Qwen3 + Qwen Agent 智能体开发实战：接入 MCP 工具详解

3. 配置模型服务。注意填入你在百炼平台注册的 API Key。

llm_cfg = {
    'model': 'qwen3-235b-a22b',
    'model_server': 'dashscope',
    'api_key': '你注册的 api-key',
    'generate_cfg': {'top_p': 0.8}
}

4. 创建智能体对象。

bot = Assistant(llm=llm_cfg, system_message='你是一位乐于助人的小助理', name='智能助理')

5. 构建多轮对话聊天。

messages = []
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)

执行上述代码后，即可开启与 Qwen3 模型的对话。

三、Qwen-Agent 接入 MCP 工具

3.1 项目简介

Qwen-Agent 接入 MCP 采用 stdio 开发模式，将 MCP 服务作为子进程，Agent 作为客户端与子进程通信。本次分享将结合 Qwen3 开发一个 SQLite 数据库小助手，接入 mcp-server-sqlite 服务端，实现理解自然语言并调用函数完成数据库操作。

3.2 Qwen-Agent 接入 mcp-server-sqlite

1. 导入包并初始化 Assistant 类，同时接入 mcp-server-sqlite。接入流程需定义 tools 数组存放 JSON Schema 格式的 MCP 服务器配置。

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
    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

2. 定义数据库助手，构造提示词让 Qwen-Agent 创建学生表并插入数据。

def run_query(query=None):
    bot = init_agent_service()
    messages = []
    messages.append({'role': 'user', 'content': [{'text': query}]})
    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)

执行代码时，uvx 会自动检测并安装所需依赖。完成后，Qwen-Agent 会解析用户请求，利用 sqlite-create_table 创建表，并使用 sqlite-write_query 插入数据。

3. 验证结果。程序执行后，本地目录下会生成 test.db 文件。我们可以使用 sqlite3 工具查看数据。

import sqlite3
conn = sqlite3.connect('test.db')
cursor = conn.cursor()
cursor.execute("SELECT name FROM sqlite_master WHERE type='table';")
tables = cursor.fetchall()
print("数据库中的表:", tables)
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()

运行验证脚本，确认 Qwen-Agent 成功创建了数据表并插入了数据。

四、总结

本文演示了如何利用 Qwen3 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：介绍了核心功能（工具调用、MCP 接入、规划与记忆），并演示了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。

通过上述实践，开发者可以快速掌握大模型工具调用的核心逻辑，为进一步开发复杂智能体打下基础。