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。有读者关注到：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，那么该如何利用 Qwen3 快速开发 MCP 应用呢？这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 RAG: 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，提升上下文互与展示。
- 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。
- 安装相关软件，这里使用 anaconda 创建虚拟环境并安装相关库。
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
'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 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-sqlite MCP 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
- 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，和我们在其他 MCP 配置文件中类似。
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，Qwen-Agent 的能力特别强大，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。后续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'！
