fast-agent (MCP server) — Casos de uso, Instalar & Demo ao vivo

Por que usar

Principais recursos

Decorators @fast.agent() / @fast.chain() / @fast.parallel() para formatos de agentes
Suporte de primeira classe a MCP, Skills e ACP
Multi-model (Anthropic, OpenAI, Bedrock, local)
Runner de evals integrado + visualizador de traces
Pode rodar como servidor MCP, expondo seus agentes como tools

Demo ao vivo

Como fica na prática

fast-agent-mcp.replay ▶ pronto

0/0

Instalar

Escolha seu cliente

~/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"
      ]
    }
  }
}

Abra Claude Desktop → Settings → Developer → Edit Config. Reinicie após salvar.

~/.cursor/mcp.json · .cursor/mcp.json

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

Cursor usa o mesmo esquema mcpServers que o Claude Desktop. Config de projeto vence a global.

VS Code → Cline → MCP Servers → Edit

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

Clique no ícone MCP Servers na barra lateral do Cline, depois "Edit Configuration".

~/.codeium/windsurf/mcp_config.json

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

Mesmo formato do Claude Desktop. Reinicie o Windsurf para aplicar.

~/.continue/config.json

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

O Continue usa um array de objetos de servidor em vez de um map.

~/.config/zed/settings.json

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

Adicione em context_servers. Zed recarrega automaticamente ao salvar.

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

Uma linha só. Verifique com claude mcp list. Remova com claude mcp remove.

Casos de uso

Usos do mundo real: fast-agent

Construir um agente de pesquisa aprofundada em 30 linhas de Python

👤 Devs que querem um agente de pesquisa reproduzível ⏱ ~60 min intermediate

Quando usar: Você prototipou 'pesquise X' no chat e quer isso como um agente chamável.

Pré-requisitos

Python 3.11+ e uv — Instale uv se não tiver; o fast-agent o usa
fast-agent instalado — uvx fast-agent-mcp init; entre no diretório do projeto

Fluxo

Criar o scaffold

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

→ agent.py com decorator @fast.agent
Conectar os MCPs

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

→ Config validada; servidores conectados
Executar + iterar

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

→ Trace mostra cadeia de busca → fetch → sumarização; saída é um brief com fontes
Adicionar um eval

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

→ Saída do eval verde/vermelho; cron noturno configurado

Resultado: Um pipeline de pesquisa reproduzível que você pode entregar a colegas.

Armadilhas

A mágica dos decorators obscurece o que o agente está fazendo — Sempre leia o trace; entenda cada chamada de tool antes de declarar que o agente funciona

Combine com: tavily-mcp · filesystem

Expor seu fast-agent como servidor MCP

👤 Devs compartilhando agentes entre times ⏱ ~25 min intermediate

Quando usar: Você construiu um agente interno no fast-agent e quer que outros o chamem pelo Claude.

Fluxo

Marcar o agente como exposto

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

→ Agente agora também aparece como tool MCP
Executar como servidor MCP

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

→ Servidor MCP stdio rodando com seu agente listado como tool
Adicionar aos clientes

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

→ Tool visível no Claude; chamá-la aciona seu agente

Resultado: Seu agente personalizado reutilizável pelo time como qualquer outro MCP.

Armadilhas

Agente depende de arquivos locais que apenas o autor tem — Mova config + assets para o pacote do agente; documente quaisquer variáveis de ambiente necessárias

Comparar duas versões de prompt com o runner de evals

👤 Qualquer pessoa ajustando um prompt para produção ⏱ ~45 min intermediate

Quando usar: Você está debatendo duas formulações de prompt e quer escolher com base em dados.

Fluxo

Escrever o eval

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

→ evals/<name>.yaml
Executar duas vezes

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

→ Tabela de comparação com deltas
Escolher + bloquear

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

→ Baseline bloqueado; PRs futuros rodam contra ele

Resultado: Escolha de prompt baseada em dados + rede de regressão.

Armadilhas

12 entradas são todas caminho feliz — Adicione casos adversariais — entrada vazia, entrada malformada, fatos contraditórios

Combinações

Combine com outros MCPs para 10× de alavancagem

fast-agent-mcp + tavily-mcp + filesystem

Criar um agente de pesquisa com MCPs de web + filesystem anexados

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

fast-agent-mcp + mcpjam-inspector

Inspecionar seu servidor fast-agent com a UI MCPJam antes de publicar

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

Ferramentas

O que este MCP expõe

Ferramenta	Entradas	Quando chamar	Custo
agent.run	messages, agent_name?	Acionar um agente de ponta a ponta	Modelo + chamadas de tools
agent.list	—	Descobrir o que está exposto	0
eval.run	eval_name, prompt_version?	Regressão pré-commit / noturna	API de modelo por prompt
trace.get	run_id	Depurar uma execução específica	0

Custo e limites

O que custa rodar

Cota de API: A cota do provedor de modelo que você escolheu
Tokens por chamada: Muito variável — depende do design do agente
Monetário: Framework gratuito; pague os provedores de modelos
Dica: Use --model haiku-4.5 em desenvolvimento; mude para sonnet em runs de produção e evals

Segurança

Permissões, segredos, alcance

Escopos mínimos: O que os MCPs anexados precisarem

Armazenamento de credenciais: fastagent.secrets.yaml (no .gitignore) ou variáveis de ambiente

Saída de dados: Para os servidores MCP anexados e provedores de modelos escolhidos

Nunca conceda: Tokens de escrita em produção para ambientes de desenvolvimento

Decorators podem capturar contexto local — cuidado para não serializar secrets acidentalmente no estado do agente

Solução de problemas

Erros comuns e correções

Agente entra em loop sem convergir

Defina max_steps; inspecione o trace para encontrar o loop. Geralmente uma tool retorna saída ambígua e o modelo repete indefinidamente

Verificar: trace.get(run_id)

Eval reporta 0% mas execução manual funciona

Verifique o formato de golden_output — igualdade estrita vs correspondência semântica

Servidor MCP na config falha ao anexar

Execute o comando do servidor standalone primeiro; verifique se as variáveis de ambiente estão em fastagent.secrets.yaml

Primeira execução lenta

O uv baixa dependências na primeira chamada; cached nas seguintes. Pré-aqueça no CI

Alternativas

fast-agent vs. outros

Alternativa	Quando usar	Troca
PrefectHQ/fastmcp	Você quer o framework canônico para servidores MCP, não um framework completo de agentes	fastmcp é para construir servidores; fast-agent é para construir (e orquestrar) agentes que os consomem
LangGraph	Seu time já está investido no ecossistema LangChain	Mais geral; menos nativo ao MCP
mcp-agent (lastmile-ai)	Você prefere um framework mais mínimo, de nível tutorial	Escopo menor; menos batteries-included

Mais

Recursos

📖 Leia o README oficial no GitHub

🐙 Ver issues abertas

🔍 Ver todos os 400+ servidores MCP e Skills