fast-agent : MCP 特性完整支持的开源 Python 智能体框架
AI智库导航-aiguide.cc为您提供最新的AI新闻资讯和最新的AI工具推荐,在这里你可以获得用于营销的AI聊天机器人、AI在商业管理中的应用、用于数据分析的AI工具、机器学习模型、面向企业的AI解决方案、AI在商业客户服务中的应用、AI和自动化工具等。
主要介绍
fast-agent 是 evalstate 团队开源的 Python 智能体框架,定位为「CLI 优先、MCP 特性完整支持」的智能体与工作流开发平台。它最鲜明的差异点是:自称首个对 Model Context Protocol 特性做端到端测试的框架,完整覆盖 MCP Sampling 与 MCP Elicitations 两大高级特性,并且是唯一允许检查 Streamable HTTP 传输使用情况的工具——这对于构建可靠、合规的 MCP 部署至关重要。框架用简单的声明式语法让开发者专注于组合提示词与 MCP 服务器:一行装饰器即可定义一个智能体,提示词与配置保存在最小样板的普通文件里,天然支持版本控制。它内置链式、并行、评估器-优化器、路由、编排器五种工作流模式,对应 Anthropic「building effective agents」论文中的主流范式。模型覆盖 Anthropic、OpenAI、Google、Azure、Ollama、DeepSeek 以及经 TensorZero 接入的数十家供应商,并支持本地 llama.cpp。框架同时提供 Agent Skills、MCP Apps、OpenAI Apps SDK、Shell 模式、ACP 与 A2A 协议支持。项目以 Apache-2.0 许可开源,PyPI 包名为 fast-agent-mcp,当前版本 v0.10.54(2026 年 11 月 10 日发布)。截至 2026 年 11 月 16 日,GitHub 仓库获 3,970 星、469 次复刻。

fast-agent 官方 GitHub 仓库 social preview(evalstate/fast-agent,2026-11-16 实测 3,970 Stars)
功能特点
-
MCP 特性完整支持:端到端测试覆盖 MCP Sampling 与 Elicitations,唯一能检查 Streamable HTTP 传输使用情况的工具,含高级传输诊断
-
声明式语法定义智能体:一行装饰器加一句指令即定义一个 Agent,提示词与配置存普通文件,样板最少、可版本控制
-
五种工作流模式:链式、并行、评估器-优化器、路由、编排器,内置 Anthropic「building effective agents」论文范式
-
Agent Skills 支持:以 SKILL.md 渐进式披露智能体能力,支持注册表更新,贴合 Agent Skills 开放标准
-
多协议生态:支持 MCP、ACP(Agent Client Protocol)、A2A 与 OpenAI Apps SDK,可把智能体作为 MCP 服务器托管
-
模型覆盖广泛:原生支持 Anthropic、OpenAI、Google、Azure、Ollama、DeepSeek,并经 TensorZero 接入数十家供应商,本地 llama.cpp 可离线
-
多模态能力:图片与 PDF 可用于提示词、资源与 MCP 工具调用结果,结构化输出简单可靠
-
测试与评测友好:内置 Echo 与 Playback 假模型用于无成本开发测试,评测与自动化 CLI、结果文件内嵌遥测,适合 CI 集成
-
CLI 与交互终端:fast-agent 命令加 prompt_toolkit 驱动的交互终端,流式输出经 rich 实时渲染,无需全屏 UI
-
安全凭据管理:OAuth 支持与 KeyRing 密保存储,通过认证命令统一管理
优缺点
优点:
-
优点1:MCP 特性完整度第一,Sampling 与 Elicitations 端到端支持加传输诊断,是 MCP 深度集成场景下几乎唯一的选择
-
优点2:声明式语法极简,装饰器一句话定义智能体,配置存文件,上手与维护成本低
-
优点3:五种工作流模式齐备,把 Anthropic 论文范式固化为开箱即用的模板
-
优点4:模型覆盖广且可本地离线,从闭源旗舰到 llama.cpp 本地模型自由切换,无供应商锁定
-
优点5:测试评测体系完整,内置假模型与评测 CLI,天然适配持续集成与自动化评测
缺点:
-
缺点1:CLI 优先定位,核心体验围绕命令行与交互终端,作为库嵌入应用的心智模型与文档弱于纯库框架
-
缺点2:版本仍在 0.x(v0.10.54),尚未进入 1.0,API 稳定性承诺有限,快速迭代中可能存在破坏性变更
-
缺点3:编排深度不及 LangGraph 等专精框架,在非 MCP 场景下的图式编排与状态管理能力相对有限
-
缺点4:社区规模中等,3,970 星相比 LangGraph、CrewAI 有数量级差距,第三方教程与生态积累较薄
如何使用
整体上手路径分「安装、定义、运行、工作流」四步,官方推荐用 uv 包管理器完成安装:
第一步安装:先安装 uv 包管理器,再执行 uv pip install fast-agent-mcp 命令安装框架;需要文件系统或 Docker 等 MCP 服务器时安装带 full 附加依赖的版本;也可用工具安装命令把 CLI 装成独立命令。
第二步定义智能体:在 Python 文件里从 fast_agent 包导入 FastAgent 类创建应用实例,用 agent 装饰器加一句指令即可定义一个智能体;提示词与配置保存在简单的配置文件里,便于版本控制。
第三步运行:用 run 方法进入异步上下文即可向智能体发送消息、交互式对话或执行任务;从命令行用 uv run 命令运行该 Python 文件,通过 model 参数指定模型,也可用 go 命令启动交互会话或 scaffold 命令生成示例。
第四步构建工作流:用链式、并行、评估器-优化器等装饰器组合多个智能体,或用 quickstart 与 bootstrap 命令生成「building effective agents」论文的示例工作流;通过 connect 命令挂载 MCP 服务器,用 skills 命令管理技能。
认证与凭据:OAuth 凭据经 KeyRing 存储,用 auth 命令统一管理;本地模型可用 model 命令自动生成 llama.cpp 的配置。
框架技术原理
-
声明式装配:装饰器把智能体定义注册进 FastAgent 应用实例,配置与提示词数据化,运行时统一解释为可执行组件
-
MCP 双角色:既作为 MCP 客户端消费外部工具(支持 stdio 与 Streamable HTTP 两种传输),也能把智能体本身作为 MCP 服务器暴露
-
工作流抽象:链式、并行、评估器-优化器、路由、编排器五种模式对应不同的控制流,底层统一为智能体间消息传递
-
多提供商适配层:模型层原生适配多家供应商,并经 TensorZero 网关扩展,Passthrough 与 Playback 假模型支撑无成本测试
-
多模态管道:图片与 PDF 在提示词、资源与工具结果中统一处理,结构化输出经类型约束保证可靠
-
交互终端引擎:prompt_toolkit 驱动输入补全与终端菜单,rich 负责流式渲染,Shell 模式保护终端滚动缓冲区
-
协议扩展层:ACP 接入编辑器的智能体生态,A2A 支持智能体互通,OpenAI Apps SDK 与 MCP Apps 拓宽宿主范围
-
遥测与诊断:结果文件内嵌遥测,传输诊断检查 Streamable HTTP 使用情况,支撑合规部署与故障排查
创新点
-
MCP 特性完整度标杆:把 Sampling 与 Elicitations 做端到端测试并内置传输诊断,在 MCP 高级特性落地上一枝独秀
-
声明式极简语法:装饰器加指令即定义智能体,把「构建智能体」压缩到一行声明,样板代码降到最低
-
论文范式产品化:把 Anthropic「building effective agents」的链式、并行、路由等模式固化为开箱即用的工作流模板
-
假模型测试法:Echo 与 Playback 假模型让开发与测试零模型成本,评测天然可进 CI
-
CLI 优先的工程体验:把流式输出、Shell 集成、会话回滚与技能管理整合进终端,贴近开发者的日常工作流
评估标准
-
MCP 特性完整度:对 Sampling、Elicitations 与 Streamable HTTP 的支持深度与测试覆盖
-
上手成本:从安装到定义并运行第一个智能体的步骤数与代码量
-
工作流表达力:内置工作流模式的丰富度与组合灵活性
-
模型与协议覆盖:支持的模型供应商数量、本地模型能力与 MCP、ACP、A2A 协议接入范围
-
测试与评测友好度:假模型、评测 CLI 与 CI 集成的完整度
-
生产就绪度:版本成熟度、社区规模与生态积累
应用领域
-
MCP 深度集成开发:需要 Sampling 与 Elicitations 等高级特性的 MCP 客户端与服务器开发
-
编码智能体与开发工具:CLI 优先的编码助手、Shell 集成与技能驱动的研发提效
-
多智能体工作流编排:链式、并行、评估器-优化器等模式下的多智能体协同
-
模型评测与基准测试:假模型加评测 CLI 支撑模型与 MCP 服务器交互的自动化评测
-
本地与隐私敏感场景:llama.cpp 本地模型离线运行,数据不出本机
-
跨编辑器智能体接入:通过 ACP 与 Claude Code、Cursor 等编辑器生态互通
项目地址
项目由 evalstate 团队维护,以 Python 编写,采用 Apache-2.0 许可,PyPI 包名为 fast-agent-mcp。项目建仓于 2025 年 1 月,截至 2026 年 11 月 16 日获 3,970 星、469 次复刻,官网为 fast-agent.ai,官方文档随仓库 docs 目录一同分发。当前版本 v0.10.54 于 2026 年 11 月 10 日发布,主要接入 Claude Fable 5.2 模型并持续发布基准评测结果。
安装方式通过 uv 包管理器完成,执行 uv pip install fast-agent-mcp 安装,或通过工具安装命令把 CLI 装为独立命令;Windows 用户使用文件系统与 Docker MCP 服务器时需在配置文件中做少量适配。
社区与生态方面,框架内置的注册表提供 LSP、Agent 与工具钩子、上下文压缩策略、自动化等技能,可经 skills 命令管理;模型覆盖 Anthropic、OpenAI、Google、Azure、Ollama、DeepSeek 及 TensorZero 生态的数十家供应商。
-
项目官网:https://fast-agent.ai
-
代码仓库:https://github.com/evalstate/fast-agent
-
官方文档:https://fast-agent.ai
同类型工具比较
|
对比维度
|
fast-agent
|
LangGraph
|
CrewAI
|
|---|---|---|---|
|
语言栈
|
Python
|
Python
|
Python
|
|
定位
|
MCP 特性完整支持的 CLI 优先框架
|
图式编排框架
|
角色多 Agent 编排框架
|
|
MCP 高级特性
|
Sampling 与 Elicitations 端到端支持
|
经社区集成
|
经社区集成
|
|
驱动方式
|
声明式装饰器加配置文件
|
代码构建图与节点
|
代码定义角色与 Crew
|
|
工作流模式
|
链式、并行、评估器-优化器、路由、编排器
|
图状态机
|
角色协作流程
|
|
协议支持
|
MCP、ACP、A2A
|
经社区集成
|
经社区集成
|
|
许可证
|
Apache-2.0
|
MIT
|
MIT
|
|
GitHub 星标(2026-11-16 实测)
|
3,970
|
44,769
|
60,789
|
© 版权声明
文章版权归作者所有,未经允许请勿转载。
相关文章
暂无评论...