💰 Personal Finance Assistant — MCP + Gemini

一个由 AI 驱动的财务助手，让你可以用日常英语查询自己的支出情况。它通过Model Context Protocol（MCP） 将 Google 的 Gemini 连接到真实工具——SQL 数据库、预测模型和异常检测——而不是一个只会照本宣科聊天的脚本化聊天机器人。

🔗 在线演示： mcp-finance-assistant-z6txg3k6xparsajcsvftrr.streamlit.app

它能做什么

可以这样问它：

• “我这个月花在食物上的钱有多少？”

• “比较我 8 月和 7 月的支出”

• “添加一笔 250 元的 Uber 到机场的费用” —— 它会自己推断分类

• “下个月我在食物上会花多少钱？” —— 真正的机器学习预测，而不是凭空猜测

它还会在页面加载的那一刻主动标记异常支出，完全不需要被询问。

Related MCP server: Expense Tracker MCP Server

为什么要用 MCP

大多数 AI 财务跟踪器的演示要么是把聊天机器人的回复写死，要么是把大型语言模型硬塞到静态数据上。而本项目构建了一个真正的 MCP 服务器 —— 一种标准化方式（由 Anthropic 引入），让 AI 模型能自己发现并调用真实工具。Gemini 读取可用工具，决定需要哪个或哪些工具，再通过 MCP 协议调用它们，并基于真实的返回结果进行推理。这与生产级 AI 代理系统所用的模式一致，而不是一个玩具式模拟。

架构

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

对于多步骤请求（例如在没有指定类别的情况下新增一笔支出），Gemini 会串联多次工具调用——先获取现有类别，再推断出正确的类别，然后添加上这笔支出——每个问题最多可执行 3 个步骤。

功能特性

• 7 个 MCP 工具：汇总总额、按月比较、列出近期支出、添加支出、获取类别、预测支出、检测异常

• 真正的机器学习，而非规则判断：forecast_next_month 使用 scikit-learn 的 LinearRegression 对历史趋势建模；detect_anomaly 使用无监督的 IsolationForest 模型，而不是硬编码的阈值

• LLM 推断分类：用日常语言描述一笔支出，Gemini 自己挑选正确的类别，并通过链式工具调用去完成

• 主动洞察：页面加载时自动执行异常检查，无需用户提问

• 对话记忆：后续提问会结合对话上文中的上下文思考

• 真实数据：240+ 条真实交易记录，其中 231 条来自公开的 Kaggle 个人支出数据集，经导入和清洗后使用

• 生产级实践：每个工具均有完整错误处理和输入验证，附带结构化日志（app.log），以及 8 个 pytest 测试，用于根据已知数据验证计算的正确性

技术栈

Python · MCP SDK · Google Gemini (google-genai) · SQLite · scikit-learn · Streamlit · pytest

本地运行

git clone https://github.com/srushtikochare/mcp-finance-assistant
cd mcp-finance-assistant
pip install -r requirements.txt

创建 .env 文件：

GOOGLE_API_KEY=your_api_key_here

然后运行：

streamlit run app.py

运行测试

pytest test_server.py -v

8 个测试，覆盖了金额总和、错误处理和机器学习工具行为等实际问题的验证——全部通过。

一个真实遇到的挑战

MCP Python SDK 的接口比我可用的大多数文档中的版本已有变化——我在所装的版本里并没有找到预期的 FastMCP 类。话说不喜欢直接猜，所以我检查了实际安装的包（dir(mcp.server)），找到了当前正确的类（MCPServer）以及完整的 API 边界。为了调一个持续演进的库而面对不完整的文档本身，而不是去选一个稳定的教学库，这才是本项目中我收获最大的部分。

可能的后续方向

• 支持多用户登录

• 支持发票/对账单 OCR 自动录入

• 使用带退避的重试逻辑，更好应对外部 API 的弹性

作者

Srushti Kochare — B.Tech 人工智能与数据科学，YCCE Nagpur