当前位置：首页 > news >正文

【Qwen3 + MCP】快速打造一个免费的Qwen AI图像生成助手

news 2025/5/14 6:03:18

模型上下文协议 (MCP) 允许AI Agent调用外部工具，极大扩展AI的应用边界。最新开源的Qwen3系列大模型不仅性能卓越，更原生支持MCP，为构建高级AI Agent应用奠定了坚实基础。

虽然通过图形化客户端（如 Cursor,Cherry Studio, Open-WebUI 等）可便捷体验Qwen3的MCP功能，但对于追求深度集成、定制化与精细控制的开发者而言，代码实现是更核心的路径。为此，Qwen团队推出了Qwen_Agent框架。它提供了一种比直接使用底层SDK更高效、更易于上手的方式，帮助工程师快速将Qwen3 的Agent能力整合到实际项目中。

本文将介绍如何使用Qwen_Agent框架，并结合Ollama（本地运行Qwen3 8b）、Streamlit（构建UI）以及Pollinations MCP Server（一个强大的外部工具，能让 AI 助手直接生成图像、文本和音频），以代码方式快速搭建一个具备图像生成能力的Qwen3 AI助手。

环境搭建

安装Ollama

Linux: curl -fsSL https://ollama.com/install.sh | sh
Windows: https://ollama.com/download/OllamaSetup.exe 
MAC: https://ollama.com/download/Ollama-darwin.zipDocker: https://hub.docker.com/r/ollama/ollama

\2. 下载Qwen3模型安装完Ollama后，从终端下载Qwen3模型：

ollama run qwen3:8b

\3. 创建Python虚拟环境并安装

conda create -n qwen_agent python=3.11
conda activate qwen_agentpip install -U "qwen-agent[gui,rag,code_interpreter,mcp]"
pip install streamlit

构建Qwen AI助手

我们编写Python代码来创建一个简单的Streamlit Web应用程序，该应用程序使用Qwen Agent连接到本地运行的Qwen3模型，并利用Pollinations MCP工具进行图像生成。


import streamlit as st
from qwen_agent.agents import Assistant# 1. 定义 LLM 配置：连接到本地 Ollama 上的 Qwen3 模型
#    确保 Ollama 服务正在运行，并且 qwen3 模型已成功下载。
llm_cfg = {'model': 'qwen3:8b',  # 通过 `ollama run qwen3:8b` 下载并运行的模型名称'model_server': 'http://localhost:11434/v1',  # Ollama API 的标准端点'api_key': 'EMPTY',  # 对于本地 Ollama 服务，API 密钥通常设置为 'EMPTY' 或任意非空字符串# 'generate_cfg': { # 可选：自定义模型生成参数#     'top_p': 0.8# }
}# 2. 定义工具列表：集成 Pollinations MCP 和代码解释器
tools = [{'mcpServers': {  # 定义 MCP 服务器配置"pollinations": {  # 为此 MCP 服务指定一个易于引用的名称"command": "npx",  # 启动此 MCP 服务器所需的命令"args": ["-y", "@pollinations/model-context-protocol"],  # 传递给启动命令的参数# qwen_agent 会在需要时自动运行此命令来启动 MCP 服务器实例}}},'code_interpreter',  # 引入内置的代码解释器工具
]# 3. 创建 Assistant 实例：初始化 Qwen Agent
#    传入之前定义的 LLM 配置和工具列表
bot = Assistant(llm=llm_cfg, function_list=tools)# 4. 构建 Streamlit 应用界面
st.set_page_config(page_title="Qwen AI 助手", layout="wide")
st.title("Qwen智能图像生成助手 (由 Qwen3 和 MCP 驱动)")
st.caption("一个能够理解指令并调用外部图像生成工具（免费）的AI助手。")# 初始化或获取会话状态中的消息列表
if'messages'notin st.session_state:st.session_state['messages'] = []  # 为了修复API错误，初始问候语不应成为发送给API的第一条消息
# 这里我们先显示一个静态的问候语，它不进入API调用的消息历史的起始部分
ifnot st.session_state.messages: # 仅当真实消息历史为空时显示初始问候with st.chat_message("assistant"):st.markdown('你好！有什么可以帮您的吗？例如，试试“画一只戴着宇航员头盔的猫咪”。')# 显示实际的对话历史 (st.session_state.messages 中的内容)
for message in st.session_state.messages: # 初始运行时，这里是空的with st.chat_message(message["role"]):st.markdown(message["content"])# 用户输入文本框
user_input = st.chat_input("请输入您的指令:")if user_input:# 将用户消息添加到消息列表并显示# 这是API将收到的第一条消息 (如果列表之前为空)st.session_state['messages'].append({'role': 'user', 'content': user_input})with st.chat_message("user"):st.markdown(user_input)# 运行机器人并获取响应with st.chat_message("assistant"):message_placeholder = st.empty() full_response_content = ""with st.spinner("🧠 思考中，请稍候..."):try:# 此处 st.session_state['messages'] 将以用户消息开头responses_stream = bot.run(messages=st.session_state['messages']) for responses_chunk in responses_stream:pass# 迭代消耗生成器final_assistant_responses = [msg for msg in responses_chunk if msg['role'] == 'assistant'and msg notin st.session_state['messages']]if final_assistant_responses:full_response_content = "\n".join([str(resp['content']) for resp in final_assistant_responses if'content'in resp]) # 确保content存在message_placeholder.markdown(full_response_content)st.session_state['messages'].extend(final_assistant_responses)# 如果responses_chunk的最后一个是助手且内容非空，但未被上面逻辑捕获elif responses_chunk and responses_chunk[-1]['role'] == 'assistant'and responses_chunk[-1].get('content'):full_response_content = str(responses_chunk[-1]['content'])message_placeholder.markdown(full_response_content)if responses_chunk[-1] notin st.session_state.messages:st.session_state.messages.append(responses_chunk[-1])else:message_placeholder.markdown("抱歉，我暂时无法回复。")except Exception as e:st.error(f"糟糕，处理您的请求时发生错误: {e}")st.session_state['messages'].append({'role': 'assistant', 'content': f"发生错误: {e}"})