Cómo crear experiencias interactivas con servidores MCP en la terminal usando Fast Agent, un framework de IA para Python

¿Cómo empezar a crear tus propias experiencias de chat agénticas y con IA desde la interfaz de línea de comandos en la terminal? Ahí es donde entra Fast Agent, un proyecto de código abierto para Python.

Quizás ya te hayas encontrado con muchos frameworks de IA mientras desarrollabas flujos de trabajo agénticos, como CrewAI, LangChain y otros, pero Fast Agent ofrece un SDK muy bien diseñado, con abstracciones mínimas y, quizás como broche de oro, el soporte para clientes MCP con más funciones que cualquier otra aplicación o biblioteca MCP.

En cuanto a MCP, el Model Context Protocol de Anthropic ha tenido una gran adopción y sus especificaciones se actualizan con frecuencia, pero Fast Agent no se queda atrás. Fast Agent ya admite funciones de cliente MCP como Sampling. Todo esto lo convierte en una buena base para crear flujos de trabajo mejorados con MCP.

Cómo configurar un entorno de desarrollo de Python con uv

Empecemos por crear un proyecto de desarrollo local en Python con Fast Agent.

Lo primero es preparar un entorno de desarrollo moderno para Python. Antes, esto era complicado porque Python compartía paquetes globales instalados con pip, lo que causaba conflictos de versiones. En macOS y otros entornos, las versiones del intérprete de Python también eran difíciles y poco prácticas de usar debido a las distintas versiones del entorno de ejecución (2.x frente a 3.x).

¡Pero uv al rescate! El proyecto uv es un nuevo administrador de paquetes de Python escrito en Rust: es extremadamente rápido y ofrece una experiencia de desarrollo muy agradable que facilita la gestión de distintas versiones del intérprete de Python, dependencias específicas de cada proyecto y mucho más.

Una vez que hayas instalado uv, asegúrate de tener instalada una versión funcional de Python 3.x. Escribe:

uv python list

Deberías ver una lista de versiones de Python 3.x y, en la columna de la derecha, la ruta donde está instalada cada una en el disco. Si no tienes ninguna instalada localmente, instala una así:

uv python install 3.13

Cómo instalar Fast Agent en un entorno de Python

Ahora que tenemos uv y Python 3.x instalados, podemos empezar a usar Fast Agent para crear la aplicación de IA con MCP.

Crea un directorio nuevo para el proyecto:

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

Inicializa el administrador de paquetes uv en este directorio:

uv init

El comando uv init configurará un nuevo proyecto de Python con los archivos de manifiesto pertinentes y el entorno virtual necesario para resolver las dependencias de los paquetes. De forma predeterminada, usará Python 3.x como intérprete.

Luego, podemos crear un entorno virtual nuevo (es decir, un proyecto con alcance local) para instalar Fast Agent:

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

El resultado será algo como esto:

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

A continuación, inicialicemos el archivo de la aplicación Fast Agent y su configuración con el ejecutable fast-agent, que ahora está disponible en la terminal. Ejecuta:

fast-agent quickstart state-transfer

Esto creará un directorio de transferencia de estado con archivos de código del agente, el archivo de configuración de Fast Agent y los secretos.

Nota: ten cuidado de no confirmar esos secretos en el repositorio ni revelarlos de ninguna manera. Si te interesa conocer los posibles riesgos de confirmar secretos, escribí sobre los problemas de los secretos en las variables de entorno. Y, por supuesto, si usas Snyk en el IDE (solo tienes que descargar la extensión), detectará las credenciales confidenciales y te alertará.

Un chat de IA con MCP habilitado en la terminal usando Fast Agent

Ahora podemos enfocarnos en crear la aplicación de IA.

Empezaremos por asegurarnos de tener una integración funcional con un LLM. Para ello, necesitamos obtener una clave de API de uno de los proveedores de LLM. En este ejemplo, usaré OpenAI.

Cambia el nombre del archivo fastagent.secrets.yaml.example a fastagent.secrets.yaml y elimina la extensión .example.

También actualicemos la configuración de la aplicación Fast Agent. Abre el archivo fastagent.config.yaml en el directorio state-transfer y haz los siguientes cambios en default_model y logger.

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

Bien, ahora nos enfocaremos en la configuración del servidor MCP.

Por cierto, si estás empezando a crear servidores MCP, preparé una lista de 5 buenas prácticas para crear servidores MCP que quizás quieras consultar.

La configuración actual del servidor MCP incluye una plantilla para agent_one. Elimínala y vuelve a declarar los servidores MCP de la siguiente manera:

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

En la configuración anterior, definimos dos servidores MCP nuevos expuestos mediante agentes: uno para filesystem y otro para fetch.

A continuación, edita el archivo agent_one.py para que refleje estos nuevos servidores MCP.

Antes del cambio, la anotación de Fast Agent era la siguiente:

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

Edítala para que refleje la nueva configuración del servidor MCP:

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

Consejo: los servidores MCP son una forma increíblemente potente de optimizar los flujos de trabajo de asistentes de programación con IA y de programación intuitiva. Asegúrate de conectar las funciones gratuitas de servidor MCP de Snyk a tus flujos de trabajo agénticos.

Ejecutar una aplicación Fast Agent en vivo con servidores MCP

Ahora, dentro del directorio state-transfer, ejecuta el archivo agent_one.py de la siguiente manera:

uv run agent_one.py

Verás un resultado como este:

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

Esto indica que estás en una interfaz de usuario interactiva de terminal con la tecnología de Fast Agent y que puedes interactuar con esta aplicación basada en un LLM. ¿Recuerdas que agregamos una clave de API de OpenAI? Ahora tienes tu propio chatbot con IA.

Y eso no es todo: le dimos a este LLM acceso al sistema de archivos y la capacidad de obtener URL de servidores web mediante la configuración del servidor MCP.

Aquí tienes una demostración de una interacción en vivo con la aplicación Fast Agent que creamos:

El resultado es que se creó un nuevo archivo `SNYK.md` en el disco. Este es su contenido:

# 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.

¿A qué otros MCP puedes conectar tus flujos de trabajo agénticos? Aquí tienes algunas ideas para explorar:

• 9 proyectos MCP para usuarios avanzados de IA

• No olvides la seguridad de MCP. Aquí tienes los 12 principales riesgos de seguridad de la IA que no puedes ignorar.

• Más información sobre los vectores de ataque a la seguridad de MCP: Seguridad de MCP: lo viejo vuelve a ser nuevo