Criando experiências interativas com servidores MCP no terminal usando o framework Python Fast Agent

Como começar a criar suas próprias experiências de chat agentivas com IA pela interface de linha de comando no terminal? É aí que entra o Fast Agent, um projeto Python de código aberto.

Talvez você já tenha encontrado vários frameworks de IA ao longo do caminho para criar fluxos de trabalho agentivos, como CrewAI, LangChain e outros. Mas o Fast Agent oferece um SDK muito bem escrito, com o mínimo de abstrações e, talvez o grande diferencial, o suporte a cliente MCP mais completo entre as demais aplicações e bibliotecas MCP.

O Model Context Protocol (MCP), da Anthropic, teve uma grande adoção, e sua especificação recebe atualizações frequentes. Mas o Fast Agent não fica para trás: ele já oferece suporte a recursos de cliente MCP, como o Sampling. Tudo isso faz dele uma ótima base para criar fluxos de trabalho aprimorados com MCP.

Configurando um ambiente de desenvolvimento Python com uv

Vamos começar criando um projeto de desenvolvimento Python local com o Fast Agent.

Primeiro, vamos preparar um ambiente moderno de desenvolvimento Python. Antes, isso costumava ser complicado porque o Python compartilhava pacotes globais instalados com pip, o que causava conflitos de versão. No macOS e em outros ambientes, também era difícil e pouco prático trabalhar com diferentes versões do interpretador Python devido às versões do runtime (2.x vs. 3.x).

Mas o uv veio para ajudar! O projeto uv é um novo gerenciador de pacotes Python, escrito em Rust. É extremamente rápido e oferece uma experiência de desenvolvimento muito agradável, facilitando o gerenciamento de diferentes versões do interpretador Python, dependências específicas do projeto e muito mais.

Depois de instalar o uv, vamos confirmar se você tem uma versão funcional do Python 3.x. Digite:

uv python list

Você deverá ver uma lista de versões do Python 3.x. Na coluna à direita, deverá aparecer o caminho de instalação no disco. Se você não tiver nenhuma delas instalada localmente, instale uma versão assim:

uv python install 3.13

Instalando o Fast Agent em um ambiente Python

Agora que temos o uv e o Python 3.x instalados, podemos começar a usar o Fast Agent para criar a aplicação de IA com MCP.

Crie um novo diretório para o projeto:

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

Inicialize o gerenciador de pacotes uv neste diretório:

uv init

O comando uv init vai configurar um novo projeto Python com os arquivos de manifesto necessários, o ambiente virtual para resolver as dependências dos pacotes e o Python 3.x como interpretador padrão.

Em seguida, podemos criar um novo ambiente virtual (ou seja, com escopo local ao projeto) para instalar o Fast Agent:

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

O resultado será semelhante a este:

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

Agora, vamos inicializar o arquivo da aplicação Fast Agent e sua configuração usando o executável fast-agent, que já está disponível no shell. Execute:

fast-agent quickstart state-transfer

Isso criará um diretório de transferência de estado com arquivos de código do agente, o arquivo de configuração do Fast Agent e os segredos.

Observação: tome cuidado para não enviar esses segredos para o repositório nem revelá-los de nenhuma outra forma. Se quiser saber mais sobre os possíveis danos causados pelo envio de segredos ao repositório, escrevi sobre os problemas com segredos em variáveis de ambiente. E, claro, se você usar o Snyk no IDE (basta baixar a extensão), ele detectará credenciais confidenciais e alertará você.

Um chat com IA no terminal usando Fast Agent e MCP

Agora, vamos nos concentrar na criação da aplicação de IA.

Vamos começar garantindo que temos uma integração funcional com um LLM. Para isso, precisamos obter uma chave de API de um dos provedores de LLM. Neste exemplo, vou usar a OpenAI.

Renomeie o arquivo fastagent.secrets.yaml.example para fastagent.secrets.yaml, removendo a extensão .example.

Vamos também atualizar a configuração da aplicação Fast Agent. Abra o arquivo fastagent.config.yaml no diretório state-transfer e faça as seguintes alterações em default_model e 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

Agora, vamos nos concentrar na configuração do servidor MCP.

A propósito, se você está começando a criar servidores MCP, preparei uma lista com 5 práticas recomendadas para criar servidores MCP que vale a pena conferir.

A configuração atual do servidor MCP contém um esboço para agent_one. Remova-o e declare os servidores MCP novamente, da seguinte forma:

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

Na configuração acima, estamos definindo dois novos servidores MCP, disponibilizados por meio de agentes para filesystem e fetch.

Em seguida, edite o arquivo agent_one.py para refletir esses novos servidores MCP.

Antes da alteração, a anotação do Fast Agent era a seguinte:

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

Edite-a para refletir a nova configuração do servidor MCP, desta forma:

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

Dica: os servidores MCP são uma forma extremamente poderosa de simplificar os fluxos de trabalho de assistentes de programação com IA e de programação por vibe coding. Por isso, não deixe de conectar os recursos gratuitos de servidor MCP da Snyk aos seus fluxos de trabalho agentivos.

Aplicação Fast Agent em execução com servidores MCP

Agora, dentro do diretório state-transfer, execute o arquivo agent_one.py desta forma:

uv run agent_one.py

Você verá uma saída semelhante a esta:

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

Isso indica que você está usando uma interface interativa de terminal com Fast Agent e pode interagir com essa aplicação baseada em LLM. Lembra que adicionamos uma chave de API da OpenAI? Agora você tem seu próprio chatbot com IA.

E tem mais: demos a esse LLM acesso ao sistema de arquivos e a capacidade de buscar URLs em servidores web usando a configuração do servidor MCP.

Veja uma demonstração de interação ao vivo com a aplicação Fast Agent que criamos:

E o resultado é que um novo arquivo `SNYK.md` foi criado no disco. Veja o conteúdo:

# 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.

Que outros MCPs você pode conectar aos seus fluxos de trabalho agentivos? Aqui estão algumas ideias para explorar:

• 9 projetos MCP para usuários avançados de IA

• Não se esqueça da segurança do MCP. Confira os 12 principais riscos de segurança de IA que você não pode ignorar.

• Saiba mais sobre vetores de ataque à segurança do MCP: Segurança do MCP: o que é antigo volta a ser novidade