MCP Spendwise Assistant

MCP Spendwise助理-个人理财助理

一个结合了 模型上下文协议（MCP）, OpenAI GPT-4，以及 机器学习 通过自然语言对话帮助用户了解消费习惯并做出更好的财务决策。

特性

• 对话式AI界面

- 罗马尼亚语/英语的自然语言财务查询 - 具有个性化见解的情境感知响应

• ML驱动的分类

- K-means聚类自动对交易进行分类 - 从事务描述中提取TF-IDF特征

• 交互式分析仪表板

- 使用Plotly图表进行实时可视化 - 每月支出趋势和类别细分

• MCP集成

- 通过模型上下文协议实现标准化数据访问 - 适用于多个数据源的可扩展架构

• 完全支持Docker

- 无需安装主机 - 生产就绪的集装箱化

用例

问一些自然的问题，比如：

• “这个月我在食物上花了多少钱？”
• “显示我的消费趋势”
• “比较一月和二月的开支”
• “我最大的支出类别是什么？”
• “我如何优化我的预算？”

建筑

diagram

快速开始

先决条件

• 已安装Docker和Docker Compose
• OpenAI API密钥(在这里买一个)

安装

chmod +x setup.sh

./setup.sh

cd finance-assistant

nano .env

docker-compose build

docker-compose up

# 7. Access in browser
# http://localhost:8501

ENV要求

OPENAI_API_KEY=""
ENVIRONMENT=development
MCP_SERVER_HOST=mcp-server
MCP_SERVER_PORT=8000

首次设置（在UI中）

1. 生成测试数据 -点击“🎲 侧边栏中的“生成测试数据”（150个交易样本）
2. 列车ML模型 -点击“🎓 列车模型”（大约需要10秒）
3. 初始化代理 -点击“🚀 启动代理“
4. 开始聊天！ -问：“我在食物上花了多少钱？”

技术栈

后端

• Python 3.11 -核心运行时
• MCP（模型上下文协议） -标准化数据访问
• OpenAI GPT-4 -函数调用的自然语言理解
• Scikit学习 -K-means聚类用于自动分类

前端

• 溪流 -交互式web UI
• Plotly -漂亮的交互式图表

基础设施

• Docker&Docker编写 -集装箱化
• 多容器架构 -应用+MCP服务器

数据

• 熊猫 -数据处理
• CSV存储 -持续卷装载

功能分解

对话式AI

• 理解上下文中的自然语言查询
• 调用函数访问交易数据
• 记住对话历史
• 提供超越原始数据的见解

机器学习

• 无监督学习 K-means聚类
• TF-IDF矢量化 用于文本特征
• 自动学习交易模式
• 分类：食品、交通、娱乐、购物、账单、其他

分析仪表板

• 饼图 -按类别划分的支出分布
• 线型图 -月度支出趋势
• 指标 -总支出、平均支出、最大支出
• 交互式表格 -可过滤的交易历史记录

图像和流媒体UI：

配置菜单

Config Menu-Data Generation-Overview

列车准备就绪

Train Ready

代理就绪

Launch Agent

尝试a提示

Answer

教育价值

该项目展示了：

现代人工智能集成

• MCP协议 -LLM访问数据的标准化方法
• 函数调用 -AI代理使用结构化工具
• AI 代理 -自主决策系统

ML最佳实践

• 无监督学习 对于未知类别
• 特征工程 从文本数据
• 模型持久性 用于生产部署

软件工程

• 微服务架构 使用Docker
• 关注点分离 （UI/代理/ML/数据）
• 生产准备就绪 错误处理和日志