Créer une expérience interactive avec des serveurs MCP dans le terminal à l’aide du framework d’IA Fast Agent pour Python

Comment commencer à créer vos propres expériences de chat agentiques et basées sur l’IA depuis la ligne de commande, directement dans le terminal ? C’est là qu’intervient Fast Agent, un projet open source pour Python.

Vous avez peut-être déjà découvert de nombreux frameworks d’IA en cherchant à créer des workflows agentiques, comme CrewAI, LangChain et d’autres. Mais Fast Agent se distingue par un SDK bien conçu, avec peu d’abstractions et, cerise sur le gâteau, l’une des prises en charge des clients MCP les plus complètes parmi les applications et bibliothèques MCP.

Le Model Context Protocol (MCP) d’Anthropic connaît un succès croissant et ses spécifications sont régulièrement mises à jour, mais Fast Agent n’est pas en reste. Fast Agent prend déjà en charge des fonctionnalités de client MCP comme le sampling. Tout cela en fait une base solide pour créer des workflows enrichis par MCP.

Configurer un environnement de développement Python avec uv

Commençons par créer un projet de développement Python local avec Fast Agent.

Avant toute chose, préparons un environnement de développement Python moderne. Cela pouvait autrefois être compliqué, car Python utilisait des packages globaux installés avec pip, ce qui entraînait des conflits de versions. Sur macOS et dans d’autres environnements, les différentes versions de l’interpréteur Python étaient également difficiles à gérer, notamment en raison des versions du runtime Python (2.x ou 3.x).

Heureusement, uv est là ! Le projet uv est un nouveau gestionnaire de packages Python écrit en Rust. Il est extrêmement rapide et offre une expérience de développement agréable pour faciliter la gestion des différentes versions de l’interpréteur Python, des dépendances propres à chaque projet, et bien plus encore.

Une fois uv installé, vérifions que vous disposez d’une version fonctionnelle de Python 3.x. Saisissez la commande suivante :

uv python list

Une liste de versions de Python 3.x devrait s’afficher. La colonne de droite indique le chemin d’installation sur le disque. Si aucune de ces versions n’est installée localement, installez-en une comme suit :

uv python install 3.13

Installer Fast Agent dans un environnement Python

Maintenant que uv et Python 3.x sont installés, nous pouvons commencer à utiliser Fast Agent pour créer l’application d’IA avec MCP.

Créez un nouveau répertoire pour le projet :

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

Initialisez le gestionnaire de packages uv dans ce répertoire :

uv init

La commande d’initialisation uv crée un nouveau projet Python avec les fichiers de manifeste nécessaires, ainsi que l’environnement virtuel requis pour résoudre les dépendances des packages. Python 3.x est utilisé par défaut comme interpréteur.

Créons ensuite un nouvel environnement virtuel (c’est-à-dire un environnement isolé pour le projet) afin d’y installer Fast Agent :

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

La commande devrait afficher un résultat semblable à ceci :

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

Initialisons ensuite le fichier de l’application Fast Agent et sa configuration à l’aide de l’exécutable fast-agent, désormais disponible dans votre shell. Exécutez :

fast-agent quickstart state-transfer

Cette commande crée un répertoire de transfert d’état contenant les fichiers de code de l’agent, le fichier de configuration de Fast Agent ainsi que les secrets.

Remarque : veillez à ne pas valider ces secrets dans le dépôt ni à les divulguer d’une quelconque manière. Pour en savoir plus sur les risques liés à la validation de secrets, j’ai écrit un article sur les problèmes posés par les secrets dans les variables d’environnement. Bien sûr, si vous utilisez Snyk dans votre IDE (il vous suffit de télécharger l’extension), l’outil détectera les identifiants sensibles et vous en informera.

Créer un chat IA Fast Agent compatible MCP dans le terminal

Nous pouvons maintenant nous concentrer sur la création de l’application d’IA.

Commençons par vérifier que l’intégration avec un LLM fonctionne. Pour cela, nous devons obtenir une clé API auprès de l’un des fournisseurs de LLM. Dans cet exemple, j’utiliserai OpenAI.

Renommez le fichier fastagent.secrets.yaml.example en fastagent.secrets.yaml en supprimant l’extension .example.

Mettons également à jour la configuration de l’application Fast Agent. Ouvrez le fichier fastagent.config.yaml dans le répertoire state-transfer, puis apportez les modifications suivantes à default_model et à 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

Passons maintenant à la configuration des serveurs MCP.

Au fait, si vous commencez à créer des serveurs MCP, j’ai compilé une liste de 5 bonnes pratiques pour créer des serveurs MCP qui pourrait vous intéresser.

La configuration actuelle du serveur MCP contient une entrée provisoire pour agent_one. Supprimez-la et redéclarez les serveurs MCP comme suit :

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

Dans la configuration ci-dessus, nous définissons deux nouveaux serveurs MCP exposés par des agents, l’un pour filesystem et l’autre pour fetch.

Modifiez ensuite le fichier agent_one.py pour prendre en compte ces nouveaux serveurs MCP.

Avant la modification, l’annotation de l’agent Fast était la suivante :

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

Modifiez-la pour prendre en compte la nouvelle configuration des serveurs MCP, comme suit :

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

Conseil : les serveurs MCP sont un moyen extrêmement efficace de simplifier les workflows des assistants de programmation IA et le vibe coding. Pensez donc à connecter les fonctionnalités gratuites de serveur MCP de Snyk à vos workflows agentiques.

Exécuter une application Fast Agent avec des serveurs MCP

Dans le répertoire state-transfer, exécutez le fichier agent_one.py comme suit :

uv run agent_one.py

Vous devriez obtenir un résultat semblable à ceci :

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

Cela signifie que vous êtes bien dans une interface utilisateur interactive en mode terminal, propulsée par Fast Agent, et que vous pouvez interagir avec cette application basée sur un LLM. Vous vous souvenez de la clé API OpenAI que nous avons ajoutée ? Vous disposez maintenant de votre propre chatbot IA.

Et ce n’est pas tout : nous avons donné à ce LLM accès au système de fichiers et la possibilité de récupérer des URL depuis des serveurs web grâce à la configuration du serveur MCP.

Voici une démonstration d’une interaction en direct avec l’application Fast Agent que nous avons créée :

Résultat : un nouveau fichier `SNYK.md` a bien été créé sur le disque. En voici le contenu :

# 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.

Quels autres MCP pouvez-vous connecter à vos workflows agentiques ? Voici quelques pistes à explorer :

• 9 projets MCP pour les utilisateurs avancés de l’IA

• N’oubliez pas la sécurité MCP. Voici les 12 principaux risques de sécurité liés à l’IA à ne pas ignorer.

• Pour en savoir plus sur les vecteurs d’attaque liés à la sécurité MCP : Sécurité MCP : le retour des vieilles menaces