Qwen3+Qwen Agent 智能体开发实战，打开大模型MCP工具新方式！（一）

Ne0inhk

— 10 min read
Qwen3+Qwen Agent 智能体开发实战，打开大模型MCP工具新方式！（一）

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:

  1. 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。

  1. 前往 我的API-KEY页面，单击创建我的API-KEY。
  2. 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。
在这里插入图片描述

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。

在这里插入图片描述


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

  1. 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
  1. 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
  1. 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}}
  1. 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')
  1. 构建多轮对话聊天
messages =[]#存储历史聊天内容whileTrue: query =input('\n用户请求：输入 quit 终止对话')if query =='quit':breakelse: 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~

在这里插入图片描述

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

  1. 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 definit_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
  1. 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。
defrun_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。

在这里插入图片描述
  1. 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：

在这里插入图片描述
# 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()
在这里插入图片描述

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：

  1. 注册Qwen3 API-Key：通过阿里云百炼平台获取API密钥。
  2. 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。
  3. 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~

在这里插入图片描述

Read more

【OpenClaw -07】OpenClaw 记忆系统：三层记忆架构与 Daily Notes 机制

【OpenClaw -07】OpenClaw 记忆系统：三层记忆架构与 Daily Notes 机制

OpenClaw 记忆系统：三层记忆架构与 Daily Notes 机制 标签：OpenClaw、记忆架构、RAG、Embedding、上下文管理、长期记忆 前言：记忆是 Agent 的"状态壁垒" 在构建生产级 AI Agent 时，一个常被低估的架构难题是状态持久化。无状态的 LLM 调用虽然简单，但无法形成累积性的用户理解；而粗暴的全量历史拼接又很快会触达 Token 上限。OpenClaw 的记忆系统通过分层存储架构与智能归档机制，在上下文窗口限制与长期记忆能力之间建立了工程化的平衡。 本文将从架构实现角度，拆解 OpenClaw 的三层记忆模型、Daily Notes 持久化机制、语义检索配置策略以及多会话隔离原则，帮助开发者设计出既具备持续学习能力、又符合隐私合规要求的记忆方案。 一、三层记忆模型：分层存储的工程哲学 OpenClaw 采用分层越界（

By Ne0inhk
别再乱用 @Autowired！Spring官方推荐的构造函数注入详解

别再乱用 @Autowired！Spring官方推荐的构造函数注入详解

🌷 古之立大事者，不惟有超世之才，亦必有坚忍不拔之志 🎐 个人CSND主页——Micro麦可乐的博客 🐥《Docker实操教程》专栏以最新的Centos版本为基础进行Docker实操教程，入门到实战 🌺《RabbitMQ》专栏19年编写主要介绍使用JAVA开发RabbitMQ的系列教程，从基础知识到项目实战 🌸《设计模式》专栏以实际的生活场景为案例进行讲解，让大家对设计模式有一个更清晰的理解 🌛《开源项目》本专栏主要介绍目前热门的开源项目，带大家快速了解并轻松上手使用 🍎 《前端技术》专栏以实战为主介绍日常开发中前端应用的一些功能以及技巧，均附有完整的代码示例 ✨《开发技巧》本专栏包含了各种系统的设计原理以及注意事项，并分享一些日常开发的功能小技巧 💕《Jenkins实战》专栏主要介绍Jenkins+Docker的实战教程，让你快速掌握项目CI/CD，是2024年最新的实战教程 🌞《Spring Boot》专栏主要介绍我们日常工作项目中经常应用到的功能以及技巧，代码样例完整 👍《Spring Security》专栏中我们将逐步深入Spring Security的各个

By Ne0inhk
Flutter 三方库 test_api 的鸿蒙化适配指南 - 实现具备底层测试驱动与自定义匹配器扩展的质量基石架构、支持端侧测试骨架深度定制实战

Flutter 三方库 test_api 的鸿蒙化适配指南 - 实现具备底层测试驱动与自定义匹配器扩展的质量基石架构、支持端侧测试骨架深度定制实战

欢迎加入开源鸿蒙跨平台社区：https://openharmonycrossplatform.ZEEKLOG.net Flutter 三方库 test_api 的鸿蒙化适配指南 - 实现具备底层测试驱动与自定义匹配器扩展的质量基石架构、支持端侧测试骨架深度定制实战 前言 在进行 Flutter for OpenHarmony 的大规模测试框架开发或构建企业专有的测试 SDK 时，简单的 test 库往往无法满足对测试执行流程、自定义断言逻辑以及测试套件生命周期的精细化控制。test_api 是 Dart 官方测试生态的核心底层库，它定义了所有测试相关的抽象契约。本文将探讨如何在鸿蒙端利用此库构建极致、专业的测试基础设施。 一、原直观解析 / 概念介绍 1.1 基础原理 该库定义了 Dart 测试系统的“语意骨架”。它不负责具体的测试运行（那由 test_core 负责），而是构筑了 test(

By Ne0inhk
Flutter for OpenHarmony：socket_io_client 实时通信的事实标准（Node.js 后端的最佳拍档） 深度解析与鸿蒙适配指南

Flutter for OpenHarmony：socket_io_client 实时通信的事实标准（Node.js 后端的最佳拍档） 深度解析与鸿蒙适配指南

欢迎加入开源鸿蒙跨平台社区：https://openharmonycrossplatform.ZEEKLOG.net 前言 如果你的后端使用 Node.js，那么你大概率在使用 Socket.IO。 Socket.IO 不仅仅是 WebSocket，它是一套极其强大的实时通信框架，内置了长轮询回退、自动重连、房间（Room）、命名空间（Namespace）以及二进制流支持。 socket_io_client 是官方移植到 Dart 的客户端库，完全兼容 JS 版 Socket.IO 的协议。 对于 OpenHarmony 开发者，如果你的业务需要与现有的 Node.js 实时服务（如客服系统、实时游戏服务器）对接，使用这个库可以帮你省去大量解析底层协议的麻烦。 一、核心原理 Socket.

By Ne0inhk