Qwen-Agent
基于 Qwen 构建具备工具调用、文档问答与代码执行能力的应用。
按维度查看评分与理由
证据显示：代码解释器工具基于Docker容器，但README明确警告'python executor is not sandboxed'，且生产环境需谨慎使用，说明权限控制不充分。用户确认机制未见，工具调用由LLM自动触发，无人工确认。数据流透明度有限，README提及API key环境变量，但未详细说明数据流向。敏感数据处理方面，API key通过环境变量传递，但未说明加密或保护措施。依赖安全未提及，无依赖审计或漏洞扫描。外部影响方面，代码解释器可执行任意代码，但有限制说明。回滚机制未见。来源归属方面，代码有版权声明，但未明确第三方组件来源。
证据显示：README和示例代码一致，API设计自洽。依赖可用性方面，依赖外部服务如DashScope、Docker、Node.js等，但未提供版本锁定或镜像。失败消息方面，测试中有断言，但未提供用户友好的错误提示。
证据显示：面向开发者，提供多种场景示例（RAG、MCP、代码解释器等）。能力边界有说明，如代码解释器非沙箱。触发精度方面，工具调用由LLM决定，但未提供精确控制机制。环境适配方面，支持多种模型服务（DashScope、vLLM、Ollama），但依赖特定环境。
证据显示：README结构清晰，有安装说明、FAQ、示例。命名稳定，但未提供版本历史。已知限制有提及（如代码解释器非沙箱）。许可证为Apache-2.0，完整。版本变更日志未见，维护责任未明确。
证据显示：输出为流式文本，可用性高。边际价值高，提供多种功能。成本效益方面，依赖外部API和Docker，成本未评估。
证据显示：README中的声明部分有示例支持，但未提供独立验证。跨来源佐证有限，仅依赖自身文档。事实与推断分离不明确。
- 代码解释器非沙箱，生产环境使用需谨慎。
- 未提供用户确认机制，工具调用可能自动执行。
- 依赖外部服务，需注意API key安全。
这个 Agent 能做什么，适合哪些场景？
Qwen-Agent 是面向 Qwen 的 LLM 应用框架，覆盖指令跟随、工具使用、规划与记忆能力。它提供继承自 BaseChatModel 的 LLM 类、继承自 BaseTool 的工具，以及派生自 Agent 的高层代理组件。内置示例包括 Browser Assistant、Code Interpreter 与 Custom Assistant，并提供基于 Gradio 5 的 WebUI。应用可调用 DashScope 模型服务，或连接 vLLM、Ollama 等 OpenAI API 兼容服务；README 也说明其作为 Qwen Chat 的后端。代码解释器通过本地 Docker 容器运行，文档明确提示其生产环境隔离仍需谨慎评估。
开发者可用 @register_tool 注册继承 BaseTool 的工具，并在 call(params, **kwargs) 中读取模型生成的参数并返回结果。通过 Assistant(llm=..., system_message=..., function_list=..., files=...)，代理可读取提供的文件、选择已注册工具或内置 code_interpreter，并以 bot.run(messages=messages) 流式产生响应。LLM 配置可使用 qwen_dashscope，或设置 model_server 连接兼容 OpenAI API 的服务；generate_cfg 支持 top_p、max_input_tokens、fncall_prompt_type 与 use_raw_api 等参数。WebUI(bot).run() 可启动 Gradio 界面；MCP 配置可通过 command、args 定义 memory、filesystem 或 sqlite 等服务器。
- 需要把自定义图像生成服务注册为 my_image_gen，并让 Qwen 代理按任务顺序调用该服务的 Python 开发者。
- 需要让助手读取 PDF 等已提供文件，再结合 code_interpreter 完成文件相关操作的本地应用开发者。
- 需要在 DashScope 与自部署 vLLM 或 Ollama 服务之间配置模型接入的 Qwen 应用团队。
- 需要通过 MCP 接入 memory、受限路径 filesystem 或 SQLite 服务的开发者。
- 需要以 WebUI(bot).run() 快速展示内部代理原型的团队。
- 需要对超长文档实施 RAG 问答，或评估 parallel_doc_qa 示例的研究与工程人员。
这个 Agent 有哪些优点和局限？
- 提供 BaseChatModel、BaseTool 与 Agent 三层组件，既可组装 Assistant，也可继承 Agent 自定义实现。
- 默认函数调用模板原生支持并行函数调用，README 还提供多步、多轮工具调用示例。
- 同一框架覆盖 Gradio WebUI、RAG、MCP 和 Docker 代码解释器等可选能力。
- 可接入 DashScope，也可通过 model_server 使用 vLLM 或 Ollama 等 OpenAI API 兼容服务。
- DashScope 路径需要 DASHSCOPE_API_KEY；自部署路径需要自行部署并维护模型服务。
- 代码解释器依赖本地 Docker，且文档声明仅提供基础隔离，生产使用仍需谨慎。
- GUI 要求 Python 3.10 或更高版本。
- MCP 示例还依赖外部 MCP 服务器及其运行环境；SQLite 示例涉及 Node.js、uv、Git 和 SQLite。
如何安装或部署这个 Agent？
最小安装：
pip install -U qwen-agent包含 GUI、RAG、代码解释器和 MCP 的可选组件：
pip install -U "qwen-agent[gui,rag,code_interpreter,mcp]"也可从源码安装：
git clone https://github.com/QwenLM/Qwen-Agent.git
cd Qwen-Agent
pip install -e ./"[gui,rag,code_interpreter,mcp]"使用 DashScope 时设置 DASHSCOPE_API_KEY；GUI 需要 Python 3.10 或更高版本。使用内置代码解释器前，须在本机安装并运行 Docker。
如何使用这个 Agent？
先配置 llm_cfg，例如 {'model': 'qwen-max-latest', 'model_type': 'qwen_dashscope'}，并通过环境变量提供 DASHSCOPE_API_KEY；或设置 model、model_server 和 api_key 连接 vLLM 或 Ollama 等兼容服务。随后从 qwen_agent.agents 导入 Assistant，传入 llm、system_message、function_list 和可选 files，调用 bot.run(messages=messages) 并迭代其流式响应。自定义工具应继承 BaseTool，并用 @register_tool 注册后写入 function_list。若需要网页界面，执行 from qwen_agent.gui import WebUI; WebUI(bot).run()。MCP 示例还要求相应服务器命令可执行；README 的 SQLite 示例列出 Node.js、uv 0.4.18+、Git 与 SQLite。
这个 Agent 与同类方案有什么区别？
模型服务接入可在 DashScope 与自部署的 OpenAI API 兼容服务之间选择，README 举例 vLLM 和 Ollama。对于 Qwen3，README 建议由 Qwen-Agent 解析 vLLM 工具输出；对于 Qwen3-Coder，则建议启用 vLLM 内置工具解析并结合 use_raw_api。