Streamlit-MCP
Streamlit-MCPは、データアプリケーションを迅速に構築するためのPythonライブラリです。ユーザーは簡単にインタラクティブなウェブアプリを作成でき、データの可視化や分析を行うことができます。特に、データサイエンティストや機械学習エンジニアにとって、プロトタイピングやデモに最適です。
GitHubスター
1
ユーザー評価
未評価
お気に入り
0
閲覧数
12
フォーク
0
イシュー
0
📘 项目功能介绍：基于 Streamlit + DeepSeek + MCP 多工具集成的智能问答系统
本项目构建了一个集 文档问答（RAG）、外部工具调用（MCP Server） 和 对话上下文记忆 于一体的智能问答系统，支持用户通过 Web 页面与模型交互，执行复杂任务并获取个性化回复。
🎯 项目核心功能概览
Streamlit 前端界面交互
基于 Streamlit 构建简洁直观的对话界面。
支持上传本地文档（.txt, .pdf, .docx, .md），用于构建私有知识库。
提供侧边栏按钮清空对话记录，便于重新提问。
文档问答功能（RAG）
文档上传后自动解析并分块嵌入，构建临时向量库（Chroma）。
通过封装的 CustomRetrieverTool，支持对用户上传文档进行内容检索。
模型根据检索结果和用户问题生成准确回复，实现私有文档问答功能。
MCP Server 多工具远程调用
支持通过 MCP（Multi-Component Protocol）协议连接多个外部服务端工具，默认支持以下工具：
🗺️ 高德地图（amap_maps） 🔎 Tavily 在线搜索（tavily） 📁 本地文件系统访问（filesystem） 🧠 链式推理工具（sequential_thinking） 🕒 当前时间查询（time）工具元数据由模型自动加载并识别，模型会在必要时主动调用对应工具完成任务。
所有工具参数与返回结果自动封装处理，简化开发维护。
DeepSeek 大模型调用
使用 OpenAI 接口方式对接 DeepSeek 模型（需设置 .env 中 DEEPSEEK_API_KEY、BASE_URL 和 MODEL）。
支持 Function Calling 方式与工具无缝协作，根据任务自动决定是否调用工具。
支持注入不同的系统提示词模板，适配是否启用文档问答功能（RAG）。
对话记忆管理
集成 LangChain 的 ConversationBufferMemory 与 StreamlitChatMessageHistory，实现连续上下文记忆。
支持对用户和 AI 历史对话进行跟踪，并在模型生成回复时作为上下文参考。
🧩 环境与配置说明
.env 文件中需要设置以下内容：
DEEPSEEK_API_KEY=<your-deepseek-api-key>
BASE_URL=https://api.deepseek.com
MODEL=deepseek-chat
AMAP_MAPS_SERVER_COMMAND=python
AMAP_MAPS_SERVER_ARGS=amap_server.py
AMAP_MAPS_SERVER_ENV=AMAP_API_KEY=your-key
TAVILY_SERVER_COMMAND=python
TAVILY_SERVER_ARGS=tavily_server.py
TAVILY_SERVER_ENV=TAVILY_API_KEY=your-token
# ... 其他 MCP 工具配置
📎 使用方式
配置 MCP Server 工具服务（确保配置和路径正确）
运行 streamlit run app.py 启动前端问答界面
通过侧边栏上传文档（可选）
在对话框中输入问题，即可开始与 AI 聊天，并享受工具增强能力
✅ 已实现的实用场景示例
查询上传 PDF 报告中某段数据摘要
调用高德地图返回城市坐标信息
联网搜索当前新闻并总结
使用本地文件系统列出目录文件
自动完成链式逻辑推理任务
如需添加更多工具服务，仅需编写 MCP 兼容服务端并在 .env 中添加配置，即可动态注册新工具，具备良好的可拓展性与模块化设计。