fast-agent (MCP server) — Anwendungsfälle, Installieren & Live-Demo

Warum nutzen

Hauptfunktionen

@fast.agent() / @fast.chain() / @fast.parallel() Decorators für Agent-Formen
Erstklassige Unterstützung für MCP, Skills und ACP
Multi-Modell (Anthropic, OpenAI, Bedrock, lokal)
Eingebauter Eval-Runner + Trace-Visualisierer
Kann selbst als MCP-Server laufen und eigene Agenten als Tools exponieren

Live-Demo

In der Praxis

fast-agent-mcp.replay ▶ bereit

0/0

Installieren

Wählen Sie Ihren Client

~/Library/Application Support/Claude/claude_desktop_config.json · Windows: %APPDATA%\Claude\claude_desktop_config.json

{
  "mcpServers": {
    "fast-agent-mcp": {
      "command": "uvx",
      "args": [
        "fast-agent-mcp"
      ]
    }
  }
}

Öffne Claude Desktop → Settings → Developer → Edit Config. Nach dem Speichern neu starten.

~/.cursor/mcp.json · .cursor/mcp.json

{
  "mcpServers": {
    "fast-agent-mcp": {
      "command": "uvx",
      "args": [
        "fast-agent-mcp"
      ]
    }
  }
}

Cursor nutzt das gleiche mcpServers-Schema wie Claude Desktop. Projektkonfiguration schlägt die globale.

VS Code → Cline → MCP Servers → Edit

{
  "mcpServers": {
    "fast-agent-mcp": {
      "command": "uvx",
      "args": [
        "fast-agent-mcp"
      ]
    }
  }
}

Klicken Sie auf das MCP-Servers-Symbol in der Cline-Seitenleiste, dann "Edit Configuration".

~/.codeium/windsurf/mcp_config.json

{
  "mcpServers": {
    "fast-agent-mcp": {
      "command": "uvx",
      "args": [
        "fast-agent-mcp"
      ]
    }
  }
}

Gleiche Struktur wie Claude Desktop. Windsurf neu starten zum Übernehmen.

~/.continue/config.json

{
  "mcpServers": [
    {
      "name": "fast-agent-mcp",
      "command": "uvx",
      "args": [
        "fast-agent-mcp"
      ]
    }
  ]
}

Continue nutzt ein Array von Serverobjekten statt einer Map.

~/.config/zed/settings.json

{
  "context_servers": {
    "fast-agent-mcp": {
      "command": {
        "path": "uvx",
        "args": [
          "fast-agent-mcp"
        ]
      }
    }
  }
}

In context_servers hinzufügen. Zed lädt beim Speichern neu.

claude mcp add fast-agent-mcp -- uvx fast-agent-mcp

Einzeiler. Prüfen mit claude mcp list. Entfernen mit claude mcp remove.

Anwendungsfälle

Praxisnahe Nutzung: fast-agent

Einen Deep-Research-Agenten in 30 Python-Zeilen bauen

👤 Entwickler, die einen reproduzierbaren Research-Agenten wollen ⏱ ~60 min intermediate

Wann einsetzen: Du hast 'Recherchiere X' im Chat prototypisiert und willst es als aufrufbaren Agenten.

Voraussetzungen

Python 3.11+ und uv — uv installieren falls nicht vorhanden; fast-agent nutzt es
fast-agent installiert — uvx fast-agent-mcp init; in das Projekt-Verzeichnis wechseln

Ablauf

Gerüst erstellen

Use fast-agent. Generate a research agent skeleton with tavily search + fetch + summarize tools.✓ Kopiert

→ agent.py mit @fast.agent-Decorator
MCPs verbinden

Attach the tavily-mcp and filesystem MCP servers in fastagent.config.yaml.✓ Kopiert

→ Konfiguration validiert; Server verbinden
Ausführen + iterieren

Run with: research 'state of small embedding models 2026'. Inspect the trace.✓ Kopiert

→ Trace zeigt search → fetch → summarize-Kette; Ausgabe ist ein quellengestütztes Briefing
Eval hinzufügen

Author a 5-prompt eval; run nightly. Fail if any source citation is missing.✓ Kopiert

→ Eval-Ausgabe grün/rot; nächtliches Cron eingerichtet

Ergebnis: Eine reproduzierbare Research-Pipeline, die an Teammitglieder übergeben werden kann.

Fallstricke

Decorator-Magie verschleiert was der Agent tut — Immer den Trace lesen; jeden Tool-Aufruf verstehen bevor der Agent als funktionierend gilt

Kombinieren mit: tavily-mcp · filesystem

Fast-Agent als MCP-Server exponieren

👤 Entwickler, die Agenten teamübergreifend teilen ⏱ ~25 min intermediate

Wann einsetzen: Du hast einen internen Agenten in fast-agent gebaut und willst, dass andere ihn von Claude aus aufrufen.

Ablauf

Agenten als exponiert markieren

Add @fast.agent(expose=True) to the decorator; specify name and description for tool discovery.✓ Kopiert

→ Agent erscheint jetzt auch als MCP-Tool
Als MCP-Server ausführen

Run: fast-agent serve --transport stdio.✓ Kopiert

→ Stdio-MCP-Server läuft mit deinem Agenten als Tool aufgelistet
Zu Clients hinzufügen

Add the fast-agent stdio config to my Claude Desktop config.✓ Kopiert

→ Tool in Claude sichtbar; Aufrufen startet deinen Agenten

Ergebnis: Dein individueller Agent teamübergreifend wie jedes andere MCP wiederverwendbar.

Fallstricke

Agent hängt von lokalen Dateien ab, die nur der Autor hat — Konfiguration + Assets in das Agent-Paket verschieben; erforderliche Umgebungsvariablen dokumentieren

Zwei Prompt-Versionen mit dem Eval-Runner vergleichen

👤 Alle, die einen Prompt für Produktion optimieren ⏱ ~45 min intermediate

Wann einsetzen: Du debattierst zwei Prompt-Formulierungen und willst datengestützt entscheiden.

Ablauf

Eval schreiben

Define an eval with 12 representative inputs and golden outputs.✓ Kopiert

→ evals/<name>.yaml
Zweimal ausführen

Run eval against prompt v1, then v2. Compare pass rates + token usage.✓ Kopiert

→ Vergleichstabelle mit Deltas
Auswählen + einfrieren

Save the winning prompt to prompts/winning.md; tag the eval as the regression baseline.✓ Kopiert

→ Eingefrorene Baseline; zukünftige PRs laufen dagegen

Ergebnis: Datengestützte Prompt-Wahl + Regressionsnetz.

Fallstricke

12 Eingaben sind alle Happy-Path — Adversarielle Fälle hinzufügen — leere Eingabe, fehlerhafte Eingabe, widersprüchliche Fakten

Kombinationen

Mit anderen MCPs für 10-fache Wirkung

fast-agent-mcp + tavily-mcp + filesystem

Research-Agent mit Web- und Filesystem-MCPs erstellen

Build a research agent that uses tavily for search, filesystem for note persistence.✓ Kopiert

fast-agent-mcp + mcpjam-inspector

Eigenen fast-agent-Server vor dem Ship mit MCPJam UI prüfen

Run fast-agent as MCP server; connect via mcpjam-inspector to verify tool schemas.✓ Kopiert

Werkzeuge

Was dieses MCP bereitstellt

Werkzeug	Eingaben	Wann aufrufen	Kosten
agent.run	messages, agent_name?	Einen Agenten end-to-end treiben	Model + tool calls
agent.list	—	Entdecken was exponiert ist	0
eval.run	eval_name, prompt_version?	Pre-Commit / nächtliche Regression	Model API per prompt
trace.get	run_id	Einen bestimmten Lauf debuggen	0

Kosten & Limits

Was der Betrieb kostet

API-Kontingent: Was auch immer das gewählte Modell-Provider-Quota ist
Tokens pro Aufruf: Sehr variabel — hängt vom Agenten-Design ab
Kosten in €: Kostenloses Framework; Modell-Provider bezahlen
Tipp: --model haiku-4.5 in der Entwicklung verwenden; auf Sonnet nur für Produktions-Läufe und Evals wechseln

Sicherheit

Rechte, Secrets, Reichweite

Minimale Scopes: Was auch immer angehängte MCPs benötigen

Credential-Speicherung: fastagent.secrets.yaml (gitignored) oder Umgebungsvariablen

Datenabfluss: Zu angehängten MCP-Servern und gewählten Modell-Providern

Niemals gewähren: Produktions-Schreib-Tokens in Entwicklungsumgebungen

Decorators können lokalen Kontext erfassen — darauf achten, Secrets nicht versehentlich im Agenten-State zu serialisieren

Fehlerbehebung

Häufige Fehler und Lösungen

Agent schleift ohne zu konvergieren

max_steps setzen; Trace auf die Schleife untersuchen. Oft gibt ein Tool mehrdeutige Ausgabe zurück und das Modell wiederholt ewig

Prüfen: trace.get(run_id)

Eval meldet 0% aber manueller Lauf funktioniert

golden_output-Format prüfen — strikte Gleichheit vs. semantisches Matching

MCP-Server in Konfiguration schlägt beim Anhängen fehl

Server-Befehl zuerst standalone ausführen; prüfen ob Umgebungsvariablen in fastagent.secrets.yaml vorhanden sind

Langsamer erster Lauf

uv zieht Dependencies beim ersten Aufruf; beim nächsten gecacht. In CI vorwärmen

Alternativen

fast-agent vs. andere

Alternative	Wann stattdessen	Kompromiss
PrefectHQ/fastmcp	Das kanonische MCP-Server-Framework gewünscht, kein vollständiges Agent-Framework	fastmcp ist zum Bauen von Servern; fast-agent ist zum Bauen (und Orchestrieren) von Agenten, die sie konsumieren
LangGraph	Das Team ist bereits im LangChain-Ökosystem investiert	Allgemeiner; weniger MCP-nativ
mcp-agent (lastmile-ai)	Minimaleres Tutorial-taugliches Framework bevorzugt	Kleinerer Umfang; weniger Batteries-Included

Mehr

Ressourcen

📖 Offizielle README auf GitHub lesen

🐙 Offene Issues ansehen

🔍 Alle 400+ MCP-Server und Skills durchsuchen