Qwen3 与 Qwen Agent 智能体开发实战：接入 MCP 工具

4. 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'
)

5. 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 Qwen-Agent 接入 MCP 工具。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

1. 导入相关包并初始化 Assistant 类，同时接入 mcp-server-sqlite MCP 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。

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': 'your_api_key',
        'generate_cfg': {'top_p': 0.8}
    }
    # 定义 MCP 服务配置，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

2. 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。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。

3. 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 的能力非常强大，开发者可以利用其开发属于自己的 AI Agent。

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。