千问Agent需通过四种方式连接外部数据库：一、LangChain集成SQL工具；二、Qwen-Agent挂载SQL插件；三、RAG增强型数据库检索；四、部署自定义API代理层。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您希望千问agent在执行任务时能实时读取或写入结构化业务数据，则必须将其与外部数据库建立稳定连接。以下是实现该目标的多种可行路径：一、使用LangChain集成数据库工具
该方式通过LangChain框架封装数据库操作逻辑，使千问Agent可在自然语言指令驱动下自动构造并执行SQL查询。需预先定义工具函数，并在Agent初始化时注册。
1、安装必要依赖：执行命令pip install langchain-community tongyi-python sqlite3。
2、编写execute_sql_tool函数，内部调用sqlite3.connect()连接本地SQLite数据库，或使用PyMySQL/psycopg2接入MySQL/PostgreSQL。
3、在LangChain Agent配置中将该函数注册为tool，设置description字段说明其用途为“执行SQL查询并返回结果”。
4、启动Agent后，向其输入类似“查出2026年4月销售额超过5万元的商品名称”的请求，模型将自动解析意图、生成SQL并调用工具执行。
二、通过Qwen-Agent挂载SQL插件
该方式基于Qwen-Agent开源框架，以插件形式嵌入数据库交互能力，支持在不修改核心模型的前提下动态加载SQL执行模块，适用于需要多数据库切换的场景。
1、克隆Qwen-Agent仓库：git clone https://github.com/QwenLM/Qwen-Agent.git。
2、进入examples/sql_demo.py，修改database_url参数为实际数据库连接字符串，例如mysql+pymysql://user:pass@host:3306/dbname。
3、确保requirements.txt中包含对应数据库驱动，运行pip install -r requirements.txt完成依赖安装。
4、执行python -m qwen_agent.agents.group_chat --llm qwen-max --tools sql_plugin启动服务，此时Agent已具备SQL执行权限。
三、配置RAG增强型数据库检索
该方式不直接执行SQL，而是将数据库表结构、字段说明、样例数据等文档预处理为向量，供千问Agent在推理阶段检索参考，辅助生成准确SQL或解释查询结果。
商业LOGO设计技能：依据用户描述，使用阿里云百炼千问图像模型(qwen‑image‑2.0‑pro)生成专业商业LOGO图片。适用场景：设计公司/品牌LOGO、生成商业标识图标、创建品牌视觉符号、按描述生成logo图片。支持自定义尺寸、风格、负面提示词等。
1、导出数据库Schema信息为Markdown文件，包括每张表的字段名、类型、主外键关系及业务含义说明。
2、使用DashScope SDK调用dashscope.Document对Schema文档进行切片与向量化，并存入RAG知识库。
3、在用户提问时，Agent先检索Schema片段，再结合问题语义生成符合当前数据库结构的SQL语句。
4、将生成的SQL交由独立执行模块运行，结果返回至Agent用于最终回答组装，整个过程无需人工编写SQL。
四、部署自定义API代理层
该方式将数据库访问逻辑封装为RESTful API，千问Agent仅需调用HTTP接口即可获取数据，实现模型与数据源的完全解耦，适用于高安全要求或跨网络隔离环境。
1、使用FastAPI或Flask搭建轻量API服务，暴露/query端点，接收自然语言描述并返回JSON格式查询结果。
2、在API内部完成NLU解析、SQL生成、数据库执行与结果清洗全流程，对外仅暴露标准化输入输出。
3、在千问Agent中配置HTTP调用工具，设置base_url指向该API地址，并在prompt中明确指示“所有数据请求必须通过/query接口提交”。
4、当用户提出“列出最近七天退货率最高的三个SKU”时，Agent将构造POST请求体并发送至API，响应内容直接用于生成最终答案。
