Interaktive MCP-Server-Erlebnisse im Terminal mit dem Python-Fast-Agent-AI-Framework erstellen

Wie können Sie mit der Befehlszeile im Terminal eigene agentische und KI-gestützte Chat-Erlebnisse entwickeln? Hier kommt Fast Agent ins Spiel, ein Open-Source-Projekt für Python.

Auf Ihrem Weg zum Aufbau agentischer Workflows sind Sie vielleicht schon auf zahlreiche KI-Frameworks wie CrewAI, LangChain und andere gestoßen. Doch Fast Agent bietet ein gut geschriebenes SDK mit minimalen Abstraktionen – und als besonderes Highlight wohl die umfangreichste Unterstützung für MCP-Clients aller MCP-Anwendungen und -Bibliotheken.

Das Model Context Protocol (MCP) von Anthropic hat sich rasch verbreitet, und die Spezifikation wird regelmäßig aktualisiert. Fast Agent bleibt dabei auf dem neuesten Stand und unterstützt bereits MCP-Client-Funktionen wie Sampling. Damit ist das Projekt eine gute Grundlage, um MCP-erweiterte Workflows darauf aufzubauen.

Eine Python-Entwicklungsumgebung mit uv einrichten

Legen wir los und richten ein lokales Python-Entwicklungsprojekt mit Fast Agent ein.

Zunächst benötigen wir eine moderne Python-Entwicklungsumgebung. Früher war das oft mühsam: Global mit pip installierte Pakete führten zu Versionskonflikten. Auch Python-Interpreter-Versionen waren auf macOS und in anderen Umgebungen nicht einfach zu handhaben, insbesondere wegen der unterschiedlichen Python-Runtimes (2.x und 3.x).

Doch uv schafft Abhilfe! Das Projekt uv ist ein neuer, in Rust geschriebener Python-Paketmanager. Er ist extrem schnell und bietet eine hervorragende Developer Experience, damit Sie verschiedene Python-Interpreter-Versionen, projektspezifische Abhängigkeiten und vieles mehr einfacher verwalten können.

Sobald uv installiert ist, prüfen wir, ob eine funktionsfähige Python-3.x-Version vorhanden ist. Geben Sie Folgendes ein:

uv python list

Sie sollten eine Liste der Python-3.x-Versionen sehen. In der rechten Spalte wird der Pfad zur jeweiligen Installation auf der Festplatte angezeigt. Falls keine Version lokal installiert ist, installieren Sie eine wie folgt:

uv python install 3.13

Fast Agent in einer Python-Umgebung installieren

Nachdem uv und Python 3.x installiert sind, können wir mit Fast Agent beginnen und die KI-MCP-Anwendung erstellen.

Erstellen Sie ein neues Projektverzeichnis:

mkdir fast-agent-workflow
cd fast-agent-workflow

Initialisieren Sie den uv-Paketmanager in diesem Verzeichnis:

uv init

Der Befehl uv init richtet ein neues Python-Projekt mit den entsprechenden Manifestdateien und der virtuellen Umgebung ein, die für die Auflösung von Paketabhängigkeiten benötigt wird. Standardmäßig wird Python 3.x als Interpreter verwendet.

Anschließend erstellen wir eine neue virtuelle Umgebung – also eine lokal auf das Projekt beschränkte Umgebung –, um Fast Agent zu installieren:

uv venv
source .venv/bin/activate
uv pip install fast-agent-mcp

Die Ausgabe sieht dann etwa so aus:

Resolved 89 packages in 2.45s
Prepared 36 packages in 1.76s
Installed 89 packages in 236ms
 + a2a-types==0.1.0
 + aiohappyeyeballs==2.6.1
 + aiohttp==3.12.12
 + aiosignal==1.3.2
 + annotated-types==0.7.0
 + anthropic==0.53.0
 + anyio==4.9.0
 + attrs==25.3.0
 + azure-core==1.34.0
 + azure-identity==1.23.0
 + cachetools==5.5.2
 + certifi==2025.4.26
 + cffi==1.17.1
 + fast-agent-mcp==0.2.30
 + fastapi==0.115.12
 + mcp==1.9.3
 + openai==1.85.0

Als Nächstes initialisieren wir die Fast-Agent-Anwendungsdatei und die Konfiguration. Die ausführbare Datei fast-agent ist jetzt in Ihrer Shell verfügbar. Führen Sie Folgendes aus:

fast-agent quickstart state-transfer

Dadurch werden ein Verzeichnis für die Statusübertragung mit Agent-Code-Dateien sowie die Konfigurationsdatei und die Secrets für Fast Agent erstellt.

Hinweis: Achten Sie darauf, diese Secrets nicht in das Repository zu committen oder anderweitig offenzulegen. Wenn Sie wissen möchten, welche Risiken das Committen von Secrets birgt: Ich habe über Probleme mit Secrets in Umgebungsvariablen geschrieben. Wenn Sie jedoch Snyk in der IDE verwenden (laden Sie einfach die Erweiterung herunter), erkennt Snyk vertrauliche Zugangsdaten und warnt Sie davor.

Ein KI-Chat mit Fast Agent und MCP im Terminal

Jetzt können wir uns dem eigentlichen Aufbau der KI-Anwendung widmen.

Zunächst stellen wir sicher, dass die LLM-Integration funktioniert. Dazu benötigen wir einen API-Schlüssel von einem LLM-Anbieter. In diesem Beispiel verwende ich OpenAI.

Benennen Sie die Datei fastagent.secrets.yaml.example in fastagent.secrets.yaml um, indem Sie die Dateiendung .example entfernen.

Aktualisieren wir auch die Konfiguration der Fast-Agent-Anwendung. Öffnen Sie die Datei fastagent.config.yaml im Verzeichnis state-transfer und nehmen Sie folgende Änderungen an default_model und logger vor.

default_model: gpt-4.1-mini

# Logging and Console Configuration:
logger:
    level: "debug"
    type: "file"
    path: "/tmp/fast.jsonl"

    # Switch the progress display on or off
    progress_display: true

Als Nächstes kümmern wir uns um die Konfiguration des MCP-Servers.

Übrigens: Wenn Sie gerade mit dem Aufbau von MCP-Servern beginnen, finden Sie in meiner Liste mit 5 Best Practices für den Aufbau von MCP-Servern weitere hilfreiche Tipps.

Die aktuelle MCP-Server-Konfiguration enthält einen Platzhalter für agent_one. Entfernen Sie ihn und definieren Sie die MCP-Server wie folgt neu:

mcp:
    servers:
        fetch:
            transport: "stdio"
            command: "uvx"
            args: ["mcp-server-fetch"]
        filesystem:
            transport: "stdio"
            command: "npx"
            args: ["-y", "@modelcontextprotocol/server-filesystem", "."]

In der obigen Konfiguration definieren wir zwei neue MCP-Server, die über Agenten bereitgestellt werden: einen für filesystem und einen für fetch.

Bearbeiten Sie nun die Datei agent_one.py, damit sie die neuen MCP-Server berücksichtigt.

Vor der Änderung sah die Fast-Agent-Annotation wie folgt aus:

# Define the agent
@fast.agent(name="agent_one", instruction="You are a helpful AI Agent.")
async def main():

Bearbeiten Sie sie wie folgt, damit sie die neue MCP-Server-Konfiguration berücksichtigt:

# Define the agent
@fast.agent(name="agent_one", servers=["fetch", "filesystem"], instruction="You are a helpful AI Agent")
async def main():

Tipp: MCP-Server sind eine äußerst leistungsstarke Möglichkeit, KI-Codeassistenten-Workflows und Vibe-Coding zu optimieren. Binden Sie daher unbedingt die kostenlosen MCP-Server-Funktionen von Snyk in Ihre agentischen Workflows ein.

Fast-Agent-Anwendung mit MCP-Servern ausführen

Führen Sie nun im Verzeichnis state-transfer die Datei agent_one.py wie folgt aus:

uv run agent_one.py

Die Ausgabe sieht dann etwa so aus:

Type /help for commands, @agent to switch agent. Ctrl+T toggles multiline mode.

agent_one >

agent_one  Mode:  NORMAL  <Enter>:Submit | Ctrl+T:Multiline Editing | Ctrl+L:Clear | ↑/↓:History | v0.2.30

Das bedeutet, dass Sie sich in einer interaktiven Terminal-Benutzeroberfläche befinden, die von Fast Agent unterstützt wird. Dort können Sie mit dieser LLM-gestützten Anwendung interagieren. Erinnern Sie sich an den OpenAI-API-Schlüssel, den wir hinzugefügt haben? Sie haben jetzt Ihren eigenen KI-Chatbot.

Noch leistungsfähiger wird die Anwendung dadurch, dass wir dem LLM über die MCP-Server-Konfiguration Zugriff auf das Dateisystem und das Abrufen von URLs von Webservern ermöglicht haben.

Hier sehen Sie eine Demo mit einer Live-Interaktion mit der Fast-Agent-Anwendung, die wir erstellt haben:

Das Ergebnis: Eine neue Datei `SNYK.md` wurde tatsächlich auf der Festplatte erstellt. Hier ist ihr Inhalt:

# Latest News from Snyk.io

- Snyk has launched the AI Trust Platform to secure AI-generated code and AI native applications, emphasizing trust as the foundation for AI-driven secure software.
- The platform integrates AI-powered workflows for development and security stakeholders, leveraging agentic and assistant-based AI for automation, efficiency, and innovation.
- Snyk focuses on proactive, AI-powered security with its application security testing engines noted as the fastest, most accurate, and most comprehensive.
- Snyk supports organizations of all sizes in achieving application security, compliance, and DevSecOps governance goals.
- The company highlights its ecosystem approach with technology integrations that work with existing tools and workflows to bring secure AI solutions to life.
- Key resources featured include guides and articles such as the "CISOs Guide to Safely Unleashing Power of Gen AI," tips on engaging developers in security programs, and building strong AppSec programs from basics to best practices.
- Snyk invites users to start securing AI-generated code quickly or book a demo to explore developer security use cases.

This summary captures the latest focus and offerings highlighted on the Snyk homepage as of now.

Welche weiteren MCPs können Sie mit Ihren agentischen Workflows verbinden? Hier sind einige Ideen zum Ausprobieren:

• 9 MCP-Projekte für KI-Power-User

• Vergessen Sie nicht die MCP-Sicherheit. Hier finden Sie die 12 größten KI-Sicherheitsrisiken, die Sie nicht ignorieren sollten.

• Mehr zu Angriffsvektoren bei der MCP-Sicherheit: MCP-Sicherheit – Altes ist wieder neu