本文探讨了如何使用Qwen3大模型调用模型上下文协议（MCP），以构建更高效、可复用的大模型应用。Qwen3作为全球首款原生支持MCP的大模型，具备优秀的工具调用能力，并兼容qwen-agent，简化了开发流程。文章详细介绍了MCP的概念、优势，以及使用Qwen3和qwen-agent调用MCP的步骤，包括环境准备、模型部署和代码示例，特别演示了如何使用sqlite的MCP。通过MCP，开发者可以更便捷地构建能够与外部工具交互的大模型应用。

💡 Qwen3是全球首款原生支持MCP的大模型，其在训练阶段就融入了工具调用对话数据，具备强大的工具调用能力，能够更好地理解和执行MCP功能。

🛠️ MCP（模型上下文协议）是一种规范，定义了大模型上下文信息的传输方式，类似于大模型的通用工具箱。它解决了Function Calling在不同场景下需要不同设定的问题，提高了代码复用率。

⚙️ 使用Qwen3调用MCP的流程包括：安装必要的依赖（如vllm、transformers、openai、qwen-agent），下载模型权重，部署模型，并使用qwen-agent进行交互。

📚 文章提供了使用sqlite的MCP的示例，演示了如何通过Qwen3和qwen-agent创建一个数据库表，并随机填充数据。这展示了MCP在实际应用中的灵活性和实用性。

为什么选择 Qwen3 来调用 MCP？因为 Qwen3 是全球首款原生支持 MCP 的大模型，能够更好地理解 MCP 的功能，并更好地规划工具调用流程，对于复杂的任务也是信手拈来，因为 Qwen3 在训练阶段（SFT）就带入了大量的工具调用对话数据进行训练，能够识别外部工具并发起对外部工具调用的请求，并且还支持支持工具的串联、并联以及自动 debug。同时 官方发布的 qwen-agent 兼容 mcp，使得开发更加容易。

MCP 全名为模型上下文协议（Model Context Protocol），它规定了大模型的上下文信息的传输方式。实际上就是一种规范，相当于是大模型的通用工具箱。以前开发者让大模型调用工具都是使用 Function Calling，但是它的缺点比较明显，不同场景下需要不同的设定和工具的开发，因此难以实现复用，而 MCP 规定了大模型上下文的传输规范，适配不同的大语言模型，能够更高效地开发应用，目前已经有不少成熟的 MCP 供开发者使用，能够大量减少重复造轮子的时间。

准备工作

1. 安装 vllm 依赖

首先去 pytorch官网 安装 cuda 版本对应的 pytorch。

随后安装 vllm 以及 transformer 用于模型推理：

pip install vllmpip install transformerspip install openai

2. 安装 qwen-agent 依赖

modelscope 用于下载模型（若已下载模型可忽略）。

pip install -U "qwen-agent[rag,code_interpreter,gui,mcp]"pip install uvpip install modelscope

括号内的内容皆为可选依赖，其中 mcp 是本文需要用到的。

> [gui] 用于提供基于 Gradio 的 GUI 支持；> [rag] 用于支持 RAG；> [code_interpreter] 用于提供代码解释器相关支持；> [mcp] 用于支持 MCP。

3. 下载模型权重

本文使用 modelscope 进行模型下载，选用模型为 8B，可根据实际情况进行选择。

from modelscope import snapshot_download model_dir = snapshot_download('Qwen/Qwen3-8B', cache_dir="./model")

调用 MCP

1. 模型部署

直接利用 vllm 进行模型部署，其中参数可以根据自身情况增加：

vllm serve ./model/Qwen3-8B

2. 模型测试

部署后可以先进行测试，确保模型能够正常运行:

from openai import OpenAIclass LLM:    def __init__(self):        openai_api_key = "EMPTY"        openai_api_base = "http://localhost:8000/v1"        self.client = OpenAI(            api_key=openai_api_key,            base_url=openai_api_base,        )        self.messages = []    def chat(self, prompt):        self.messages.append({"role": "user", "content": prompt})        response = self.client.chat.completions.create(            model="./model/Qwen3-8B",            messages=self.messages,        )        response = response.choices[0].message.content.strip()        self.messages.append({"role": "assistant", "content": response})        return responseif __name__ == "__main__":    model = LLM()    prompt = "你好！"    response = model.chat(prompt)    print(response)

3. 使用 qwen-agent

接下来借助 qwen-agent 来实现与模型的对话：

from qwen_agent.agents import Assistantfrom qwen_agent.utils.output_beautify import typewriter_printllm_cfg = {    "model": "./model/Qwen3-8B",    "model_server": "http://localhost:8000/v1",    "api_key": "EMPTY"}bot = Assistant(llm=llm_cfg,                system_message="你是一个乐于助人的人工智能助手。",                name="小千"                )messages = []while True:    query = input("\n用户请求（输入 quit 退出对话）：")    if query.lower() == "quit":        break    messages.append({"role": "user", "content": query})    response = []    response_plain_text = ""    print("助手回复：")    for response in bot.run(messages=messages):        response_plain_text = typewriter_print(response, response_plain_text)        messages.extend(response)

得到如下结果：

调用 MCP

这里使用 sqlite 的 MCP 进行演示，创建包含五本名著的数据表：

from qwen_agent.agents import Assistantfrom qwen_agent.utils.output_beautify import typewriter_printdef init_agent_service():    llm_cfg = {        "model": "./model/Qwen3-8B",        "model_server": "http://localhost:8000/v1",        "api_key": "EMPTY"    }    system = ("你扮演一个数据库助手，你具有查询数据库的能力。")    tools = [{        "mcpServers": {            "sqlite": {                "command": "uvx",                "args": [                    "mcp-server-sqlite",                    "--db-path",                    "test.db"                ]            }        }    }]      bot = Assistant(        llm=llm_cfg,        system_message=system,        name="数据库管理员",        description="你是一个数据库管理员，具有对本地数据库的增删改查能力。",        function_list=tools    )    return bot  def run_query(query=None):    bot = init_agent_service()        messages = []    messages.append({"role": "user", "content": [{"text": query}]})    previous_text = ""    print("助手回复：", end="", flush=True)    for response in bot.run(messages):        previous_text = typewriter_print(response, previous_text)  if __name__ == "__main__":    query = "帮我创建一个书籍表，包含书名、作者和出版日期。随机填入五条名著数据。"    run_query(query)

运行代码后输出内容如下，模型会进行思考并进行操作：

最终生成一个 test.db 文件，内容如下：