Qwen3 + Qwen Agent 智能体开发实战：接入 MCP 工具

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'
)

最后构建多轮对话循环：

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_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)

运行代码后，即可看到与 Qwen3 模型的对话结果。

三、Qwen-Agent 接入 MCP 工具

3.1 项目背景

熟悉基础操作后，我们开始深入 MCP 工具的接入。Qwen-Agent 采用 stdio 模式将 MCP 服务作为子进程运行，Agent 作为客户端与子进程通信。

本例将开发一个 SQLite 数据库小助手，接入 mcp-server-sqlite 服务端，实现通过自然语言指令对本地数据库进行操作。

3.2 接入 mcp-server-sqlite

首先导入相关包并初始化 Assistant 类。接入 MCP 需要定义一个 tools 数组存放 JSON Schema 格式的服务器配置，类似于 Function Calling 的配置方式。

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

接下来定义数据库助手逻辑，构造提示词让 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 会分析用户请求，生成思考过程，调用 sqlite-create_table 创建表，并使用 sqlite-write_query 插入数据。

程序运行结束后，本地目录会生成名为 test.db 的数据库文件。为了验证工具调用的正确性，可以使用 sqlite3 工具查看数据：

import sqlite3
conn = sqlite3.connect('test.db')
cursor = conn.cursor()

# 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 已成功创建数据表并插入了指定数据。

四、总结

本篇分享了如何利用 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密钥。
2. Qwen-Agent 入门：介绍了核心功能，并演示了多轮对话机器人的构建。
3. 接入 MCP 工具：以 SQLite 数据库助手为例，展示了配置 MCP 服务端及实现自然语言操作数据库的功能。

当然，这只是 Qwen3 + Qwen-Agent + MCP 智能体开发的初步案例。Qwen-Agent 还具备出色的前端交互展示能力，后续可以进一步探索更复杂的可视化应用场景。希望这篇内容能为开发者提供实用的参考路径。