项目背景

现有的商业智能 (BI) 工具和数据分析软件功能强大，但操作复杂，需要专业的知识和技能才能有效使用，不适合快速、临时的查询和分析。用户无法用自然语言直接询问数据问题，而是必须通过复杂的图表配置和公式编写来获取信息。

项目目的

1. 不想在本地部署agent，做一个基于分布式部署的股票分析助手。
2. 调用云端mcp服务，也，查询股票可以分析股票。
3. 支持多轮对话，也可以记录历史对话。

项目架构

• 模块1：MCP Server，自定义工具，股票查询，其他天气或外部【工具，查询类型】
• 模块2：Fast API后端服务，提供后端的业务逻辑【接口，非工具类型】
  • 查询股票，可以是mcp
  • 用户注册，不推荐是mcp
  • 用户登录，不推荐是mcp
• 模块3：Streamlit实现前端页面

文件划分

• main_mcp.py - MCP Server 主程序 （模块1）

• main_server.py - Fast API Web服务主程序 （模块2）

• ./routers/ - FastAPI路由（每个模块fastapi服务）

  • chat.py - 聊天路由
  • stock.py - 股票数据路由
  • user.py - 用户管理路由
  • data.py - 数据管理路由

• ./api/ - API接口模块（底层api、外部api，fastmcp服务）

  • autostock.py - 股票数据接口（付费接口）
  • news.py - 新闻数据接口
  • saying.py - 名言/语录接口
  • tool.py - 工具类接口

• ./services/ - 业务服务层（具体业务实现代码）

  • chat.py - 聊天服务
  • stock.py - 股票服务
  • user.py - 用户服务

• ./models/ - 数据模型

  • data_models.py - Pydantic和typing数据模型定义
  • orm.py - 关系型数据库关系映射

• REAME.md - 项目说明文档（注意文件名拼写应为README.md）

• ./agent/ - 智能Agent模块（工作流、openai-agent代码）

  • stock_agent.py - 股票分析智能代理
  • db_agent.py - 数据库操作代理
  • csv_agent.py - CSV文件处理代理
  • excel_agent.py - Excel文件处理代理
  • vison_agent.py - 视觉分析代理
  • summary_agent.py - 摘要生成代理

• ./demo - Streamlit 前端页面 （模块3）

  • ./demo/chat/` - 聊天功能演示
    • chat.py - 聊天主程序
    • chat_list.py - 聊天列表管理
  • ./demo/stock/ - 股票功能演示
    • stock_info.py - 股票信息
    • stock_kline.py - K线图数据
    • stock_search.py - 股票搜索
    • stock_rank.py - 股票排名
    • stock_board.py - 板块数据
    • stock_industry.py - 行业数据
    • stock_favorite.py - 收藏功能
    • stock_min_data.py - 分钟数据
  • ./demo/user/ - 用户管理演示
    • user_login.py - 用户登录
    • user_register.py - 用户注册
    • user_info.py - 用户信息
    • user_list.py - 用户列表
    • user_delete.py - 用户删除
    • user_reset.py - 密码重置
  • ./demo/mcp/ - MCP协议演示
    • mcp_list.py - MCP列表
    • mcp_debug.py - MCP调试
  • ./demo/data/ - 数据管理演示
    • data_list.py - 数据列表
    • data_manage.py - 数据管理

• ./templates/ - 模板文件

  • chat_start_system_prompt.jinjia2 - 聊天系统提示模板（Jinja2格式）

• ./assert/ - 资源文件

  • conversations.db* - 对话记录数据库
  • sever.db - 服务器数据库
  • chat-message - 聊天消息数据

• ./test/ - 单元测试文件

  • test_agent.py - 代理测试
  • test_autostock.py - 自动化股票测试
  • test_jinja2_template.py - 模板测试
  • test_mcp.py - MCP协议测试

开发过程

模块1: mcp 服务，2-3天

mcp = FastMCP.from_fastapi(app=app) # 导入fastapi 服务

async def setup():
    await mcp.import_server(news_mcp, prefix="") # 定义mcp 服务
    await mcp.import_server(saying_mcp, prefix="")
    await mcp.import_server(tool_mcp, prefix="")

mcp server 非常灵活，可以来源比较多样；

• @mcp.tool： 在函数加注解，定义为mcp 服务 -> 通过mcp client调用
• 从fastapi导入（灵活）： 从fast api 导入为mcp 服务 -> 通过http、mcp client调用
• 从外部 openapi json 导入：导入外部其他的程序api json

模块2: Fast API 后端开发，3-4天

# 前后端交互的http接口，与业务相关的api
# http://127.0.0.1:8000/docs#/
app.include_router(user_routers)
app.include_router(chat_routers)
app.include_router(data_routers)
app.include_router(stock_routers)

# 底层的股票http接口，底层相关的api
# http://127.0.0.1:8000/stock/docs#/
app.mount("/stock", stock_app)

• 底层数据库，models
• 业务代码，services
• fastapi路由，routers

模块3: Streamlit 前端开发，1-2天

Streamlit 不是强制的，但是推荐掌握一下。帮助理解前后端如何交互。

开发过程

• 模块进行划分：用户管理模块、股票管理模块、对话模块（主要模块）
• 对话模块：
  • 历史对话记录，对话切换
  • 大模型历史状态管理的过程
    • AdvancedSQLiteSession：主要依赖openai-agent的服务，不是很透明，比较简单
    • 自己实现：历史对话也输入给大模型，基于历史输入继续对话（限制最后10条历史对话作为输入，如果对话太长大模型忘记最开始信息）
  • 对话：

项目启动

• 1.python main_mcp.py
• 2.python main_server.py
• 3.streamlit run demo/streamlit_demo.py
• 注：本人也尝试在阿里云服务器端进行部署，可进行公网访问。

相关问题

• 1. 什么是前后端分离？

• 答：前后端分离就是：前端和后端是两个独立程序，通过API通信，各自独立开发、部署、运行。在这个项目中具体体现为： ·后端——main_server.py，端口8000。 ·Fast API服务，只负责提供数据接口（REST API） ·通过routers暴露 /user、/chat、/data、/stock 等API端点 ·不关心页面怎么渲染，只返回JSON数据 ——main_mcp.py，端口8900. ·跑MCP/SSE服务，供Agent对话时调用工具，但走的是不同的协议（SSE而非HTTP REST） ·前端——demo目录下的streamlit页面 ·独立的Streamlit应用，负责UI展示和用户交互 ·通过requests库调用后端API获取数据，例如 requests.post("http://127.0.0.1:8000/user/login") ·不关心数据从哪来、怎么处理、只管展示

• 2.历史对话如何存储，以及如何将历史对话作为大模型的下一次输入？

• 答：在开发大模型应用（如 Chatbot）时，由于 LLM 本身是无状态（Stateless）的，它不会记得你上一句话说了什么。

[ {"role": "user", "content": "你好，请问今天天气怎么样？"}, {"role": "assistant", "content": "今天天气晴朗，温度约为 25°C。"}, {"role": "user", "content": "那我适合去爬山吗？"} ]

• 只保留最近的 K 轮对话。当新对话进入时，移除最旧的一条。这能保证模型始终记得最近的语境，同时控制成本。【滑动窗口——丢弃最旧的消息，保留最近的N条】
• 当对话过长时，调用大模型对之前的历史做一个“简短摘要”。【摘要压缩——用LLM把旧对话总结成一段话，大幅缩减Token】
• 从历史对话中检索到相关的信息 + 最近的K条 作为历史。【重要性过滤——只保留关键信息（用户指令、重要结论），丢弃过程细节】