系列文章目录
一、Qwen3+Qwen Agent 智能体开发实战，打开大模型MCP工具新方式！（一）
二、Qwen3+Qwen Agent +MCP智能体开发实战（二）—10分钟打造"MiniManus"
前言
要说最近人工智能界最火热的开源大模型，必定是阿里发布不久的Qwen3系列模型。Qwen3模型凭借赶超DeepSeek-V3/R1的优异性能，创新的混合推理模式，以及极强的MCP能力迅速成为AI Agent开发的主流基座模型。大家可参考我的文章一文解析Qwen3大模型详细了解Qwen3模型的核心能力。有读者私信我： “Qwen3官网特地强调增强了Agent和代码能力，同时加强了对MCP的支持，那么我该如何利用Qwen3快速开发MCP应用呢？” 这就就需要使用我们今天的主角——Qwen官方推荐的开发工具Qwen-Agent ，本期分享我们就一起学习快速使用Qwen3+QwenAgent 接入MCP服务端，快速开发AI Agent应用！
一、注册 Qwen3 API-Key
本次分享通过阿里云百炼大模型服务平台API Key请求方式调用Qwen3大模型，获取服务平台API Key的步骤如下:
- 登录阿里云百炼大模型服务平台，如果页面顶部显示如下消息，大家需要开通百炼的模型服务，点击立即开通即可。
- 前往 我的API-KEY页面，单击创建我的API-KEY。
- 在已创建的API Key操作列，单击查看，获取API KEY。该API KEY是我们请求Qwen3大模型的重要凭证。
二、Qwen-Agent快速入门
2.1 Qwen-Agent简介
Qwen-Agent 是阿里通义团队推出的开源智能体（Agent）开发框架，基于 Qwen 大语言模型（LLM）构建，旨在帮助开发者快速构建具备指令遵循、工具调用、规划与记忆等能力的 AI 应用。它提供了从底层原子组件到高级智能体抽象的完整开发工具链，适用于多种复杂任务场景。
Qwen-Agent具备如下核心特性：
- 更强的工具调用（Function Calling）能力:框架支持智能体自动调用外部工具或函数，包括内置的代码解释器、浏览器助手等，也支持开发者自定义工具，扩展智能体的能力。
- 便捷的MCP工具接入流程：最新版的Qwen-Agent已经集成了MCP工具接入流程，我们仅需写入MCP配置，即可在Qwen-Agent中调用MCP工具：
- 规划与记忆能力： 智能体具备任务规划能力，能够根据用户需求自动制定执行步骤。同时，具备上下文记忆功能，能在对话中保持状态，提供连贯的交互体验。
- 长文本处理与 RA： Qwen-Agent 集成了检索增强生成（RAG）机制，支持处理从 8K 到 100 万 tokens 的长文档，通过文档分块和相关性检索，提升上下互与展示
- UI前端交互与展示
2.2 Qwen-Agent 构建多轮对话机器人
Qwen-Agent具备快速接入Qwen系列模型能力，通过Assistant组件，可以实现工具调用、Agent编排和MCP接入等一系列功能。下面通过使用Qwen-Agent开发多轮对话机器人的小案例让大家快速掌握Qwen-Agent的使用方法。完整代码在: https://www.codecopy.cn/post/q1vq4b
- 安装相关软件，这里使用anaconda创建虚拟环境并安装相关库，对anaconda使用有疑问的可参照anaconda安装和使用（管理python环境看这一篇就够了）
conda create -n qwen_agent python=3.12
pip install -U "qwen-agent[rag,code_interpreter,gui,mcp]"
pip install uv
- 导入需要的类和函数,
Assistant是用来创建智能体对象的类,typewriter_print用于格式化和打印消息，会处理函数调用和普通对话的不同执行逻辑（Function Calling），同时对于推理类模型，会判断消息中是否包含 reasoning_content，如果存在，则将其添加到 content 列表中，并在前面加上 THOUGHT_S（表示思考的符号或字符串），从而支持推理类模型和对话模型的不同输入输出形式。
from qwen_agent.agents import Assistant
from qwen_agent.utils.output_beautify import typewriter_print
- 配置所使用的模型服务， 注意
api_key填入你在百炼平台注册的api_key
llm_cfg={
'model': 'qwen3-235b-a22b', #可按需更换模型名称。模型列表：https://help.aliyun.com/zh/model-studio/getting-started/models
'model_server': 'dashscope',
'api_key': '你注册的api-key',
'generate_cfg':{
'top_p': 0.8 # top_p越高生成的文本越多样, 范围在0-1.0之间
}
}
- 创建一个智能体对象
bot = Assistant(
llm=llm_cfg,
system_message='你是一位乐于助人的小助理',
name='智能助理'
)
- 构建多轮对话聊天
messages = [] #存储历史聊天内容
while True:
query = input('\n用户请求：输入 quit 终止对话')
if query == 'quit':
break
else:
messages.append({
'role': 'user',
'content': query
})
response = []
response_plain_text = ''
print('AI 回复:')
for response in bot.run(messages=messages):
response_plain_text = typewriter_print(response, response_plain_text)
messages.extend(response)
执行如上代码结果如下，可以看到我们已经成功开启与qwen3模型的对话~
三、Qwen-Agent接入MCP工具
3.1 项目简介
熟悉Qwen-Agent的基本操作后，下一步开始学习今天的重头戏——Qwen-Agent接入MCP工具。大家不了解MCP相关概念的可先阅读我的MCP系列分享：
Qwen-Agent接入MCP的原理采用stdio开发模式，将mcp服务作为Qwen-Agent应用的子进程, Qwen-Agent作为客户端与子进程服务通信。
本次分享采用Qwen-Agent+Qwen3开发一个sqlite数据库小助手，Qwen-Agent接入mcp-server-sqliteMCP服务器，能够理解自然语言并依据语言内容调用mcp-server-sqlite服务端的功能函数完成对sqlite数据库的相关操作。
3.2 Qwen-Agent接入mcp-server-sqlite
完整代码在https://www.codecopy.cn/post/fum1go
- 导入相关包并初始化
Assistant类，同时接入mcp-server-sqliteMCP服务端, 接入mcp的流程需要先定义一个tools数组存放json schema格式的mcp服务器配置，和我们在不写一行代码! VsCode+Cline+高德地图MCP Server 帮你搞定和女友的出行规划（附原理解析）中mcp的配置文件类似。
from qwen_agent.agents import Assistant
from qwen_agent.utils.output_beautify import typewriter_print
def init_agent_service():
llm_cfg={
'model': 'qwen3-235b-a22b',
'model_server': 'dashscope',
'api_key': '你的api_key',
'generate_cfg':{
'top_p': 0.8
}
}
# 定义MCP服务配置，优点类似Function Calling调用的JSON Schema格式
tools = [{
"mcpServers": {
"sqlite": {
"command": "uvx",
"args": [
"mcp-server-sqlite",
"--db-path",
"test.db"
]
}
}
}]
bot = Assistant(
llm=llm_cfg,
name='数据库管理员',
description='你是一位数据库管理员，具有对本地数据库的增删改查能力',
system_message='你扮演一个数据库助手，你具有查询数据库的能力',
function_list=tools,
)
return bot
- 定义数据库助手，并构造提示词让Qwen-Agent帮助我们创建一个学生表并添加一些数据。
def run_query(query=None):
# 定义数据库助手
bot = init_agent_service()
# 执行对话逻辑
messages = []
messages.append({'role': 'user', 'content': [{'text': query}]})
# 跟踪前一次的输出，用于增量打印
previous_text = ""
print('数据库管理员: ', end='', flush=True)
for response in bot.run(messages):
previous_text = typewriter_print(response, previous_text)
if __name__ == '__main__':
query = '帮我创建一个学生表,表名是students,包含id, name, age, gender, score字段,然后插入一条数据,id为1,name为张三,age为20,gender为男,score为95'
run_query(query)
执行代码得到如下结果， uvx检测到有些依赖库没有安装，自动安装所需依赖（红字部分）。完成相关依赖安装后Qwen-Agent检测到用户请求中要创建学生表并插入数据，Qwen3模型对mcp-server-sqlite服务端的函数理解生成思考过程，利用sqlite-create_table创建表，并使用sqlite-write_query插入数据。
- 执行完程序发现本地目录下多了名为
test.db的数据库文件。
为进一步验证工具调用的正确性，我们使用sqlite3数据库工具查看数据库中的数据，在test.db同级目录下新建py文件并写入如下代码：
# 查看数据库中的数据
import sqlite3
conn = sqlite3.connect('test.db')
cursor = conn.cursor()
# 先查看数据库中有哪些表
cursor.execute("SELECT name FROM sqlite_master WHERE type='table';")
tables = cursor.fetchall()
print("数据库中的表:", tables)
# 如果有表，则查询第一个表的数据
if tables:
table_name = tables[0][0]
cursor.execute(f"SELECT * FROM {table_name}")
print(f"{table_name} 表中的数据:", cursor.fetchall())
else:
print("数据库中没有表，需要先创建表并插入数据")
conn.close()
可以看到Qwen-Agent成功创建了数据表并插入了数据。以上就是我们今天的分享，怎么样Qwen-Agent的能力是不是特别强大？还在等什么，赶紧利用Qwen-Agent开发属于你的AI Agent吧！
四、总结
本篇分享介绍了如何利用阿里发布的Qwen3系列大模型和Qwen-Agent工具快速接入MCP服务端并开发AI Agent智能体。主要内容包括：
- 注册Qwen3 API-Key：通过阿里云百炼平台获取API密钥。
- Qwen-Agent入门：介绍了Qwen-Agent核心功能（工具调用、MCP接入、规划与记忆等），并演示了如何构建多轮对话机器人。
- 接入MCP工具：以SQLite数据库助手为例，展示了如何配置MCP服务端，实现自然语言操作数据库的功能。
当然这篇分享只是简单的Qwen3+Qwen-Agent+MCP智能体开发案例，别忘了Qwen-Agent 出色的前端交互展示能力我们还没有利用。别着急，下一篇分享我将和大家一起利用Qwen Agent能力复现Qwen3官方网站上自动搜索github数据并生成统计信息的可视化智能体，让你在超短时间内实现一个“Manus”！感兴趣大家点个关注吧。大家也可关注我的同名微信公众号：大模型真好玩，免费分享工作生活中大模型开发教程和资料~
扫一扫
355
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
