💰 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 answer

Für 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_month nutzt die LinearRegression von scikit-learn auf historischen Trends; detect_anomaly arbeitet mit einem unbewachten IsolationForest-Modell statt eines hartcodieren Grenzwerts

• Von 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 bestehende pytest-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.txt

Erstelle eine .env-Datei:

GOOGLE_API_KEY=your_api_key_here

Danach führe Folgendes aus:

streamlit run app.py

Tests ausführen

pytest test_server.py -v

8 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