 символов.
4. пользоваться --quiet Параметр возвращает только результат:

   uv run chaining.py --quiet
   

предостережение

• Пользователь Windows: Необходимо настроить файловую систему и конфигурацию сервера Docker MCP, как описано в заметке Генерация файла конфигурации.
• регулировка компонентов во время тестирования: Если запуск не удался, добавьте --verbose Просмотр подробных журналов:

  uv run agent.py --verbose
  

Выполнив эти действия, пользователи смогут быстро установить и использовать Fast-Agent для создания и тестирования многоинтеллектуальных рабочих процессов для исследований, разработок и производственных сценариев.