AI Agent智能體與MCP開發實踐：基於Qwen3大模型

王曉華，高校計算機專業講師，研究方向為雲計算、大數據與人工智能。其著作包括《DeepSeek原生應用與智能體開發實踐》《DeepSeek大模型高性能核心技術與多模態融合開發》《深入探索Mamba模型架構與應用》《PyTorch深度學習與計算機視覺實踐》《PyTorch語音識別實戰》《ChatGLM3大模型本地化部署、應用開發與微調》《從零開始大模型開發與微調：基於PyTorch與ChatGLM》《PyTorch 2.0深度學習從零開始學》《TensorFlow深度學習應用實踐》《OpenCV+TensorFlow深度學習與計算機視覺實戰》《TensorFlow語音識別實戰》《TensorFlow 2.0卷積神經網絡實戰》《深度學習的數學原理與實現》。

目    錄

 

第1章  從大語言模型到智能體的演進 1

1.1  從大語言模型到智能體 1

1.1.1  自回歸大模型核心技術的突破 1

1.1.2  大語言模型發展的裏程碑 2

1.1.3  從大語言模型到智能體 3

1.2  Qwen3架構革新與性能躍遷 4

1.2.1  Qwen3核心技術解讀 4

1.2.2  Qwen3並行計算效能躍遷 6

1.2.3  Qwen3重新定義工作認知 8

1.3  本章小結 9

第2章  Agent開發環境配置 10

2.1  智能體開發環境安裝 10

2.1.1  Miniconda的下載與安裝 11

2.1.2  PyTorch的下載與安裝 13

2.1.3  PyCharm編譯器的安裝與使用 16

2.2  本地化Qwen3的下載與基礎使用 19

2.2.1  ModelScope簡介 20

2.2.2  Qwen3模型的本地化部署與使用 21

2.2.3  Qwen3中思考模式的切換 22

2.3  本章小結 24

第3章  基於陪伴Agent的大模型微調 25

3.1  大模型微調 25

3.1.1  大模型微調的作用 25

3.1.2  大模型微調技術有哪些 26

3.2  二次元風格的陪伴Agent微調實戰 26

3.2.1  微調模型與數據集的準備 27

3.2.2  使用TRL全量微調大模型 29

3.2.3  使用微調後的大模型進行二次元風格問答 31

3.3  本章小結 32

第4章  在線Qwen3大模型的基本使用 33

4.1  網頁端Qwen3大模型的基本使用 33

4.1.1  在線Qwen3的註冊與基本使用 34

4.1.2  不同提示詞對回答的影響 35

4.2  Qwen3在線API的使用 37

4.2.1  在線Qwen3註冊與基本使用 37

4.2.2  不同需求的Qwen3的API使用 38

4.2.3  在線API的工具調用與簡單RAG處理 41

4.3  本章小結 44

第5章  RAG與提示詞工程 45

5.1  RAG技術體系 46

5.1.1  RAG的定義與核心流程 46

5.1.2  數據處理與分塊策略 47

5.1.3  Rerank機制詳解 49

5.2  問題表示與提示工程 51

5.2.1  核心原則與最佳實踐 51

5.2.2  提示工程中的思維鏈詳解 52

5.3  結合RAG與思維鏈的任務拆解實戰 54

5.3.1  加載思維鏈的查詢處理 54

5.3.2  思維鏈的查詢處理 55

5.3.3  結合RAG的思維鏈任務規劃 57

5.4  本章小結 61

第6章  Agent架構設計 62

6.1  智能體技術演進路徑 62

6.1.1  從大模型到自主智能體的能力躍遷 63

6.1.2  LLM、Workflow與Graph技術路線對比分析 64

6.1.3  交互範式變革：從工具調用到意圖理解 65

6.2  智能體架構設計 66

6.2.1  “感知-決策-執行”閉環架構設計 67

6.2.2  記憶模塊與上下文管理機制 67

6.2.3  工具調用與外部系統集成策略 68

6.3  本章小結 69

第7章  多Agent跨境電商智能客服實戰 70

7.1  分層Agent跨境電商智能客服基本架構設計 70

7.1.1  DTC模式的崛起與智能客服的新要求 71

7.1.2  跨境電商智能客服架構設計 72

7.1.3  用於復雜任務分配、解決與匯總的分層Agent架構 73

7.2  搭建具備商業問答能力的交流客服Agent 74

7.2.1  基於Qwen3的多語種智能客服基座模型簡介 75

7.2.2  真實客服數據集介紹與使用詳解 76

7.2.3  使用LoRA微調基座模型 77

7.2.4  使用微調後的智能客服基座模型完成推理 81

7.2.5  原生Qwen3多語種支持與跨境電商智能客服語言設置 82

7.3  給交流客服Agent註入垂直領域知識 85

7.3.1  給客服大模型直接添加知識的方法 86

7.3.2  更高精度的RAG詳解與使用示例 88

7.3.3  基於BM25算法的RAG實戰 90

7.3.4  基於Embedding向量排序的RAG實戰 94

7.3.5  補充講解1：智能客服模型垂直領域知識註入 100

7.3.6  補充講解2：用Qwen3開展向量計算 102

7.4  搭建基於Qwen3的調度Agent 104

7.4.1  使用MCP構建適配智能客服的工具集 104

7.4.2  基於在線Qwen3的客戶意圖識別與工具調度Agent 108

7.5  本章小結 112

第8章  多智能體協作的原生A2A協議詳解 114

8.1  A2A架構詳解 115

8.1.1  A2A的功能與定義 115

8.1.2  A2A通信與交互模塊詳解 116

8.2  Hello Agent：A2A多智能體交互實戰 119

8.2.1  定義模塊組件的實現與查看 119

8.2.2  服務模塊組件的實現與啟動 122

8.2.3  執行模塊組件的實現與運行 125

8.3  本章小結 127

第9章  MCP與應用詳解 128

9.1  工具調用詳解 128

9.1.1  Python調用工具的基本原理 129

9.1.2  使用Qwen3演示大模型工具調用方法 130

9.2  MCP協議詳解 133

9.2.1  MCP功能與架構詳解 134

9.2.2  單機MCP服務端的搭建 137

9.2.3  單機MCP客戶端的搭建與使用 138

9.3  本章小結 143

第10章  雲上MCP服務的部署與使用 144

10.1  多種MCP連接協議詳解 144

10.1.1  stdio與SSE傳輸協議 144

10.1.2  基於SSE傳輸協議的MCP服務端 146

10.1.3  可視化驗證基於SSE協議的MCP服務 146

10.2  局域網MCP服務器的搭建與使用實戰 150

10.2.1  局域網MCP服務端的搭建 150

10.2.2  局域網MCP客戶端連接MCP服務 152

10.3  基於騰訊雲的MCP服務架設與使用 154

10.3.1  高效便捷的MCP雲服務平臺 154

10.3.2  騰訊雲MCP服務部署代碼的編寫 157

10.3.3  騰訊雲端口的開啟以及在線MCP服務的驗證 158

10.3.4  騰訊雲的持久化服務的開啟 160

10.4  本章小結 161

第11章  高德地圖MCP服務智能調用實戰 162

11.1  MCP驗證工具與高德地圖剖析 162

11.1.1  MCP Inspector使用演示 162

11.1.2  FastMCP用法講解 166

11.1.3  高德地圖MCP服務剖析與測試 171

11.2  高德MCP服務的解析與應用重構 181

11.2.1  基於URL的高德MCP服務的解析 182

11.2.2  原生高德MCP服務的解析 187

11.2.3  解析基於高德MCP工具調用的示例 191

11.3  智能化自定義高德MCP服務實戰 196

11.3.1  在線Qwen3大模型的使用 196

11.3.2  高德MCP函數工具的解析與格式轉換 198

11.3.3  在線Qwen3的工具格式、函數體與轉換函數 200

11.3.4  結合Qwen3智能化自定義高德MCP應用實戰 208

11.4  本章小結 214

第12章  構建個性化的arXiv科研論文MCP服務實戰 215

12.1  將arXiv MCP服務拆解為API應用 215

12.1.1  基礎arXiv MCP服務的安裝與拆解運行 216

12.1.2  使用大模型實現輔助工具函數設置 217

12.1.3  對查詢結果的個性化排序處理 222

12.1.4  適配閱讀習慣的可視化操作 225

12.2  設計個性化的科研論文查詢函數設計 226

12.2.1  FastAPI用法講解 226

12.2.2  基於Flow過程的科研論文查詢 229

12.2.3  將查詢服務重新包裝成API服務 233

12.3  將arXiv API包裝為MCP服務 236

12.3.1  重構原有的arXiv API服務 237

12.3.2  將arXiv API重新包裝為定制的MCP服務 240

12.4  本章小結 244

第13章  基於gradio的雲上MCP服務發布 245

13.1  gradio的基本使用詳解 245

13.1.1  從gradio的Interface開始 245

13.1.2  gradio輸入與輸出組件 248

13.1.3  啟動gradio的launch 252

13.1.4  gradio中多樣化的輸入/輸出組件 253

13.1.5  gradio中常用的幾個組件 256

13.2  基於gradio的MCP服務 268

13.2.1  基於gradio本地實現MCP服務程序 269

13.2.2  基於gradio免費部署雲端MCP服務 271

13.3  本章小結 274

第14章  基於MCP的旅遊規劃智能體開發實戰 275

14.1  基礎智能體組件 276

14.1.1  智能體的基本模塊 276

14.1.2  智能體的System Prompt 277

14.1.3  對MCP服務的加載和處理 280

14.2  智能體整合與單一MCP實戰 282

14.2.1  完整的智能體整合 282

14.2.2  智能體整合高德MCP服務實戰 291

14.3  智能體引導的尋味之旅 292

14.3.1  規劃與文件處理MCP詳解 292

14.3.2  饗攬杭城：智能體引導的尋味之旅 301

14.4  本章小結 312

第15章  多智能體框架LangGraph與聊天助手實戰 313

15.1  初識LangGraph與工作流搭建 313

15.1.1  用LangGraph把大象裝進冰箱 314

15.1.2  LangGraph特性與技術原理 319

15.1.3  LangGraph組件詳解 319

15.1.4  LangGraph中的StateGraph 320

15.1.5  LangGraph中的節點 321

15.1.6  LangGraph中的邊 323

15.2  基於LangGraph的聊天助手搭建 324

15.2.1  LangGraph構建的聊天助手 325

15.2.2  原生LangGraph接口對Qwen3的調用 327

15.2.3  一般智能體運行範式詳解 328

15.2.4  基於LangGraph與Qwen3完成聊天助手 331

15.2.5  進階智能體構建 333

15.3  本章小結 337

第16章  基於LangGraph的高品質住宅投研智能體開發實戰 338

16.1  搭建投研助手必備的知識維度 339

16.1.1  負公攤深析：解構高品質住宅的價值基底 339

16.1.2  搭建全域知識架構的投研認知體系 340

16.1.3  智居範式躍遷：重構技術驅動的居住品質生態 341

16.2  基於Qwen3的高品質住宅投研助手實戰 342

16.2.1  智能體流程功能的定義 343

16.2.2  智能體流程角色的設定 344

16.2.3  投研智能體不同角色的組合與實現 346

16.2.4  完整投研智能體的搭建與運行 351

16.2.5  在騰訊雲上部署高品質住宅投研助手 354

16.3  本章小結 356