Streamlit Mcp

What is Streamlit Mcp

Streamlit-MCP is an intelligent question answering system that integrates document question answering (RAG), external tool calling (MCP Server), and dialogue context memory. It allows users to interact with the model through a web interface, perform complex tasks, and receive personalized responses.

Use cases

Use cases include querying summaries from uploaded PDF reports, retrieving city coordinates using Amap, searching for current news online and summarizing it, listing directory files from the local file system, and performing automated chain reasoning tasks.

How to use

To use Streamlit-MCP, configure the MCP Server tools in the .env file, ensuring all paths and settings are correct. Run ‘streamlit run app.py’ to launch the front-end question answering interface. Users can upload documents via the sidebar (optional) and start chatting with the AI by entering questions in the dialogue box.

Key features

Key features include a user-friendly Streamlit front-end interface, document question answering with RAG, multi-tool remote calling via MCP Server, integration with DeepSeek for large model calls, and dialogue memory management using LangChain.

Where to use

Streamlit-MCP can be used in various fields such as education for tutoring, customer support for answering queries, research for summarizing documents, and any domain requiring intelligent interaction with documents and tools.

📘 项目功能介绍：基于 Streamlit + DeepSeek + MCP 多工具集成的智能问答系统

本项目构建了一个集 文档问答（RAG）、外部工具调用（MCP Server） 和 对话上下文记忆 于一体的智能问答系统，支持用户通过 Web 页面与模型交互，执行复杂任务并获取个性化回复。
🎯 项目核心功能概览

1. Streamlit 前端界面交互

   基于 Streamlit 构建简洁直观的对话界面。

   支持上传本地文档（.txt, .pdf, .docx, .md），用于构建私有知识库。

   提供侧边栏按钮清空对话记录，便于重新提问。

2. 文档问答功能（RAG）

   文档上传后自动解析并分块嵌入，构建临时向量库（Chroma）。

   通过封装的 CustomRetrieverTool，支持对用户上传文档进行内容检索。

   模型根据检索结果和用户问题生成准确回复，实现私有文档问答功能。

3. MCP Server 多工具远程调用

   支持通过 MCP（Multi-Component Protocol）协议连接多个外部服务端工具，默认支持以下工具：

    🗺️ 高德地图（amap_maps）
   
    🔎 Tavily 在线搜索（tavily）
   
    📁 本地文件系统访问（filesystem）
   
    🧠 链式推理工具（sequential_thinking）
   
    🕒 当前时间查询（time）
   

   工具元数据由模型自动加载并识别，模型会在必要时主动调用对应工具完成任务。

   所有工具参数与返回结果自动封装处理，简化开发维护。

4. DeepSeek 大模型调用

   使用 OpenAI 接口方式对接 DeepSeek 模型（需设置 .env 中 DEEPSEEK_API_KEY、BASE_URL 和 MODEL）。

   支持 Function Calling 方式与工具无缝协作，根据任务自动决定是否调用工具。

   支持注入不同的系统提示词模板，适配是否启用文档问答功能（RAG）。

5. 对话记忆管理

   集成 LangChain 的 ConversationBufferMemory 与 StreamlitChatMessageHistory，实现连续上下文记忆。

   支持对用户和 AI 历史对话进行跟踪，并在模型生成回复时作为上下文参考。

🧩 环境与配置说明

.env 文件中需要设置以下内容：

DEEPSEEK_API_KEY=<your-deepseek-api-key>
BASE_URL=https://api.deepseek.com
MODEL=deepseek-chat

AMAP_MAPS_SERVER_COMMAND=python
AMAP_MAPS_SERVER_ARGS=amap_server.py
AMAP_MAPS_SERVER_ENV=AMAP_API_KEY=your-key

TAVILY_SERVER_COMMAND=python
TAVILY_SERVER_ARGS=tavily_server.py
TAVILY_SERVER_ENV=TAVILY_API_KEY=your-token

# ... 其他 MCP 工具配置

📎 使用方式

配置 MCP Server 工具服务（确保配置和路径正确）

运行 streamlit run app.py 启动前端问答界面

通过侧边栏上传文档（可选）

在对话框中输入问题，即可开始与 AI 聊天，并享受工具增强能力

✅ 已实现的实用场景示例

查询上传 PDF 报告中某段数据摘要

调用高德地图返回城市坐标信息

联网搜索当前新闻并总结

使用本地文件系统列出目录文件

自动完成链式逻辑推理任务

如需添加更多工具服务，仅需编写 MCP 兼容服务端并在 .env 中添加配置，即可动态注册新工具，具备良好的可拓展性与模块化设计。