从零开始搭建Qwen智能体：小白也能轻松上手指南

你是否曾觉得搭建AI智能体门槛太高而望而却步？其实，Qwen-Agent的搭建并没有想象中复杂——即使你没有AI开发经验，也能跟着清晰的步骤完成从环境准备到智能体运行的全流程。

本文将用直白的语言拆解Qwen-Agent搭建的每一个关键步骤，从环境准备到最终启动，每一步都有明确指引，帮你真正实现"从0到1"搞定Qwen-Agent搭建。

测试开发全景图：人工智能测试、智能驱动、自动化、测试开发、左移右移与DevOps的持续交付

一、环境准备与安装

首先需要配置基础开发环境：

# 创建并激活conda环境conda create --name qwen-agent python=3.12conda activate qwen-agent# 克隆Qwen-Agent仓库git clone https://github.com/QwenLM/Qwen-Agent.gitcd Qwen-Agent# 安装核心依赖包pip install -e ./"[rag,code_interpreter,python_executor]"

确保你的系统满足以下要求：

• 硬件：推荐配备16GB显存的GPU（如NVIDIA RTX系列）
• Python：3.6及以上版本
• 网络：能够访问GitHub和PyPI仓库

二、模型部署：两种方案选择

Qwen-Agent支持两种模型服务对接方式：

方案一：使用阿里云DashScope服务（推荐新手）

# 文本模型配置llm_cfg = {'model': 'qwen-plus-2025-01-25','model_type': 'qwen_dashscope','api_key': '你的API密钥',# 请在阿里云平台申请'generate_cfg': {'top_p': 0.8}}

方案二：本地部署开源模型（需要更多资源）

# 本地文本模型配置llm_cfg = {'model': 'Qwen/Qwen2.5-14B-Instruct','model_server': 'http://127.0.0.1:9995/v1','api_key': 'EMPTY','generate_cfg': {'top_p': 0.9}}# 多模态模型配置llm_cfg_vl = {'model': 'Qwen/Qwen2-VL-7B-Instruct','model_server': 'http://127.0.0.1:9993/v1','api_key': 'EMPTY','generate_cfg': {'top_p': 0.9}}

三、第一个智能体应用：RAG示例

下面我们创建一个能够处理文档问答的智能体：

from qwen_agent.agents import Assistant# 配置LLM模型llm_cfg = {'model': 'Qwen/Qwen2.5-14B-Instruct','model_server': 'http://127.0.0.1:9995/v1','api_key': 'EMPTY','generate_cfg': {'top_p': 0.9}}def test():# 初始化助手bot = Assistant(llm=llm_cfg)# 构建消息：用户查询+文档文件messages = [{'role': 'user', 'content': [{'text': '介绍图一'},{'file': '/path/to/your/document.pdf'}# 替换为你的文档路径]}]# 运行智能体并获取响应for rsp in bot.run(messages):print(rsp)if __name__ == '__main__':test()

这个示例展示了Qwen-Agent的文档理解能力——它能读取PDF文件内容并回答相关问题。

四、工具调用：扩展智能体能力

Qwen-Agent的强大之处在于能调用各种工具。以下是天气预报助手的示例：

import osfrom qwen_agent.agents import Assistant# 设置高德地图API密钥（需要自行申请）os.environ['AMAP_TOKEN'] = '你的高德API密钥'# 模型配置llm_cfg = {'model': 'Qwen/Qwen2.5-14B-Instruct','model_server': 'http://127.0.0.1:9995/v1','api_key': 'EMPTY','generate_cfg': {'top_p': 0.9}}# 定义系统指令system_instruction = ('你扮演一个天气预报助手，你具有查询天气和画图能力。''你需要查询相应地区的天气，然后调用画图工具绘制一张城市的图。')# 创建智能体bot = Assistant(llm=llm_cfg,system_message=system_instruction,function_list=['weather_query', 'image_gen']# 天气查询和图像生成工具)

这样创建的智能体能够查询真实天气数据并生成相应的可视化结果。

五、多Agent路由：处理复杂任务

对于复杂任务，可以使用多Agent协作系统：

from qwen_agent.agents import Assistant, ReActChat, Router# 文本模型配置llm_cfg = {...}# 多模态模型配置llm_cfg_vl = {...}def init_agent_service():tools = ['image_gen', 'code_interpreter']# 创建多模态助手bot_vl = Assistant(llm=llm_cfg_vl, name='多模态助手',description='可以理解图像内容。',function_list=tools)# 创建工具助手bot_tool = ReActChat(llm=llm_cfg,name='工具助手',description='可以使用画图工具和运行代码来解决问题',function_list=tools,)# 创建路由器，管理多个智能体bot = Router(llm=llm_cfg,agents=[bot_vl, bot_tool],)return bot

这种架构允许系统自动选择最合适的智能体处理不同任务，比如图像理解类任务路由到多模态助手，工具使用类任务路由到工具助手。

六、自定义工具开发

你还可以创建自己的工具：

from qwen_agent.tools.base import BaseTool, register_toolimport json5import urllib.parse@register_tool('my_image_gen')class MyImageGen(BaseTool):description = 'AI绘画服务，输入文本描述，返回基于文本信息绘制的图像URL。'parameters = [{'name': 'prompt','type': 'string','description': '期望的图像内容的详细描述','required': True}]def call(self, params: str, **kwargs) -> str:prompt = json5.loads(params)['prompt']prompt = urllib.parse.quote(prompt)return json5.dumps({'image_url': f'https://image.pollinations.ai/prompt/{prompt}'}, ensure_ascii=False)

自定义工具通过继承BaseTool类并实现call方法，可以集成任何API或功能到你的智能体中。

七、常见问题与解决

1. 环境配置问题：确保使用Python 3.12版本，避免版本兼容性问题
2. API密钥错误：如果使用DashScope服务，确保API密钥正确配置
3. 模型加载失败：检查模型路径和网络连接，确保能正常访问模型服务
4. 工具调用失败：确认工具已正确注册，参数格式符合要求

八、进一步学习方向

成功搭建基础智能体后，你可以进一步探索：

• 性能优化：学习模型量化和推理优化技术
• 多模态应用：开发支持图像、音频和视频处理的智能体
• 分布式部署：将智能体部署为Web服务，供多用户使用
• 行业应用：将智能体适配到特定行业场景，如客服、内容创作等

测试开发全景图：人工智能测试、智能驱动、自动化、测试开发、左移右移与DevOps的持续交付

结语

通过本文的指导，你应该已经成功搭建了第一个Qwen-Agent智能体。从环境配置到智能体开发，整个流程其实并不复杂，关键是一步步跟着操作。

Qwen-Agent作为一个功能强大且灵活的框架，为开发者提供了构建AI智能体的全套工具。无论你是想开发简单的问答机器人，还是构建复杂的多模态应用系统，Qwen-Agent都能提供良好的支持。

现在就开始你的AI智能体开发之旅吧！如果有任何问题，欢迎在评论区留言讨论。