mcp-agent は動作しますか?

mcp-agent は、外部サービスの代わりにモックを使って動作します. Argusic はクリーンなマシンで 5 分でインストールして起動し、途中で 2 件のエラーに遭遇し、セッションを記録しました。

Argusic は mcp-agent をどのようにテストしましたか?

新しい使い捨てのマシンで、すべてのコマンドを記録しながらテストしました (リポジトリはコミット f62d84935081 に固定)。記録された試行は 1 回で、手順の全体は評価方法のページに掲載しています。

mcp-agent のテストにはいくらかかりましたか?

この判定を出した実行のコストは 0.07 USD です: 100 万トークンあたりの定価ではなく、実際の計算資源とモデルのコストです。その実行のページに記録されています。

mcp-agent のインストールにはどのくらい時間がかかりますか?

この判定を決めた実行では、クリーンなマシンから実行状態まで 4.5 分でした。これは 1 回の計測された試行であり、平均ではありません。

mcp-agent には GPU が必要ですか?

起動には必要ありません。Argusic は GPU のないマシンで実行状態に達しました。

mcp-agent のインストールでは何がうまくいきませんか?

記録された実行では 2 件の問題が発生しました。そのうち 2 件は人の手を借りずに修正されました。それぞれの問題と、かかった時間をこのページに掲載しています。

mcp-agent の証拠はどこにありますか?

記録された実行をこのページに掲載しており、それぞれが完全なログとターミナル録画にリンクしています。録画は sha256 フィンガープリントとともに保存されているため、こっそり改変することはできません。

英語の原文: https://argusic.com/subject/mcp-agent

mcp-agent

Model Context Protocol とシンプルなワークフローパターンを用いた効果的なエージェントの構築

モックで動作するソース: GitHubPythonApache-2.0コミット f62d84935081

Python、Apache-2.0 ライセンス. プロジェクト自身の表記: agents、ai、ai agents、llm、llms、mcp、model context protocol、python.

mcp-agent は、依存するサービスを代わりのものに置き換えたうえで動作します。Argusic のエージェントが GPU のないクリーンなマシンで 4.5 分でインストールし、2 件のエラーに遭遇してすべてを自力で修正し、セッション全体が記録されました。

mcp-agent 0.2.6 installs, builds, CLI boots, and all 1501 tests pass after fixing the abstract generate_stream method in the base AugmentedLLM class and patching the Bedrock streaming test mock.
クリーンなマシンでエージェントが最終的に得た結果 (エージェント自身の言葉)。計測方法

Argusic が毎回新しいマシンで計測しています。 すべての数値はその証拠にリンクしています。 Argusic スコア 100 点中 92 点 (このプロジェクトの実行スコアの平均)。

概要

判定: モックで動作する
Argusic スコア: 92 / 100
検証した実行のコスト: 0.07 USD (実測)
記録された実行: 1
最終テスト: 2026-09-03
スター: 8,575
フォーク: 892
未解決の Issue: 155
ウォッチャー: 48
サイズ: 27 MB
作成日: 2024-12-18
最終プッシュ: 2026-01-25

プロジェクトのデータは GitHub から取得 (このページの冒頭にリンクあり)、更新日 2026-11-04。テストデータは Argusic によるもので (CC BY 4.0)、すべての数値は、完全なログ、録画、それらの sha256 ハッシュを含む実行ページにリンクしています。

計測した内容

この判定を決めた実行から取得しています。各行は記録された値であり、推定値ではありません。

mcp-agent のテスト中に各失敗で失われた時間 (記録された実行から作成) — 各バーはエージェントが記録した失敗と、それにかかった時間です。この実行のデータのみから描いています。

うまくいかなかった点 (エージェント自身の言葉)

エージェント自身の言葉を、深刻なものから順に掲載しています。助言に書き換えることはありません。

Base class AugmentedLLM declared generate_stream as @abstractmethod but subclasses OpenAIAugmentedLLM, AzureAugmentedLLM, GoogleAugmentedLLM, Orchestrator, DeepOrchestrator, ParallelLLM, EvaluatorOptimizerLLM, Swarm, LMStudioAugmentedLLM, OllamaAugmentedLLM did not implement it, causing TypeError on instantiation8 分
Bedrock streaming test expected usage tokens (input_tokens=100, output_tokens=50) but mock events did not include a metadata event with usage data, causing assertion failure2 分

インストール時間: 5 分
クリーンなマシンから完了まで: 20 分
遭遇したエラーと修正したエラー: 2 件に遭遇、2 件を人の手を借りずに修正
使用したモデルのトークン: 224,234
テストした正確なコミット: f62d84935081
コンテナイメージ: sha256:4c3d41857be3

計測していない内容

残りの半分です。この証拠がどこまでを示すのかを正確に確認できます。欠けている部分は欠けているものとして表示し、埋めることはありません。

結果の証明方法: 2026-09-07 より前の実行では、結果の確認に使ったコマンドが記録されていません
GPU メモリのピーク: CPU マシンで実行したため、サンプリングする GPU がありませんでした
長時間の実行での振る舞い: 各試行はドキュメントにある最小の設定と決まった時間予算を使うため、計測しているのは動作するかどうかであり、負荷のもとでどう持ちこたえるかではありません
実際のサービスに対する振る舞い: この実行は代わりのサービスに対してのみ検証されました

録画の最後

この判定を決めたターミナルセッションの最後の行を、記録されたとおりに表示しています。

- **errors**: 2 errors found and fixed:
  1. `@abstractmethod` on `generate_stream` preventing instantiation of many LLM classes
  2. Missing metadata event in Bedrock streaming test mock
tokens used
224,234
Now let me compile the results:
- **install_succeeded**: Dependencies installed via `uv sync`, project builds and imports correctly
- **launch_succeeded**: Full test suite (1501 tests) passes, CLI starts and shows help
- **test_depth**: `tier2_mock` - all tests pass but they use mocks (no real LLM API keys configured…
- **errors**: 2 errors found and fixed:
  1. `@abstractmethod` on `generate_stream` preventing instantiation of many LLM classes
  2. Missing metadata event in Bedrock streaming test mock

セッション全体を再生 (クリーンなマシンからこの時点までのすべてのコマンド)。

テスト方法

1 つのエージェント、1 つのコンテナで、人の手は借りません。エージェントはプロジェクト自身のドキュメントに書かれた方法でインストールし、実行し、壊れた部分を修正します。以下はすべて、実際に起きたとおりに記録されています: ターミナルセッション、ログ、そして正確なコミットです。評価方法の全文.

強みと限界

意見ではなく、計測された事実です。コンテンツの作成方法.

うまくいった点

4.5 分でインストールでき、Argusic が計測した比較可能な 37 件のプロジェクトの中央値より速い結果です。
2 件のエラーすべてから、人の介入なしに回復しました。失敗が解決できる程度にはドキュメント化されていることを示しています。
ホストの報告によると、ライセンスは Apache-2.0 です。

うまくいかなかった点、または不明な点

代わりのサービスに対してのみ実行状態に達したため、実際のサービスで動作することはここでは証明されていません。
これまでの計測は 1 回です。1 回の試行は動作し得ることを示すだけで、安定して動作することは示しません。

Argusic がインストールして時間を計測した agents のプロジェクト 38 件のうち、mcp-agent は実行状態に達するまでの速さが 16 番目で、38 件中 25 件がそもそも実行状態に達しました。

同じ分野でテストしたプロジェクト

ここに挙げたものはすべて、Argusic がクリーンなマシンにインストールして実行しました。テストしていないものは表示されません。

実行履歴

テスト担当	試行	結果	スコア	コスト (USD)	日時
Argusic Runner	2/3	モックで動作した	92.00	0.07	2026-09-03 17:47 UTC

トピック (出典: GitHub)

agents ai ai-agents llm llms mcp model-context-protocol python

バッジを埋め込む

プロジェクトの README に貼る Markdown です。バッジはこのページにリンクします。利用条件: 利用規約ページ.

[![Tested by Argusic](https://argusic.com/badge/mcp-agent.svg)](https://argusic.com/subject/mcp-agent)

質問

mcp-agent は動作しますか?: mcp-agent は、外部サービスの代わりにモックを使って動作します. Argusic はクリーンなマシンで 5 分でインストールして起動し、途中で 2 件のエラーに遭遇し、セッションを記録しました。
Argusic は mcp-agent をどのようにテストしましたか?: 新しい使い捨てのマシンで、すべてのコマンドを記録しながらテストしました (リポジトリはコミット f62d84935081 に固定)。記録された試行は 1 回で、手順の全体は評価方法のページに掲載しています。
mcp-agent のテストにはいくらかかりましたか?: この判定を出した実行のコストは 0.07 USD です: 100 万トークンあたりの定価ではなく、実際の計算資源とモデルのコストです。その実行のページに記録されています。
mcp-agent のインストールにはどのくらい時間がかかりますか?: この判定を決めた実行では、クリーンなマシンから実行状態まで 4.5 分でした。これは 1 回の計測された試行であり、平均ではありません。
mcp-agent には GPU が必要ですか?: 起動には必要ありません。Argusic は GPU のないマシンで実行状態に達しました。
mcp-agent のインストールでは何がうまくいきませんか?: 記録された実行では 2 件の問題が発生しました。そのうち 2 件は人の手を借りずに修正されました。それぞれの問題と、かかった時間をこのページに掲載しています。
mcp-agent は代替のプロジェクトと比べてどうですか?: Argusic がインストールして時間を計測した agents のプロジェクト 38 件のうち、mcp-agent は実行状態に達するまでの速さが 16 番目で、38 件中 25 件がそもそも実行状態に達しました。
mcp-agent の証拠はどこにありますか?: 記録された実行をこのページに掲載しており、それぞれが完全なログとターミナル録画にリンクしています。録画は sha256 フィンガープリントとともに保存されているため、こっそり改変することはできません。