Qwen-Agent 上手指南函数调用、RAG 与代码解释器齐备的 Qwen 智能体框架【免费下载链接】Qwen-AgentAgent framework and applications built upon Qwen3.0, featuring Function Calling, MCP, Code Interpreter, RAG, Chrome extension, etc.项目地址: https://gitcode.com/GitHub_Trending/qw/Qwen-AgentQwen-Agent 是 Qwen 团队开源的大模型应用开发框架建立在 Qwen 系列模型Qwen3 及以上的指令跟随、工具调用、规划与记忆能力之上。基于它可以用几十行代码组装出带函数调用、文档 RAG 问答、代码执行能力的智能体Agent再配上一行WebUI(bot).run()就能得到 Gradio 聊天界面官方说明中 Qwen Chat 也正是以该框架作为后端。本文面向第一次接触该项目的开发者和做技术选型的团队梳理它的定位、最短上手路径、各内置能力的用法边界以及常见配置坑位。Qwen-Agent 是什么一个智能体组装工具箱而不是开箱应用先厘清定位避免预期错位。Qwen-Agent 提供的是三层可组合的组件模型层继承BaseChatModel的 LLM 封装内置多种 Qwen 模型的函数调用提示模板工具层继承BaseTool的工具基类内置代码解释器、文档解析、网页搜索、网页提取、图片生成等工具见 qwen_agent/tools/智能体层继承Agent的高层实现例如带文件阅读和工具调用能力的Assistant、面向数据/代码场景的ReActChat、工具集成推理的TirAgent、群聊路由等见 qwen_agent/agents/。这意味着它适合两类人一是想基于 Qwen 模型快速做内部工具、问答助手、数据分析助手的开发者二是需要评估自研 Agent 框架 vs 直接用模型 API的选型者。反过来如果你想要的是一个打包好、点开即用的标注平台或 SaaS 服务它不是目标产品——它交付的是组件和示例业务逻辑需要你自己接上。安装 Qwen-Agent 并跑通第一个对话界面最短路径分三步装包、配模型服务、起界面。# 方式一从 PyPI 安装[gui,rag,code_interpreter,mcp] 为可选依赖组 # pip install -U qwen-agent[gui,rag,code_interpreter,mcp] # 方式二从源码安装 git clone https://gitcode.com/GitHub_Trending/qw/Qwen-Agent cd Qwen-Agent pip install -e ./[gui,rag,code_interpreter,mcp]方括号里的依赖组按需用gui装 Gradio 界面rag装文档检索相关依赖jieba、pdfplumber、pandas 等code_interpreter装代码解释器的 FastAPI/Jupyter 依赖mcp装 MCP 客户端。只跑最小函数调用场景时直接pip install -U qwen-agent即可。模型服务有两种接法使用 DashScope 托管服务时设置环境变量DASHSCOPE_API_KEY或者用 vLLM、Ollama、SGLang 等部署自己的开源 Qwen 模型提供一个 OpenAI 兼容的 API 端点。下面的最小示例即覆盖了这两种方式from qwen_agent.agents import Assistant from qwen_agent.gui import WebUI # llm 配置这里用 DashScope 托管的 qwen-max-latest # 若用本地 vLLM/Ollama可改为 # model: Qwen3-8B, model_server: http://localhost:8000/v1, api_key: EMPTY bot Assistant(llm{model: qwen-max-latest, model_type: qwen_dashscope}) # 一行启动 Gradio 聊天界面浏览器中即可对话 WebUI(bot).run()Assistant是开箱即用的智能体支持读取文件、调用工具WebUI来自 qwen_agent/gui/web_ui.py。注意 GUI 基于 Gradio 5要求 Python 3.10 及以上。更多可直接运行的脚本集中在 examples/ 目录例如 examples/assistant_rag.py 就是一个带 Gradio 界面的文档问答 Demo。三大内置能力文档 RAG 问答、代码解释器、函数调用文档 RAG 问答先喂文件再提问题RAG 能力让智能体直接对 PDF、Word、PPT、TXT、HTML 等文档做检索问答而不依赖模型的长上下文硬撑。examples/assistant_rag.py 是最小入口把文件本地路径或 URL放进消息里即可让模型检索并回答examples/parallel_doc_qa.py 则提供更激进的并行文档问答方案。图中演示了把 Attention Is All You Need 的 PDF 交给 Chatbot 后模型直接基于文档内容总结出 Transformer 架构结论而不是泛泛而谈。代码解释器让智能体自己写代码并看结果内置的code_interpreter工具基于本地 Docker 容器实现智能体按场景生成 Python 代码在隔离环境里执行再把结果和图表返回到对话中。使用前确保本机 Docker 已安装并在运行首次构建镜像需要联网拉取。官方 README 特别提示该容器只挂载指定工作目录、实现的是基础沙箱隔离生产环境需谨慎使用。典型应用是数据分析examples/react_data_analysis.py 用ReActChat挂载代码解释器让模型对 CSV 先探查、再画图适合做上传数据—提问—出图的内部小工具。函数调用默认模板原生支持并行工具调用LLM 类内置函数调用能力默认的 Nous 模板适配 Qwen3 系列与 QwQ-32B原生支持并行工具调用也就是模型可以一轮同时发起多个工具请求。examples/function_calling.py 演示了最底层的调用形态examples/assistant_qwen3.py、examples/assistant_qwq.py、examples/assistant_qwen3.5.py 则分别展示了不同模型代际的工具调用 Demo。若模型端启用了原生工具解析如 vLLM 对 Qwen3-Coder可以通过generate_cfg中的use_raw_api参数切换解析方式README 的 FAQ 一节有逐项说明。把外部系统接进来自定义工具与 MCP除了内置工具框架提供两条扩展路径。自定义工具继承BaseTool、声明description和parameters、实现call方法再用register_tool注册智能体就能按描述自动调用它。examples/assistant_add_custom_tool.py 是一个完整例子——自定义了一个文生图工具返回图片 URL 后交给代码解释器下载处理。工具基类位于 qwen_agent/tools/base.py。MCPModel Context Protocol如果希望复用开源生态里的工具服务器文件系统、记忆、数据库等可以直接在配置里声明mcpServers。README 给出的格式如下节选 sqlite 示例{ mcpServers: { sqlite: { command: uvx, args: [mcp-server-sqlite, --db-path, test.db] } } }配套的可运行示例是 examples/assistant_mcp_sqlite_bot.py它让智能体用自然语言查 SQLite 数据库。跑通前需要本机具备 Node.js、uv、Git、SQLiteWindows 可用 winget、macOS 可用 Homebrew 安装README 有对应命令。从示例迁移到实际场景按需求找 Demoexamples/ 目录基本覆盖了主要使用场景可以当场景索引来查你的需求看哪个示例说明理解底层函数调用examples/function_calling.py最接近裸 LLM 调用的形态长文档问答examples/assistant_rag.py、examples/parallel_doc_qa.py前者轻量后者并行加速数据分析出图examples/react_data_analysis.pyReActChat 代码解释器多智能体协作examples/group_chat_demo.py、examples/group_chat_chess.py群聊式多 Agent数学/代码推理examples/tir_math.py工具集成推理TIR注意其 Python 执行器未沙箱化仅限本地测试记忆与长对话examples/long_dialogue.py、examples/virtual_memory_qa.py结合记忆组件框架之外还有两个值得注意的延伸应用一是浏览器助手BrowserQwen一个基于 Qwen-Agent 的 Chrome 扩展能把浏览历史、网页内容交给模型做问答与编辑相关代码在 browser_qwen/ 目录文档见 browser_qwen.md二是智能体评测基准DeepPlanning包含购物规划与旅行规划两套任务集和评测管线位于 benchmark/deepplanning/适合想量化对比自己 Agent 效果的团队。常见坑位与适用边界代码解释器起不来先确认 Docker 守护进程在运行首次使用要等容器镜像构建耗时取决于网络。生产环境务必理解它只是基础隔离。工具调用解析异常QwQ 和 Qwen3 系列推荐用 Qwen-Agent 内置解析器即 vLLM 部署时不要加--enable-auto-tool-choice和--tool-call-parser参数Qwen3-Coder 则相反推荐启用模型服务端的原生解析并配合use_raw_api: True。GUI 装不上Gradio 相关依赖是精确锁版本gradio5.23.1 等Python 版本需 3.10环境冲突时优先用干净的虚拟环境。模型不响应/解析错误先排查DASHSCOPE_API_KEY或model_server连通性再对照llm_cfg里generate_cfg的可选参数如fncall_prompt_type、thought_in_content确认与模型输出形态匹配。边界认知框架能力等于Qwen 模型能力 你接的工具。示例展示的是用法范式效果上限取决于所选模型与提示词设计不要拿 Demo 输出当作产品承诺。更多细节可查项目内置文档站点的内容目录 qwen-agent-docs/website/content/en/guide/其中包含快速上手、配置说明与各核心模块的解读。小结Qwen-Agent 的价值在于把 Qwen 系列模型的应用开发收敛到三件事配置模型服务、挑选/扩展工具、选择或继承一个 Agent 实现并且每一步都有可运行的参考示例。它适合内部助手、文档问答、数据分析、多智能体实验这类自己掌控代码的场景不适合期望零代码开箱即用的团队。下一步建议从pip installAssistantWebUI的最小组合跑通再按上文场景索引表逐个替换示例逐步替换成自己的工具与提示词。【免费下载链接】Qwen-AgentAgent framework and applications built upon Qwen3.0, featuring Function Calling, MCP, Code Interpreter, RAG, Chrome extension, etc.项目地址: https://gitcode.com/GitHub_Trending/qw/Qwen-Agent创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Qwen-Agent 上手指南：函数调用、RAG 与代码解释器齐备的 Qwen 智能体框架
Qwen-Agent 上手指南函数调用、RAG 与代码解释器齐备的 Qwen 智能体框架【免费下载链接】Qwen-AgentAgent framework and applications built upon Qwen3.0, featuring Function Calling, MCP, Code Interpreter, RAG, Chrome extension, etc.项目地址: https://gitcode.com/GitHub_Trending/qw/Qwen-AgentQwen-Agent 是 Qwen 团队开源的大模型应用开发框架建立在 Qwen 系列模型Qwen3 及以上的指令跟随、工具调用、规划与记忆能力之上。基于它可以用几十行代码组装出带函数调用、文档 RAG 问答、代码执行能力的智能体Agent再配上一行WebUI(bot).run()就能得到 Gradio 聊天界面官方说明中 Qwen Chat 也正是以该框架作为后端。本文面向第一次接触该项目的开发者和做技术选型的团队梳理它的定位、最短上手路径、各内置能力的用法边界以及常见配置坑位。Qwen-Agent 是什么一个智能体组装工具箱而不是开箱应用先厘清定位避免预期错位。Qwen-Agent 提供的是三层可组合的组件模型层继承BaseChatModel的 LLM 封装内置多种 Qwen 模型的函数调用提示模板工具层继承BaseTool的工具基类内置代码解释器、文档解析、网页搜索、网页提取、图片生成等工具见 qwen_agent/tools/智能体层继承Agent的高层实现例如带文件阅读和工具调用能力的Assistant、面向数据/代码场景的ReActChat、工具集成推理的TirAgent、群聊路由等见 qwen_agent/agents/。这意味着它适合两类人一是想基于 Qwen 模型快速做内部工具、问答助手、数据分析助手的开发者二是需要评估自研 Agent 框架 vs 直接用模型 API的选型者。反过来如果你想要的是一个打包好、点开即用的标注平台或 SaaS 服务它不是目标产品——它交付的是组件和示例业务逻辑需要你自己接上。安装 Qwen-Agent 并跑通第一个对话界面最短路径分三步装包、配模型服务、起界面。# 方式一从 PyPI 安装[gui,rag,code_interpreter,mcp] 为可选依赖组 # pip install -U qwen-agent[gui,rag,code_interpreter,mcp] # 方式二从源码安装 git clone https://gitcode.com/GitHub_Trending/qw/Qwen-Agent cd Qwen-Agent pip install -e ./[gui,rag,code_interpreter,mcp]方括号里的依赖组按需用gui装 Gradio 界面rag装文档检索相关依赖jieba、pdfplumber、pandas 等code_interpreter装代码解释器的 FastAPI/Jupyter 依赖mcp装 MCP 客户端。只跑最小函数调用场景时直接pip install -U qwen-agent即可。模型服务有两种接法使用 DashScope 托管服务时设置环境变量DASHSCOPE_API_KEY或者用 vLLM、Ollama、SGLang 等部署自己的开源 Qwen 模型提供一个 OpenAI 兼容的 API 端点。下面的最小示例即覆盖了这两种方式from qwen_agent.agents import Assistant from qwen_agent.gui import WebUI # llm 配置这里用 DashScope 托管的 qwen-max-latest # 若用本地 vLLM/Ollama可改为 # model: Qwen3-8B, model_server: http://localhost:8000/v1, api_key: EMPTY bot Assistant(llm{model: qwen-max-latest, model_type: qwen_dashscope}) # 一行启动 Gradio 聊天界面浏览器中即可对话 WebUI(bot).run()Assistant是开箱即用的智能体支持读取文件、调用工具WebUI来自 qwen_agent/gui/web_ui.py。注意 GUI 基于 Gradio 5要求 Python 3.10 及以上。更多可直接运行的脚本集中在 examples/ 目录例如 examples/assistant_rag.py 就是一个带 Gradio 界面的文档问答 Demo。三大内置能力文档 RAG 问答、代码解释器、函数调用文档 RAG 问答先喂文件再提问题RAG 能力让智能体直接对 PDF、Word、PPT、TXT、HTML 等文档做检索问答而不依赖模型的长上下文硬撑。examples/assistant_rag.py 是最小入口把文件本地路径或 URL放进消息里即可让模型检索并回答examples/parallel_doc_qa.py 则提供更激进的并行文档问答方案。图中演示了把 Attention Is All You Need 的 PDF 交给 Chatbot 后模型直接基于文档内容总结出 Transformer 架构结论而不是泛泛而谈。代码解释器让智能体自己写代码并看结果内置的code_interpreter工具基于本地 Docker 容器实现智能体按场景生成 Python 代码在隔离环境里执行再把结果和图表返回到对话中。使用前确保本机 Docker 已安装并在运行首次构建镜像需要联网拉取。官方 README 特别提示该容器只挂载指定工作目录、实现的是基础沙箱隔离生产环境需谨慎使用。典型应用是数据分析examples/react_data_analysis.py 用ReActChat挂载代码解释器让模型对 CSV 先探查、再画图适合做上传数据—提问—出图的内部小工具。函数调用默认模板原生支持并行工具调用LLM 类内置函数调用能力默认的 Nous 模板适配 Qwen3 系列与 QwQ-32B原生支持并行工具调用也就是模型可以一轮同时发起多个工具请求。examples/function_calling.py 演示了最底层的调用形态examples/assistant_qwen3.py、examples/assistant_qwq.py、examples/assistant_qwen3.5.py 则分别展示了不同模型代际的工具调用 Demo。若模型端启用了原生工具解析如 vLLM 对 Qwen3-Coder可以通过generate_cfg中的use_raw_api参数切换解析方式README 的 FAQ 一节有逐项说明。把外部系统接进来自定义工具与 MCP除了内置工具框架提供两条扩展路径。自定义工具继承BaseTool、声明description和parameters、实现call方法再用register_tool注册智能体就能按描述自动调用它。examples/assistant_add_custom_tool.py 是一个完整例子——自定义了一个文生图工具返回图片 URL 后交给代码解释器下载处理。工具基类位于 qwen_agent/tools/base.py。MCPModel Context Protocol如果希望复用开源生态里的工具服务器文件系统、记忆、数据库等可以直接在配置里声明mcpServers。README 给出的格式如下节选 sqlite 示例{ mcpServers: { sqlite: { command: uvx, args: [mcp-server-sqlite, --db-path, test.db] } } }配套的可运行示例是 examples/assistant_mcp_sqlite_bot.py它让智能体用自然语言查 SQLite 数据库。跑通前需要本机具备 Node.js、uv、Git、SQLiteWindows 可用 winget、macOS 可用 Homebrew 安装README 有对应命令。从示例迁移到实际场景按需求找 Demoexamples/ 目录基本覆盖了主要使用场景可以当场景索引来查你的需求看哪个示例说明理解底层函数调用examples/function_calling.py最接近裸 LLM 调用的形态长文档问答examples/assistant_rag.py、examples/parallel_doc_qa.py前者轻量后者并行加速数据分析出图examples/react_data_analysis.pyReActChat 代码解释器多智能体协作examples/group_chat_demo.py、examples/group_chat_chess.py群聊式多 Agent数学/代码推理examples/tir_math.py工具集成推理TIR注意其 Python 执行器未沙箱化仅限本地测试记忆与长对话examples/long_dialogue.py、examples/virtual_memory_qa.py结合记忆组件框架之外还有两个值得注意的延伸应用一是浏览器助手BrowserQwen一个基于 Qwen-Agent 的 Chrome 扩展能把浏览历史、网页内容交给模型做问答与编辑相关代码在 browser_qwen/ 目录文档见 browser_qwen.md二是智能体评测基准DeepPlanning包含购物规划与旅行规划两套任务集和评测管线位于 benchmark/deepplanning/适合想量化对比自己 Agent 效果的团队。常见坑位与适用边界代码解释器起不来先确认 Docker 守护进程在运行首次使用要等容器镜像构建耗时取决于网络。生产环境务必理解它只是基础隔离。工具调用解析异常QwQ 和 Qwen3 系列推荐用 Qwen-Agent 内置解析器即 vLLM 部署时不要加--enable-auto-tool-choice和--tool-call-parser参数Qwen3-Coder 则相反推荐启用模型服务端的原生解析并配合use_raw_api: True。GUI 装不上Gradio 相关依赖是精确锁版本gradio5.23.1 等Python 版本需 3.10环境冲突时优先用干净的虚拟环境。模型不响应/解析错误先排查DASHSCOPE_API_KEY或model_server连通性再对照llm_cfg里generate_cfg的可选参数如fncall_prompt_type、thought_in_content确认与模型输出形态匹配。边界认知框架能力等于Qwen 模型能力 你接的工具。示例展示的是用法范式效果上限取决于所选模型与提示词设计不要拿 Demo 输出当作产品承诺。更多细节可查项目内置文档站点的内容目录 qwen-agent-docs/website/content/en/guide/其中包含快速上手、配置说明与各核心模块的解读。小结Qwen-Agent 的价值在于把 Qwen 系列模型的应用开发收敛到三件事配置模型服务、挑选/扩展工具、选择或继承一个 Agent 实现并且每一步都有可运行的参考示例。它适合内部助手、文档问答、数据分析、多智能体实验这类自己掌控代码的场景不适合期望零代码开箱即用的团队。下一步建议从pip installAssistantWebUI的最小组合跑通再按上文场景索引表逐个替换示例逐步替换成自己的工具与提示词。【免费下载链接】Qwen-AgentAgent framework and applications built upon Qwen3.0, featuring Function Calling, MCP, Code Interpreter, RAG, Chrome extension, etc.项目地址: https://gitcode.com/GitHub_Trending/qw/Qwen-Agent创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考