别只关注Qwen3参数量，这些Agents细节才是最大亮点！

最新推荐文章于 2025-05-03 13:35:38 发布

小天才学习机打游戏

最新推荐文章于 2025-05-03 13:35:38 发布

阅读量739

点赞数 21

文章标签： windows 人工智能 eureka java spring cloud spring

本文链接：https://blog.csdn.net/m0_59164520/article/details/147639560

版权

今天的Qwen3的官方blog。特地提到了Qwen-Agents项目，这个项目在工具上目前已经支持了MCP配置文件。

核心设计

MCP注册

首先看一下，如何支持MCP的？源码这里写的还挺丝滑的，对模型来说是否是MCP是一个无感的设计。

代码在mcp_manger中：https://github.com/QwenLM/Qwen-Agent/blob/main/qwen_agent/tools/mcp_manager.py#L17

当你在 function_list 里塞进一个 mcpServers 配置，像下面这样的标准格式：

tools = [
    {'mcpServers': { # 告诉 Agent 这是 MCP 配置
            'time': { # 服务名叫 time
                'command': 'uvx', # 用 uvx 命令启动
                'args': ['mcp-server-time', '--local-timezone=Asia/Shanghai'] # 启动参数
            },
            # ... 其他 MCP 服务
        }
    },
]

上面图片看起来有点复杂，我尽量简单来描述一下这个过程~

当它从 MCP 服务（比如 time 服务）那儿拿到可用的工具清单（比如有个叫 get_current_time 的工具）后，动态地为这个 get_current_time 工具在 Python 里“造”了一个对应的 BaseTool 子类。

这个动态造出来的类的 call 方法被特殊处理过：当你调用它时，它会把请求又扔回给后台的 MCPManager 事件循环，让 MCPManager 负责跟真正的 MCP 服务去通信、执行、拿结果。

最后，这些动态造出来的、装着 MCP 调用逻辑的工具实例，被塞回 Agent 的 function_map 里。

这样一来，对 Agent 来说，调用一个 MCP 工具和一个普通的 Python 工具，感觉上就没啥区别了！

tools 使用

这个目前依赖于transformers的chatml模板，地址一般都在tokenizer_config里边。代码里边直接把tools列表扔进去了。

这个其实就是一个jinja2模板。简单来说，他就是一堆的if/else配置项。实际拼接好之后就长下边这样。

<|im_start|>system
You are Qwen, created by Alibaba Cloud. You are a helpful assistant.

# Tools

You may call one or more functions to assist with the user query.

You are provided with function signatures within <tools></tools> XML tags:
<tools>
{"name": "get_news_headlines", "description": "Get the latest news headlines", "parameters": {"type": "object", "properties": {"country": {"type": "string", "description": "The country for which to fetch news"}}, "required": ["country"]}}
</tools>

For each function call, return a json object with function name and arguments within <tool_call></tool_call> XML tags:
<tool_call>
{"name": <function-name>, "arguments": <args-json-object>}
</tool_call><|im_end|>
<|im_start|>user
Call the function get_value with any value.<|im_end|>
<|im_start|>assistant

这里还有个有意思的点啊。

{%- if enable_thinking is defined and enable_thinking is false %}

这对应的是混合推理模式的设置，也就是说如果传参， enable_thinking 为 false，则在 assistant 提示后添加一个空的块。强制模型遵循一个不包含思考过程的输出格式。

代码架构

核心代码展现了一个清晰的分层架构，有点像搭积木：

Qwen-Agent 核心类继承关系示意图 (Agent -> FnCallAgent -> Assistant)

官方示例的引入是 from qwen_agent.agents import Assistant

代码倒推，继承关系是：Agent -> FnCallAgent -> Assistant

Agent抽象基类，定义了一些规则，比如怎么初始化 LLM（咱的 Qwen3）、怎么管理手头有啥工具 (function_map)、怎么统一处理消息格式。

FnCallAgent 类，是主要工作的类。继承了 Agent 的规则，然后把核心的“函数调用”流程给跑通了。它内置了一个 ReAct (思考+行动) 的循环：先让 Qwen3 思考（_call_llm），判断要不要用工具；如果要用 (_detect_tool 发现了调用指令），那就去执行工具 (_call_tool)；拿到工具结果后，再喂给 Qwen3 看，让它接着想或者给出最终答案。这一套下来，基本的工具调用 Agent 就跑起来了。

https://github.com/QwenLM/Qwen-Agent/blob/main/qwen_agent/agents/fncall_agent.py#L13

最后是最上层的Assistant 类，它在 FnCallAgent 的基础上，又加了个RAG。简单说，就是在 Qwen3 动手思考前，Assistant 会先用 _prepend_knowledge_prompt 这个方法，去你给的文件或者知识库里捞相关的背景信息，然后塞到 Prompt 里一起给 Qwen3。这样 Qwen3 做决策或回答时，就能参考最新的、你指定的“私有知识”了。

https://github.com/QwenLM/Qwen-Agent/blob/main/qwen_agent/agent.py#L17

最后

相比于2年前，框架刚开源的时候，Qwen-Agent的代码设计确实成熟了很多，也在积极拥抱新变化（MCP）。

junyang Lin是Qwen技术团队负责人。今天发帖展望了一下，下个阶段的Qwen可能是能够扩展到长期推理的智能体（类O3？）

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述