Qwen Agent × MCP × uvx 实战：打造你的 AI 数据库管理员

最新推荐文章于 2025-08-25 11:40:26 发布

原创最新推荐文章于 2025-08-25 11:40:26 发布 · 1.4k 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #dba #jvm #Qwen-Agent #智能体 #mcp

人工智能同时被 3 个专栏收录

18 篇文章

订阅专栏

Agent

5 篇文章

订阅专栏

LLMOPS

3 篇文章

订阅专栏

🔗 参考文章：知乎 - Qwen-Agent 实战

在大模型时代，LLM 不仅能「对话」，更能结合各种工具，变成超能助手。比如——

✅ 能写 SQL
✅ 能操作数据库
✅ 能帮你执行数据分析

这就是 工具调用 (Tool-Calling) 的魅力。而阿里通义 Qwen 团队推出的 Qwen-Agent，帮我们轻松把 LLM 和各种工具串起来。

今天这篇文章，就手把手教你：

如何用 Qwen-Agent + MCP + uvx
让大模型化身一名真正的 数据库管理员
从 0 到 1 创建数据库表，并写入数据

跟着做，你也能拥有自己的 AI DBA！

🌟 项目亮点

这篇文章的方案核心有三大亮点：

✅ Qwen-Agent：通义团队官方 Agent 框架，封装了 LLM 调用流程，支持 Tool Calling

✅ MCP (Multi-Channel Processor)：类似 Function Calling，但更通用。支持将外部工具注册为 MCP Server，LLM 调用时只需要传 JSON，就能远程执行

✅ uvx：超轻量级多进程异步工具，可用来快速构建 MCP Server

在这篇实战里，我们用 uvx 启动 SQLite 的 MCP Server，让 LLM 具备真正的「写数据库」能力。

⚙️ 环境安装

下面在 Python 3.10 环境里安装依赖：

# Python3.10 环境
pip install qwen_agent
pip install python-dateutil
pip install dotenv
pip install -U mcp
pip install uv

各依赖的作用：

库名	作用
qwen_agent	通义 Qwen 官方 Agent 框架
python-dateutil	时间工具，Agent 框架常用
dotenv	加载环境变量
mcp	MCP 协议实现
uv	启动 MCP Server 的轻量工具

💡 技术原理

很多人会问：

「Qwen-Agent 怎么帮 LLM 调用数据库？」

核心原理就两个字：工具 (Tool)。

Qwen-Agent 定义工具的方法，和 OpenAI Function Calling 非常像，就是描述一个 JSON Schema：

{
    "mcpServers": {
        "sqlite": {
            "command": "uvx",
            "args": [
                "mcp-server-sqlite",
                "--db-path",
                "test.db"
            ]
        }
    }
}

LLM 只需要输出一段 JSON，Qwen-Agent 就会帮它把 JSON 参数发送到 MCP Server
MCP Server 执行真正的系统指令，比如写入 SQLite
再把结果返回给 LLM

这样 LLM 就能「动手」执行外部操作，而不仅仅是生成文本。

📝 完整代码实战

下面上完整 Python 代码，一步到位：

1. 导入依赖

from qwen_agent.agents import Assistant
from qwen_agent.utils.output_beautify import typewriter_print

2. 初始化 Agent

先定义 LLM 配置，以及 MCP Tool：

def init_agent_service():
    llm_cfg = {
        'model': 'qwen-plus-0112',
        'model_server': 'dashscope',
        'api_key': 'sk-xxxxxxxxxxxxxxxxxxxxxxx',   # 填入你自己的 API Key
        'generate_cfg': {
            'top_p': 0.8
        }
    }

    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

这段配置里，重点：

MCP Server 用 uvx 启动 mcp-server-sqlite
SQLite 文件是 test.db
这样 LLM 就能执行 SQLite 命令

3. 执行对话

我们写一个 run_query 方法，用来向 Agent 发出 SQL 请求：

def run_query(query=None):
    bot = init_agent_service()

    messages = []
    messages.append({'role': 'user', 'content': [{'text': query}]})

    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)

这里做了：

创建 User Prompt
用 bot.run() 循环获取流式回复
用 typewriter_print 优雅打印 LLM 输出

4. 测试案例

比如，我们让 LLM 创建表 + 插入一条数据：

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)

💻 效果演示

如果你环境都配好，执行以上脚本，你将看到类似效果：

数据库管理员: 好的，正在创建表 students...
创建成功！已插入数据：
id=1, name=张三, age=20, gender=男, score=95

👇 示意图：

在这里插入图片描述

是不是很酷？你已经拥有了一个可以真正写数据库的 AI DBA！

❓ 常见问题

uvx 是什么？

uvx 是一个超轻量的进程执行器，能快速运行子进程并管理异步 I/O。它在 Qwen-Agent 里常被用来启动 MCP Server。

MCP 和 Function Calling 有啥区别？

特点	MCP	Function Calling
调用协议	JSON Schema + Server	JSON Schema + 内部执行
可调用外部进程	✅	❌
灵活度	更强	相对有限

所以 MCP 不仅能写代码，还能执行系统级命令，适合更复杂的场景。

🔗 参考资料

🔥 小结

今天，你学会了：

✅ Qwen-Agent 基本用法
✅ MCP 的工作原理
✅ 如何让 LLM 写 SQLite

未来，你可以继续拓展：

MySQL / Postgres MCP
本地文件系统操作
调用爬虫或爬取数据

大模型 + MCP，让你的工具链无限可能！

快去试试吧 🚀

完整代码如下，跑起来就是一个小型 AI DBA。祝你玩得开心！🚀

from qwen_agent.agents import Assistant
from qwen_agent.utils.output_beautify import typewriter_print

def init_agent_service():
    llm_cfg={
        'model': 'qwen-plus-0112',
        'model_server': 'dashscope',
        'api_key': 'sk-xxxxxxxxxxxxxxxxxxxxxxx',
        '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)