Qwen3-Qwen Agent-MCP开发

一、简介

Qwen-Agent 是阿里基于 Qwen3 的智能体开发框架，支持工具调用与 MCP 接入，助开发者构建具任务规划能力的 AI 应用；MCP 是解耦大模型与外部工具的标准化协议。

1、特性

强化工具调用能力：支持智能体自动调用内置工具（代码解释器、浏览器助手）及自定义工具，通过 Function Calling 扩展功能边界。
标准化 MCP 接入：集成 MCP 工具接入流程，仅需配置 MCP 参数即可调用外部工具（如数据库、API），降低开发成本。
任务规划与上下文记忆：自动拆解用户需求为执行步骤，同时保留对话状态，实现连贯交互体验。
长文本处理与 RAG 集成：依托检索增强生成机制，支持 8K 至 100 万 tokens 长文档处理，通过分块检索提升上下文理解效率。
UI 前端交互支持：提供可视化界面组件，优化人机交互体验，便于多轮对话与结果展示。

二、运行步骤

1、Qwen-Agent接入mcp-server-sqlite

1.1 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，我们需要在VsCode中安装Cline插件，在Cline中需要勾选Use MCP servers，以确保MCP Server服务功能正常并且需要确保node.js已安装，需要安装最新版本。

1.2 Cline连接MCP Server，首先点击Vs Code中的Cline，然后点击MCP Servers小图标，再点击右上角加号旁边的小图标，进入新界面后点击编辑 MCP Servers 配置文件，流程如下图所示：

1751607891166

1751607818837

1.3 在MCP Servers 的配置文件处导入相关的配置文件

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

2、python例程

2.1 在VS Code 中定义数据库助手，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。

   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)

执行代码后， 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。

2.2 执行完程序发现本地目录下多了名为test.db的数据库文件。

1751532751639

由此可见Qwen-Agent成功创建了数据表并插入了数据。利用Qwen3系列大模型和Qwen-Agent工具快速接入MCP服务端并开发AI Agent智能体的实操便至此完成。