mcp-finance-assistant
💰 Persönlicher Finanzassistent — MCP + Gemini
Ein KI-gestützter Finanzassistent, mit dem du Fragen zu deinen Ausgaben in einfacher Sprache stellen kannst. Er wurde mit dem Model Context Protocol (MCP) entwickelt, um Googles Gemini mit echten Tools zu verbinden — einer SQL-Datenbank, Prognosemodellen und Anomalieerkennung — statt einem skriptbasierten Chatbot, der nur einstudierte Antworten kennt.
🔗 Live-Demo: mcp-finance-assistant-z6txg3k6xparsajcsvftrr.streamlit.app
Was er kann
Frage ihn zum Beispiel:
„Wie viel habe ich diesen Monat für Lebensmittel ausgegeben?“
„Vergleiche meine Ausgaben im August mit denen im Juli“
„Füge eine Ausgabe von 250 für die Uber-Fahrt zum Flughafen hinzu“ — die passende Kategorie leitet er selbst daraus ab
„Wie viel werde ich nächsten Monat für Lebensmittel ausgeben?“ — eine echte ML-Prognose, keine bloße Schätzung
Zusätzlich weist er proaktiv auf ungewöhnliche Ausgaben hin, sobald die Seite lädt — ganz ohne dass du danach fragst.
Related MCP server: Expense Tracker MCP Server
Wozu überhaupt MCP
Die meisten KI-Finanz-Tracker-Demos fest in den Code eingebaute Chatbot-Antworten ein oder Werden ein LLM an statische Daten. Dieses Projekt baut dagegen einen echten MCP-Server — einen standardisierten Weg (eingeführt von Anthropic), über den ein KI-Modell reale Werkzeuge entdecken und aufrufen kann. Gemini liest die verfügbaren Tools, entscheidet, welche(s) es braucht, ruft sie über das MCP-Protokoll auf und arbeitet mit den tatsächlichen Ergebnissen. Es ist dasselbe Muster wie in generation AI-Agentensystemen in der Produktion — keine Spielzeugnachahmung.
Architektur
User question → Streamlit UI → Gemini (decides which tool to call)
↓
MCP Server (server.py)
↓
SQLite Database (real transaction data)
↓
Tool result → back to Gemini → plain-English answerFür mehrstufige Anfragen (wie beim Hinzufügen einer Ausgabe ohne Kategorie) verkettet Gemini trotz mehrerer Tool-Aufrufe — zuerst ruft es vorhandene Kategorien ab, dann die passende ab, dann legt es die Ausgabe an — also bis zu 3 Schritte pro Anfrage.
Funktionen
7 MCP-Tools: Gesamt Summen abfragen, Monate vergleichen, letzten Ausgaben und wichtige Endzahlen abrufen, Ausgaben hinzufügen, Kategorien listen, Ausgaben prognostizieren, Anomalien erkennen
Echtes ML an Stelle von statischen Regelwerken:
forecast_next_monthnutzt dieLinearRegressionvon scikit-learn auf historischen Trends;detect_anomalyarbeitet mit einem unbewachtenIsolationForest-Modell statt eines hartcodieren GrenzwertsVon einem LLM erschlossene Kategorie: Beschreibe eine Ausgabe auf Alltagssprache und Gemini wählt den passenden Kategorie von selbst, indem er entsprechende Tool-Aufrufe macht
Proaktive Einblicke: Automatische Anomalieprüfungen laufen beim Öffnen der Seite — ganz ohne Frage nötig
Gesprächsspeicher: Folgefragen verstehen den Kontext aus früheren Teilen des Chats
Echte Daten: 240+ echte Transaktionen, insbesondere 231 aus einem öffentlichen Kaggle-Persönlichen Ausgaben direkt importiert und gesäubert
Production-grade Vorgehen: Vollständige Validierung und Fehlerbehandlung bei jedem Tool, strukturiertes Logging (
app.log) sowie eine aus 8 Tests bestehendepytest-Suite, die die Kalibrierungen gegen bekannte Daten prüft
Tech-Stack
Python · MCP SDK · Google Gemini (google-genai). SQLite · scikit-learn · Streamlit · pytest
Lokal ausführen
git clone https://github.com/srushtikochare/mcp-finance-assistant
cd mcp-finance-assistant
pip install -r requirements.txtErstelle eine .env-Datei:
GOOGLE_API_KEY=your_api_key_hereDanach führe Folgendes aus:
streamlit run app.pyTests ausführen
pytest test_server.py -v8 Tests decken korrekte Summen, Fehlerbehandlung und das Verhalten der ML-Tools ab — alle grün.
Eine echte Herausforderung, auf die ich gestoßen bin
Die Struktur des MCP-Python-SDKs hatte sich geändert, während die meisten verfügbaren Anleitungen und Codegeschrieben wurden — die Klasse, die ich erwartet hatte (get_mcp beutht), gab es in der installierten Version nicht. Um nicht zu raten, habe ich eu das das installierte Paket untersucht (dir(mcp.server)) und die richtige aktuelle Klasse (MCPServer) samt API-Oberfläche herausgefunden. Mit einer still fluktuierenden Bibliothek mit lückenhafter Doku statt mit einer stabilen, Tutorial-freundlichen Debuggen zu müssen, war der wertvollste Teil dieses Projekts.
Mögliche nächste Schritte
Mehrbenutzer-Funktion mit individuellen Logins
OCR-Upload von Belegen und Kontoauszügen für automatische Ausgabenerfassung
Backoff-Retry-Logik, um gegen äußere APIs robuster zu werden
Autorin
Srushti Kochare — B.Tech Artificial Intelligence & Data Science, YCCE Nagpur
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
Related MCP Connectors
Personal finance by conversation: expenses, receipts, statement import, budgets, net worth.
Personal finance: log expenses in plain language, track accounts, budgets and spending
Chat with your bank data: balances, transactions, budgets, bills. Reads only, never moves money.
Ask your AI about bank accounts, spending, budgets, debts, holdings, and investment activity.
Related MCP Servers
- AlicenseAqualityBmaintenanceEnables financial professionals to interact with QuickBooks Online using natural language for reports, journal entries, bills, expenses, and more.36245 npm13MIT
- FlicenseNot gradedqualityDmaintenanceEnables AI-driven expense tracking and budget management, including adding expenses, setting budgets, analyzing trends, forecasting, and managing savings goals via natural language.-
- FlicenseNot gradedqualityDmaintenanceEnables users to manage personal finances using natural language, including tracking expenses, income, budgets, and generating financial summaries.-
- AlicenseNot gradedqualityCmaintenanceLets you query your personal finances in plain language, log expenses, and correct transaction categories through a secure MCP endpoint.MIT