fast-agent 是一个 MCP（Model Context Protocol）原生的 Python Agent 框架，GitHub 星标近 4 千，主张「几分钟内定义、提示并测试你的 Agent 与工作流」。它的两个鲜明标签：第一，MCP 支持最完整——是最早端到端支持 MCP 全套特性（Tools、Resources、Prompts、Sampling、Roots、Elicitations 等）的框架之一，Agent 的工具能力直接来自标准化的 MCP Server 生态，而非框架私有插件；第二，声明式极简 API——@fast.agent 装饰器加一段指令就是一个 Agent，chain、parallel、router、orchestrator、evaluator-optimizer 等经典工作流模式（对应 Anthropic《Building Effective Agents》的模式集）都是开箱即用的组合子。再配上交互式调试界面与透明的多轮/多模态处理，它特别适合快速把「Agent + MCP 工具」的想法变成能跑的原型。
快速结论
如果你的 Agent 架构围绕 MCP 生态构建（工具、资源、提示都走 MCP 标准），fast-agent 是当前摩擦最小的 Python 框架，原型速度一流。需要重型状态机控制选 LangGraph，要企业工程闭环（评估/部署）选 Google ADK，角色协作叙事选 CrewAI。它免费开源，作为 MCP 侧的快速验证工具几乎没有理由不试。
核心功能
- 装饰器式 Agent 定义：
@fast.agent("name", "instruction")数行代码起一个 Agent，学习成本极低。 - MCP 全特性支持：Tools、Resources、Prompts、Sampling、Roots、Elicitations 端到端可用，直接消费 MCP Server 生态。
- 内置工作流模式：chain / parallel / router / orchestrator / evaluator-optimizer 等模式组合子，复杂编排用声明式表达。
- 交互式开发调试：命令行交互界面即时测试 Agent、检查工具调用与中间状态。
- 多模型支持：Anthropic、OpenAI 及 OpenAI 兼容端点（含国内模型、本地模型）可配。
- 多模态与文件：图像、PDF 等输入在框架层原生处理。
适合人群
适合押注 MCP 标准的开发者与团队、需要快速验证 Agent 想法的原型工程师、给已有 MCP Server 资产找编排层的基础设施团队。不适合无代码用户；也不适合把它当成熟平台的期待者——它是轻框架，权限、监控、部署等生产配套需要自建；超大规模复杂状态管理也不是它的主场。
使用场景
- MCP 工具编排：把文件、数据库、搜索等 MCP Server 组合成一个多工具 Agent。
- 工作流模式落地：按 evaluator-optimizer 等模式快速搭「生成-评审-改进」循环。
- Agent 原型验证：产品想法当天写出可交互 demo，迭代提示与工具配置。
- 多 Agent 协作实验：orchestrator 模式下让规划者调度多个专职 Agent。
- MCP Server 联调：开发 MCP Server 时作为标准客户端做端到端测试。
价格与版本
| 版本 | 价格判断 | 适合对象 | 说明 |
|---|---|---|---|
| 开源框架 | 完全免费（Apache 2.0） | 所有开发者 | uv/pip 安装，模型 API 成本自担 |
框架零成本；Agent 类应用的 token 消耗是主要开销，评估-优化循环尤其要注意用量。
国内访问与使用体验
GitHub 仓库与文档站一般可直连，框架本地运行不受限。模型侧默认推荐 Anthropic/OpenAI（大陆直连受网络环境影响），但支持 OpenAI 兼容端点意味着 DeepSeek、通义等国内模型可以直接换入，MCP Server 也全部本地运行，国内可组出完整可用的技术栈。文档为英文，中文资料尚少。
优点
- MCP 支持的完整度业界领先，标准化工具生态即插即用。
- API 极简，从安装到第一个能干活的 Agent 距离最短。
- 内置的工作流模式集直接对应业界最佳实践，教学与生产两相宜。
- 交互式调试体验好，Agent 行为透明可查。
- Apache 2.0 开源，无商业锁定。
不足
- 生产级配套（评估体系、可观测、部署方案）需自行搭建。
- 社区规模小于 LangChain/CrewAI 系，资料与案例少。
- 复杂长程状态管理不如 LangGraph 的显式图模型。
- 项目迭代快，API 稳定性需跟进 changelog。
替代品对比
| 工具 | 更适合 | 与 fast-agent 的区别 |
|---|---|---|
| Google ADK | 生产级多 Agent 与工程闭环 | 评估/调试/部署配套全；fast-agent 更轻更快 |
| LangGraph | 精细状态机与复杂长流程 | 显式图控制力强；fast-agent 声明式更简洁 |
| CrewAI | 角色化团队协作叙事 | 角色/任务抽象直观；MCP 深度不及 fast-agent |
| AutoGen | 研究导向多 Agent 对话 | 对话协作范式；fast-agent 偏工作流模式与 MCP |
常见问题 FAQ
fast-agent 是免费的吗？
是，Apache 2.0 开源免费；运行成本来自模型 API 调用。
国内能用吗？
可以。仓库直连、本地运行，换接国内 OpenAI 兼容模型后全流程可用。
必须懂 MCP 才能用吗？
不必须，但 MCP 是它的最大红利：不懂也能写纯 LLM 工作流，懂了才能吃到标准化工具生态。
和 LangGraph 比哪个好？
原型速度与 MCP 集成选 fast-agent；复杂状态、持久化、人工介入流程选 LangGraph。两者也可分层使用。
适合新手吗？
适合有 Python 基础的 Agent 入门者——它的工作流模式集几乎是《Building Effective Agents》的可运行教材。
总结
fast-agent 押中了「MCP 成为工具标准」这条趋势线：当工具、资源、提示都走 MCP，Agent 框架就该像它这样薄而标准。快速原型与 MCP 编排选它，工程化重活交给 Google ADK 或 LangGraph——在 Agent 基础设施的分层图里，它是干净利落的那一层胶水。