基于 Qwen3 大模型和 Qwen-Agent 框架，本文演示了如何接入阿里云百炼 API 并构建 AI Agent。内容包括配置 API Key、创建多轮对话机器人，以及通过 stdio 模式集成 mcp-server-sqlite 实现自然语言操作 SQLite 数据库的功能验证。
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。有读者提问：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 ，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！
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:
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：
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。
conda create -n qwen_agent python=3.12
pip install -U "qwen-agent[rag,code_interpreter,gui,mcp]"
pip install uv
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
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
}
bot = Assistant(
llm=llm_cfg,
system_message='你是一位乐于助人的小助理',
name='智能助理'
)
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~
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。
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，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
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
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。
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。
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：
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online