Qwen Agent | MCP & Function Calling流程解读
仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
为了保证结果的完整性，我将保留所有输入输出，篇幅可能较长。重点关注每个轮次messages是如何变化的，role角色如何轮换、toolcall相关信息等。
sqlite是MCP工具，封装了一系列本地数据库增删改查的操作。提前在数据库中建了几张表，并插入了几条记录。
id:整数类型，主键。
name:文本类型，不能为空。
age:整数类型，不能为空。
这个表通常由SQLite自动维护，用于支持AUTOINCREMENT字段。
name:文本类型，默认值和是否为空未指定。
seq:序列号，类型未指定。
id:整数类型，主键。
action:文本类型，可以为空。
timestamp:日期时间类型，默认值为当前时间戳（CURRENT_TIMESTAMP），可以为空。
现在我期望agent帮我完成数据库操作相关的事情，通过自然语言对话驱动。事情可以包括几类：
简单动作：如数据库有几张表；
并行操作类动作：如查看3张表的数据量，期望能并行；
串行依赖类动作：如查看student表的某个同学的年龄，然后在log表中记录。
我将完整呈现1次会话，所有LLM的input、output，以及Qwen对input和output的预处理和后处理。
测试的模型包括Qwen-Max，DeepSeek-R1，Qwen3等，整体表现都还不错，不做特别区分。
我们提供的sqlitemcp配置：
实际可用的tools有6个：
MCPManager代理：单例模式，管理mcp工具，管理clients（工具获取、工具创建、工具调用）
核心实现init_config_async：基于用户提供的配置，在create_tool_class中创建MCPTool，继承自QwenAgent的工具基础类BaseTool，实现调用。
mcpclient：连接服务器，包括sse模式和Stdio模式，返回可用tools、执行调用返回结果。
原始Input：
预处理后的Input：模型真正的输入，会将tools列表和功能描述作为systemprompt的一部分，插在原始system的尾部。
LLM的原始output：在content中通过包裹工具调用命令。和gpt-4o原生返回tool_calls字段不一样，意味着工具解析引擎需要做适配。当然，底层原生模型训练的时候也需要特定样本定制训练，提升工具调用准确性。训练后面再单独分享。
后处理后的output：会解析content，将信息转成function_call结构化输出，Qwen定制了message结构，将function_call结构化。
LLM的原始output：基于上述信息，即可回答。
LLM的后处理后的output：无functioncall等，保持和上面一样
小结：表面上执行了1次对话，实际上背后执行了2次。第一次获取functioncall的调用指令、第二次将工具调用结果补充到会话中获取答案。
并行处理任务，理想情况下可并行发起多条数据库查询指令，仍然只需要2次交互即可。
原始Input：
预处理后的Input：模型真正的输入，仍然只有user/assistant角色。function等会转成，并作为userrole传入。
LLM原始Output：可以发现1次性返回多个函数调用指令。意味着可以并行调用多个工具。这点底层模型训练时肯定做了针对性优化。
LLM后处理的Output，拆成3个指令。
原始Input：将tool调用的结果通过functionrole给出：
预处理后的input，tool_response和tool_call指令按照顺序一一对应，模型能理解这个对应关系。
LLM原始Output：
LLM后处理后的output：和上面一样。
小结：可实现并行调用，仍然通过2轮完成。
追加问了个并行类的问题，这几个表的结构分别是什么样的，仍然可以解决，此处省略：
串行类问题，必须查询完结果，然后才能在log里记录查询行为和时间戳。
原始Input：
预处理后的Input：
小结:共执行了4次对话，获取查询年龄的指令、查询年龄并得到具体年龄6岁、获取插入日志的指令、执行插入并回答插入完成。
我们可以将上述过程通过weave工具[ 2]可视化出来，能够清晰的了解各个流程、mcp工具等如何调用和运转。
整体流程比较清晰。1）通常先经过1次询问，llm返回工具调用指令；2）再基于指令调用工具得到结果，以user的形式喂给llm，得出答案。Qwen3号称在这块原生支持mcp，笔者认为主要是QwenAgent支持。只不过在返回’调用指令’这块，Qwen3可能使用了functioncalling样本进行针对性优化，使得工具调用更加丝滑。
QwenAgent封装了不少通用工具，如代码执行器，搜索工具，mcp工具等。在工具解析引擎上适配不同格式，配合Qwen3在工具调用准度的提升，整体比较丝滑，下回再继续分享。
[1]https ://github. com/QwenLM/Qwen-Agent/
[2]https ://weave-docs. wandb.ai/
进技术交流群请添加AINLP小助手微信（id:ainlp2)
请备注具体方向+所用到的相关技术点
关于AINLP
AINLP是一个有趣有AI的自然语言处理社区，专注于AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享，主题包括LLM、预训练模型、自动生成、文本摘要、智能问答、聊天机器人、机器翻译、知识图谱、推荐系统、计算广告、招聘信息、求职经验分享等，欢迎关注！加技术交流群请添加AINLP小助手微信(id：ainlp2)，备注工作/研究方向+加群目的。
