本文详细介绍了如何在本地通过Ollama运行通义千问3大语言模型，并利用模型上下文协议（MCP）启用工具，例如代码解释器、数据获取和时间查询等。读者将学习构建一个完全在本地运行的智能助手，无需云API密钥，从而实现多轮对话、实时信息检索与代码执行等功能。这为注重隐私、追求灵活性的开发者提供了理想的解决方案。

💡 结合Ollama、通义千问3和MCP，可以构建强大的本地人工智能助手，摆脱对外部云服务的依赖。

🛠️ Ollama简化了本地大语言模型的部署，只需一条命令即可运行通义千问3。MCP则允许模型通过结构化消息与外部工具通信，例如网页浏览或时间查询。

💻 通过安装Ollama并拉取通义千问3模型，准备好本地运行环境。克隆并安装通义千问智能体（Qwen-Agent），安装GUI、检索增强生成（RAG）、代码解释以及MCP所需的额外组件。

⚙️ 编写Python脚本配置本地通义千问3模型，定义工具（MCP和代码解释器），初始化智能助手，并发送用户消息，从而使智能助手处理用户消息并返回响应。

通义千问3（Qwen3）是阿里巴巴通义千问团队发布的最新开源大语言模型，它具备强大的性能、高度的模块化特性以及出色的工具使用能力。

本文教你如何通过Ollama在本地运行通义千问3，并启用模型上下文协议（MCP），以使用代码解释器、数据获取、时间查询等工具。

通过学习，你会构建一个完全在本地机器上运行、由通义千问3驱动的智能助手，且无需云API密钥！开始吧！

1、 为什么选择通义千问3 + Ollama + MCP

为了实现这些先进功能，阿里巴巴推出了模型上下文协议（MCP）。MCP允许模型通过调度命令行服务与外部工具进行交互，这让大语言模型能够以结构化且安全的方式获取时间、从网站抓取数据，或调用其他本地工具。

在通义千问智能体（Qwen-Agent）生态系统中，诸如mcp-server-time和mcp-server-fetch之类的MCP工具，充当着端点的角色，模型可在需要时自行触发这些端点。这些工具通过一个字典进行配置，该字典会告知智能体每个功能应运行的命令。

通义千问3：专为开源部署优化的前沿大语言模型。Ollama：通过一条命令就能简化本地大语言模型（如通义千问3）的部署。MCP：允许外部工具通过结构化消息进行通信（例如网页浏览或时间查询）。工具使用：拓展通义千问3的能力，使其超越静态文本处理——支持执行代码、调用API等更多功能！

2、 在本地设置Ollama和通义千问3

步骤1：安装Ollama并运行通义千问3

在本地终端（Linux/macOS系统）运行以下命令：

# 安装Ollamacurl -fsSL https://ollama.com/install.sh | sh# 启动Ollama服务器ollama serve

然后拉取通义千问3模型：

ollama pull qwen3

这会获取通义千问3的模型权重，并通过http://localhost:11434/v1这个Ollama API端点，为在本地使用做好准备。

步骤2：克隆并安装通义千问智能体（Qwen-Agent）

接下来，克隆通义千问智能体的官方代码库，并安装支持图形用户界面（GUI）、检索增强生成（RAG）、代码解释以及MCP所需的额外组件。运行以下命令：

# 克隆代码库git clone https://github.com/QwenLM/Qwen-Agent.git# 安装所有额外组件pip install -e ./Qwen-Agent"[gui, rag, code_interpreter, mcp]"

-e标记确保以可编辑模式安装该软件包，方便在需要时深入研究其内部机制。安装完成后，你可以编写一个Python脚本来连接智能助手和Ollama，并启用工具使用功能。

步骤3：编写Python脚本

以下是通过MCP + Ollama运行一个支持工具使用的智能助手的完整代码：

from qwen_agent.agents import Assistant# 步骤1：配置本地通义千问3模型（由Ollama提供服务）llm_cfg = {   'model': 'qwen3',   'model_server': 'http://localhost:11434/v1',  # Ollama API    'api_key': 'EMPTY',}# 步骤2：定义工具（MCP + 代码解释器）tools = [    {'mcpServers': {            'time': {                'command': 'uvx',                'args': ['mcp-server-time', '--local-timezone=Asia/Shanghai']            },            'fetch': {                'command': 'uvx',                'args': ['mcp-server-fetch']            }        }    },    'code_interpreter',]# 步骤3：初始化通义千问智能体助手bot = Assistant(llm=llm_cfg, function_list=tools)# 步骤4：发送包含URL的用户消息messages = [{'role': 'user', 'content': 'https://qwenlm.github.io/blog/ Introduce the latest developments of Qwen'}]# 步骤5：运行智能助手并打印结果for responses in bot.run(messages=messages):    passprint(responses)

这个脚本使用Ollama后端初始化通义千问3模型，并注册了两个MCP工具（time和fetch）以及内置的code_interpreter。在根据需求评估工具或代码后，智能助手会处理用户消息并返回响应。

3 总结

通义千问 3 搭配通义千问智能体（Qwen - Agent）、模型上下文协议（MCP）和 Ollama，可构建强大的本地人工智能助手，摆脱对外部云服务的依赖。该组合支持多轮对话、实时信息检索与 Python 代码执行，所有操作均可在本地环境完成。

对于重视隐私、追求灵活性与扩展性，且致力于构建智能体的开发者、研究人员和产品团队而言，这无疑是理想之选。随着通义千问 3 持续迭代，未来它将更有力地支持复杂任务，实现与自定义工具的无缝融合，为本地自主人工智能智能体的发展开拓广阔前景。