通义Qwen-Agent框架快速搭建智能体应用

可视化演示

展示Qwen-Agent三大核心能力：Agent执行流程（用户→规划→工具→记忆→输出）、多Agent协作共享记忆机制、以及RAG检索增强生成管线。交互切换不同架构视角。

框架初识：租下装修好的后厨

自己从零开发智能体，就像想开奶茶店却坚持自己砌墙。你既要处理大模型的调用，又要设计工具协议、记忆存储和人机交互，还没开业就耗光了精力。Qwen-Agent 的思路是把「后厨基础工程」提前做完：它由阿里通义千问团队开源，是一个专门用来搭建 Agent 的 Python 开发框架，默认深度集成通义千问系列模型，也支持按需替换其他模型。

安装它并不复杂，一条 pip install qwen-agent 就能把工具箱搬进来。框架已经封装好了 Agent 主类、工具注册、记忆模块和知识库组件，你只需要像往货架上放商品一样，把业务能力填进去。对初学者来说，这意味着你不再需要从模型层开始造轮子，而是把精力放在「这家店卖什么」上。

从成本角度看，选用框架本质上是在用固定成本换取可预估的交付成本：

回到奶茶店的比喻：框架等于已经通好水电的后厨，你要做的只是把自己店里的菜单和设备放进去，而不是从零搬砖。

核心概念：后厨四件套

一间正常运转的后厨，必须有主厨、厨具、菜单和一个记性好的店长。Qwen-Agent 里的智能体也一样，由四个核心部分组成：大模型底座是主厨，负责理解问题、做决策；工具是外接设备，负责查天气、查库存、写代码等具体动作；记忆系统是顾客口味小本本，负责记住上下文和长期偏好；规划循环则是上菜流程，负责把大任务拆成一步一步执行。

这四件套并非各干各的。每一次任务到来，模型会读取当前状态，结合工具返回的观察结果，再决定下一步动作。这个循环可以用一个状态更新式来表示：

所以你在 Qwen-Agent 里配置一个 Agent，本质上就是在配置这四件套：给它一个模型底座、一批工具、一份记忆和一套规划规则。

工具定义：给每台机器贴说明

后厨里每台机器都有操作说明：封口机需要温度参数，榨汁机需要水果种类。Qwen-Agent 中的工具定义，就是把这些「操作说明」翻译成大模型能理解的结构化语言。每个工具通常包含名字、描述、参数声明和实际执行函数。

在 Qwen-Agent 中，你可以把普通 Python 函数包装成 Agent 可调用的工具。框架会在收到用户请求后，让大模型判断该用哪个工具，并生成符合参数约束的 JSON 调用。你也可以挂上代码执行器，让 Agent 像用自动料理机一样运行一小段 Python 脚本，适用于算账、数据处理等场景。当工具调用失败时，框架允许 Agent 捕获异常并重新规划参数，而不是直接崩溃。

工具选择可以理解为在所有后厨设备里挑最合适的一台：

配料要按配方放，工具要按声明调。把参数约束写得越清楚，模型就越少「按错按钮」。

流程编排：给后厨排上菜顺序

一个复杂订单不能一股脑全丢给主厨，而是要先拆成「备料、煮茶、加料、封装」等步骤。Qwen-Agent 的流程编排做的正是这件事：把用户的目标拆成多个子任务，然后按照合理的顺序执行。框架内置了类似 ReAct 的思考-行动-观察循环，让模型在每一步先想清楚，再动手，再根据观察结果修正下一步。

一个任务的成功率，取决于每个子步骤是否靠谱。如果每个步骤的成功率是 $p_i$，整条流程顺利走完的概率就是所有步骤成功率的乘积：

因此，好的流程编排不是塞越多的步骤越好，而是把任务拆到「每一步都足够简单可靠」，并在合适的时候停止循环、输出结果。

记忆检索：顾客口味小本本

顾客上次点了七分糖，这次再点奶茶，你不需要他重复说一遍。这个「记得住」的能力，在 Qwen-Agent 里由记忆系统负责。短期上下文负责保存当前对话中的信息，长期记忆则把重要知识跨会话保留下来，比如用户偏好、企业文档、历史工单等。

当知识量很大时，模型不可能把所有内容都塞进上下文，于是需要检索增强生成（RAG，也就是先从知识库捞材料再让模型回答）。Qwen-Agent 会把文档拆成片段并向量化存入向量库，收到提问时先检索最相关的片段，再拼进提示词让模型回答。这样既节省上下文空间，又让回答有据可依。查询和文档的匹配程度，常通过余弦相似度衡量：

冷藏库不是把整个超市搬进厨房，而是按需取最新鲜的食材。RAG 和记忆模块，就是智能体的智能冷藏库。

多Agent协作：前厅后厨各司其职

小店一个人可以身兼数职，一旦单量上来，就需要前厅接待、后厨制作、收银结账分开。多 Agent 协作也是同理：当一个任务太复杂时，与其让一个 Agent 做所有事，不如让多个各有所长的 Agent 配合完成。Qwen-Agent 支持把不同职责的 Agent 组成小组，比如一个负责检索资料，一个负责调用代码，一个负责汇总答案。

Agent 之间不能乱喊，需要通过消息路由把请求发给正确的接收者。框架支持多种协作模式，比如「管家分配式」「流水线式」「群聊讨论式」。上线之后，还要监控每个 Agent 的工具成功率、响应延迟和消息是否卡在路由上。当多个 Agent 各自给出结果时，系统常常需要汇总成一个最终答案。如果结果可量化，最简单的汇总就是取平均：

多 Agent 不是人越多越好，而是角色清晰、路由顺畅、各司其职，才能真正做到「1+1>2」。

AI 应用场景

Python 演示

"""A tiny Qwen-Agent style tool calling demo."""  TOOLS = {}  def tool(name):    def deco(fn):        TOOLS[name] = fn        return fn    return deco  @tool("get_weather")def get_weather(city="Hangzhou"):    return {"city": city, "weather": "sunny", "temperature": 25}  @tool("check_stock")def check_stock(item="pearl"):    return {"item": item, "stock": 10}  def llm_complete_task(task):    """Simulate the Qwen LLM planning step."""    if "weather" in task:        return [{"tool": "get_weather", "args": {"city": "Hangzhou"}}]    if "stock" in task:        return [{"tool": "check_stock", "args": {"item": "pearl"}}]    return []  class MiniQwenAgent:    def __init__(self):        self.memory = []     def run(self, task):        plan = llm_complete_task(task)        for step in plan:            fn = TOOLS[step["tool"]]            result = fn(**step["args"])            self.memory.append({"task": task, "plan": step, "result": result})        return self.memory  if __name__ == "__main__":    agent = MiniQwenAgent()    print(agent.run("check stock"))    print(agent.run("weather in Hangzhou"))

1. TOOLS = {}工具注册表，相当于后厨的设备清单。
2. def tool(name):装饰器工厂，把普通函数变成可注册的工具。
3. @tool("get_weather")注册一个名叫 get_weather 的工具。
4. plan = llm_complete_task(task)模拟主厨排菜：先规划要用哪些工具。
5. fn = TOOLS[step["tool"]]按工具名从注册表里取出对应的执行函数。
6. result = fn(**step["args"])展开参数并执行工具，类似按下设备按钮。
7. self.memory.append(...)把结果写进记忆，供后续调用参考。

常见误区

面试题