如何使用Ollama在本地运行Qwen3并支持MCP和工具使用

Qwen3是阿里巴巴Qwen团队最新发布的开源大语言模型，提供具有竞争力的性能，高度模块化和工具使用能力。

在本指南中，我将向您展示如何通过Ollama在本地运行Qwen3，并启用MCP（模型上下文协议）工具功能，如代码解释器、网络获取和时间查询。

到最后，您可以构建由Qwen3驱动的智能助手，完全在您的机器上运行——无需云API密钥！

为什么选择Qwen3 + Ollama + MCP？

为了实现这些高级功能，阿里巴巴引入了模型上下文协议（MCP）。

MCP允许模型通过调度命令行服务与外部工具交互，使大语言模型能够以结构化和安全的方式访问时间、从网站获取数据或调用其他本地工具。

在Qwen-Agent生态系统中，像mcp-server-time和mcp-server-fetch这样的MCP工具作为终端点，可以在需要时被模型本身触发。

这些工具通过一个字典配置，告诉代理为每个功能运行哪些命令。

• Qwen3：为开源部署优化的先进大语言模型。

• Ollama：通过一个命令简化本地LLM部署（如Qwen3）。

• MCP：允许外部工具通过结构化消息进行通信（如网页浏览或时间查询）。

• 工具使用：扩展Qwen3的能力超越静态文本——让它执行代码、调用API等！

在本地设置Ollama和Qwen3

步骤1：安装Ollama并运行Qwen3

在您的本地终端（Linux/macOS）上运行这些命令：

# 安装Ollama
curl -fsSL https://ollama.com/install.sh | sh


# 启动Ollama服务器
ollama serve

然后拉取Qwen3模型，Ollama 默认会拉取 Qwen3 系列中的基础版本：

ollama pull qwen3

这将获取Qwen3权重并准备通过Ollama API端点http://localhost:11434/v1进行本地使用。

步骤2：安装Qwen-Agent

接下来，克隆官方Qwen-Agent仓库并安装它，包括GUI、检索增强生成（RAG）、代码解释和MCP支持所需的额外功能。运行以下命令：

# 克隆仓库
git clone https://github.com/QwenLM/Qwen-Agent.git


# 安装所有额外功能
pip install -e ./Qwen-Agent"[gui, rag, code_interpreter, mcp]"

-e标志确保包以可编辑模式安装，如果需要，可以更轻松地试验其内部功能。安装后，您可以编写Python脚本将助手连接到Ollama并启用工具使用。

步骤3：准备您的Python脚本

以下是运行具有MCP + Ollama的工具使用助手的完整代码：

from qwen_agent.agents import Assistant


# 步骤1：配置本地Qwen3模型（通过Ollama提供服务）
llm_cfg = {
    'model': 'qwen3',
    'model_server': 'http://localhost:11434/v1',  # Ollama API
    'api_key': 'EMPTY',
}


# 步骤2：定义您的工具（MCP + 代码解释器）
tools = [
    {'mcpServers': {
        'time': {
            'command': 'uvx',
            'args': ['mcp-server-time', '--local-timezone=Asia/Shanghai']
        },
        'fetch': {
            'command': 'uvx',
            'args': ['mcp-server-fetch']
        }
    }},
    'code_interpreter',
]


# 步骤3：初始化Qwen-Agent助手
bot = Assistant(llm=llm_cfg, function_list=tools)


# 步骤4：发送带有URL的用户消息
messages = [{'role': 'user', 'content': 'https://qwenlm.github.io/blog/ 介绍Qwen的最新发展'}]


# 步骤5：运行助手并打印结果
for responses in bot.run(messages=messages):
    pass
print(responses)

这个脚本使用Ollama后端初始化Qwen3模型，并注册两个MCP工具（time和fetch）以及内置的code_interpreter。根据需要评估工具或代码后，助手处理用户消息并返回响应。

结语

将Qwen3与Qwen-Agent、MCP和Ollama结合使用，可以得到一个不依赖任何外部云服务的本地AI助手。

您可以运行多轮对话，启用实时信息检索，并执行Python代码——全部在本地基础设施内完成。

这使其成为开发人员、研究人员和产品团队的理想设置，特别是那些关注隐私、灵活性和可扩展性的人。

随着Qwen3的不断发展，我们可以期待其对复杂任务的更强大支持和与自定义工具的无缝集成，为真正自主的本地AI代理铺平道路。

 如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 有需要的小伙伴，可以 扫描下方二维码领取↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 有需要的小伙伴，可以 扫描下方二维码领取↓↓↓

​