logo
AgentLed

Démarrage rapide

Installez CLI, connectez votre client MCP et exécutez votre premier flux de travail en moins de 5 minutes.

1. Installez le CLI

Le AgentLed CLI configure votre espace de travail, configure MCP et vous offre une interface command-line pour créer des flux de travail.

# One-command setup (opens browser, creates account, configures MCP)
npx @agentled/cli setup

# Or install globally, then run setup
npm install -g @agentled/cli
agentled setup

L'assistant de configuration crée votre espace de travail, génère une clé API et connecte automatiquement votre client MCP.

2. Connectez MCP

AgentLed fonctionne comme un serveur MCP. Connectez-le à Claude Code, Cursor, Windsurf, Codex ou à tout client compatible MCP.

Claude Code

claude mcp add agentled \
  -e AGENTLED_API_KEY=wsk_... \
  -- npx -y @agentled/mcp-server

Cursor / Windsurf

Ajoutez ceci à vos paramètres MCP JSON:

{
  "mcpServers": {
    "agentled": {
      "command": "npx",
      "args": ["-y", "@agentled/mcp-server"],
      "env": {
        "AGENTLED_API_KEY": "wsk_..."
      }
    }
  }
}

3. Obtenez votre clé API

1.Inscrivez-vous à agentled.app

2.Ouvrir Workspace Settings > Developer

3.Générez une nouvelle clé API (commence par wsk_)

4. Créez votre premier flux de travail

Décrivez ce que vous voulez en langage naturel. AgentLed crée le flux de travail, sélectionne les intégrations et configure chaque étape.

agentled create "Find fintech CTOs in Europe, enrich via LinkedIn + Hunter,
score by ICP fit, draft personalized outreach"

Ou utilisez l'outil de discussion MCP depuis votre client AI:

> Use the agentled chat tool to create a workflow that scrapes
  trending topics in AI, generates 5 LinkedIn posts, and schedules them.

5. Exécuter et surveiller

Démarrez les flux de travail via CLI, MCP ou le tableau de bord Web. Afficher les résultats dans real-time.

# Start a workflow
agentled start <workflow-id>

# List recent executions
agentled executions list <workflow-id>

# View execution details
agentled executions get <execution-id>

Les résultats persistent dans le Knowledge Graph. Chaque exécution s'appuie sur les résultats précédents: la précision de la notation s'améliore automatiquement au fil du temps.

Prochaines étapes