AI导哈

市场情报AI聊天机器人

一个基于FastAPI和LangGraph的生产级AI市场情报聊天机器人，提供实时股票数据、市场新闻和金融分析。

  • by mayankgupta8448
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 mayankgupta8448/mcp-chatbot

使用说明

🚀 市场情报AI聊天机器人-完整项目自述

📋 快速概览

一个生产就绪的人工智能市场智能聊天机器人，通过自然对话提供实时股票数据、市场新闻和财务分析。使用 快速API, LangGraph, OpenAI GPT-4，以及 模型上下文协议（MCP） 用于模块化工具集成。

🌐 实时部署：

  • 聊天机器人API: https://mcp-chatbot-production.up.railway.app
  • MCP服务器: https://mcp-chatbot-production-f2f9.up.railway.app/mcp
  • 前端测试: https://alpha-ask-chat.lovable.app

🎯 项目概要

该项目满足实习任务的所有要求，并提供多种奖金功能：

✅ 核心要求

  • ✅ 后端服务 在MCP服务器架构上运行
  • ✅ 基于Python 实现（FastAPI+LangGraph）
  • ✅ 人工智能聊天机器人 问题之间有上下文记忆
  • ✅ 市场/财务数据 能力
  • ✅ 可公开测试的API 可通过curl访问端点
  • ✅ 托管和部署 铁路

⭐ 已实施奖励功能

  • ⭐ 流媒体端点 用于实时聊天体验（如ChatGPT）
  • ⭐ Redis缓存 为了提高性能
  • ⭐ 速率限制 用于API保护
  • ⭐ 工具验证 -显示了实际使用的MCP工具
  • ⭐ 全面的错误处理 有帮助的信息
  • ⭐ 生产就绪架构 支持Docker
  • ⭐ 完整的文件 举例说明

🏗️ 架构概述

┌─────────────────────────────────────────────────────────────────┐
│                         USER / CLIENT                            │
│                 (curl, Postman, Frontend App)                    │
└────────────────────────────┬────────────────────────────────────┘
                             │ HTTP/HTTPS
                             ▼
┌─────────────────────────────────────────────────────────────────┐
│              CHATBOT BACKEND (FastAPI + LangGraph)              │
│         https://mcp-chatbot-production.up.railway.app           │
│                                                                  │
│  ┌────────────────────────────────────────────────────────────┐ │
│  │  Endpoints:                                                 │ │
│  │  • POST /query      - Non-streaming responses              │ │
│  │  • POST /stream     - Real-time streaming (SSE)            │ │
│  │  • GET  /health     - Health check                         │ │
│  └────────────────────────────────────────────────────────────┘ │
│                                                                  │
│  ┌────────────────────────────────────────────────────────────┐ │
│  │  LangGraph Agent:                                           │ │
│  │  • OpenAI GPT-4o-mini for reasoning                        │ │
│  │  • MemorySaver for conversation context                    │ │
│  │  • Agentic workflow (decides when to use tools)            │ │
│  └────────────────────────────────────────────────────────────┘ │
│                                                                  │
│  ┌────────────────────────────────────────────────────────────┐ │
│  │  Bonus Features:                                            │ │
│  │  • Redis caching (reduces API calls)                       │ │
│  │  • Rate limiting (token bucket algorithm)                  │ │
│  │  • CORS middleware                                          │ │
│  │  • Comprehensive error handling                            │ │
│  └────────────────────────────────────────────────────────────┘ │
└────────────────────────────┬────────────────────────────────────┘
                             │ MCP Protocol (Streamable HTTP)
                             ▼
┌─────────────────────────────────────────────────────────────────┐
│           MCP SERVER (Remote Market Intelligence Tools)         │
│      https://mcp-chatbot-production-f2f9.up.railway.app/mcp    │
│                                                                  │
│  ┌────────────────────────────────────────────────────────────┐ │
│  │  5 Market Intelligence Tools:                               │ │
│  │                                                              │ │
│  │  1. get_stock_price      - Real-time stock data            │ │
│  │  2. get_market_news      - Latest financial news           │ │
│  │  3. get_stock_history    - Historical price data           │ │
│  │  4. compare_stocks       - Multi-stock comparison          │ │
│  │  5. get_market_summary   - Major indices overview          │ │
│  └────────────────────────────────────────────────────────────┘ │
│                                                                  │
│  Data Sources:                                                   │
│  • Yahoo Finance (yfinance) - Stock data                        │
│  • NewsAPI - Financial news articles                            │
└─────────────────────────────────────────────────────────────────┘

🧪 测试API

1.基本查询（非流式）

# Simple question about stock price
curl -X POST https://mcp-chatbot-production.up.railway.app/query \
  -H "Content-Type: application/json" \
  -d '{
    "message": "What is the current price of Apple stock?"
  }'

预期响应：

{
  "response": "Apple (AAPL) is currently trading at $178.25, up $0.75 (+0.42%) from yesterday's close of $177.50. The stock has a market cap of approximately $2.8 trillion. The stock is performing well today with a day high of $179.50 and day low of $177.80.",
  "session_id": "abc-123-def-456",
  "tools_used": ["get_stock_price"]
}

2.情境感知对话

# First message - establish context
curl -X POST https://mcp-chatbot-production.up.railway.app/query \
  -H "Content-Type: application/json" \
  -d '{
    "message": "What is Tesla stock price?",
    "session_id": "my-session-123"
  }'

# Follow-up - remembers we're talking about Tesla
curl -X POST https://mcp-chatbot-production.up.railway.app/query \
  -H "Content-Type: application/json" \
  -d '{
    "message": "How does it compare to yesterday?",
    "session_id": "my-session-123"
  }'

3.市场新闻查询

curl -X POST https://mcp-chatbot-production.up.railway.app/query \
  -H "Content-Type: application/json" \
  -d '{
    "message": "Give me the latest news about tech stocks"
  }'

4.股票比较

curl -X POST https://mcp-chatbot-production.up.railway.app/query \
  -H "Content-Type: application/json" \
  -d '{
    "message": "Compare Apple, Microsoft, and Google stocks"
  }'

5.历史数据

curl -X POST https://mcp-chatbot-production.up.railway.app/query \
  -H "Content-Type: application/json" \
  -d '{
    "message": "Show me Amazon stock performance over the last 6 months"
  }'

6.市场概述

curl -X POST https://mcp-chatbot-production.up.railway.app/query \
  -H "Content-Type: application/json" \
  -d '{
    "message": "How are the major market indices doing today?"
  }'

7.🌟 奖励：流媒体响应（实时）

# Stream responses token-by-token like ChatGPT
curl -N -X POST https://mcp-chatbot-production.up.railway.app/stream \
  -H "Content-Type: application/json" \
  -d '{
    "message": "What is Apple stock trading at right now?"
  }'

预期流输出：

event: message
data: {"type": "tool_call", "tool": "get_stock_price", "args": {"symbol": "AAPL"}}

event: message
data: {"type": "tool_executing", "message": "Fetching data..."}

event: message
data: {"type": "token", "content": "Apple "}

event: message
data: {"type": "token", "content": "(AAPL) "}

event: message
data: {"type": "token", "content": "is "}

event: message
data: {"type": "token", "content": "currently "}

...

event: message
data: {"type": "done", "tools_used": ["get_stock_price"], "session_id": "xxx"}

8.健康检查

curl https://mcp-chatbot-production.up.railway.app/health

答复：

{
  "status": "healthy",
  "service": "Market Intelligence Chatbot",
  "agent_ready": true
}

📡 API 文档

交互式Swagger用户界面

访问： https://mcp-chatbot-production.up.railway.app/docs

端点

POST /query

聊天查询的非流式端点

请求正文：

{
  message: string;      // User's question (1-2000 chars)
  session_id?: string;  // Optional session ID for context
}

答复：

{
  response: string;      // AI assistant's response
  session_id: string;    // Session ID (generated if not provided)
  tools_used?: string[]; // MCP tools that were called
}

费率限制： 每个IP每分钟10个请求

POST /stream ⭐ 奖金

使用服务器发送事件实时流式传输响应

请求正文： 同 /query

答复： 服务器发送的事件流，事件类型：

  • tool_call -代理决定使用工具
  • tool_executing -工具正在获取数据
  • token -单个响应令牌（流式传输！）
  • done -使用工具的最终总结
  • error -发生错误

费率限制： 每个IP每分钟5个请求（由于资源使用情况更严格）

GET /health

健康检查端点

答复：

{
  status: "healthy",
  service: string,
  agent_ready: boolean
}

🛠️ 技术栈

后端（聊天机器人）

  • 快速API -现代异步web框架
  • LangGraph -代理工作流编排
  • LangChain -LLM集成框架
  • OpenAI GPT-4o-mini -推理语言模型
  • MCP客户端 -模型上下文协议客户端
  • Redis（升级版） -缓存和状态管理
  • 乌维科恩 -ASGI服务器

MCP服务器（工具）

  • MCP-SDK -模型上下文协议服务器
  • y融资 -雅虎财经股票数据API
  • 新闻API -财经新闻文章
  • 意图tp -异步HTTP客户端
  • FastMCP -MCP服务器框架

部署

  • 铁路 -云平台（两种服务）
  • 码头工人 -集装箱化
  • Python 3.11 -运行时环境

🎨 主要特征说明

1.上下文管理（内存保护程序）

聊天机器人会记住对话中之前的消息：

# Example conversation flow:
User: "What is Apple stock price?"
Bot: "Apple is trading at $178.25..."

User: "How does that compare to yesterday?"  # Remembers we're talking about Apple
Bot: "Apple's price is up $0.75 from yesterday's close of $177.50..."

它是如何工作的：

  • 每个对话都有一个独特的 session_id
  • LangGraph 的 MemorySaver 存储消息历史记录
  • 代理在响应时可以访问完整上下文

2.🌟 流媒体响应（额外功能）

实时令牌流式传输，如ChatGPT：

优点：

  • 向用户提供即时反馈
  • 更好的用户体验（感觉更快）
  • 渐进式内容加载
  • 透明的工具使用（在获取数据时显示）

实施：

  • 服务器发送事件（SSE）协议
  • Python中的异步生成器
  • LangGraph的流媒体功能

3.🌟 Redis缓存（额外功能）

减少API调用并改进响应时间：

缓存的内容：

  • 股价数据（5分钟TTL）
  • 市场新闻（5分钟TTL）
  • 历史数据（5分钟TTL）
  • 工具结果（自动）

优点：

  • 更快的响应
  • 减少了外部API的使用
  • 降低成本
  • 更高的可靠性

缓存命中示例：

First request:  ❌ Cache MISS → Fetch from yfinance → 2.5s
Second request: ✅ Cache HIT  → Return cached data → 0.1s

4.🌟 利率限制（奖金功能）

令牌桶算法防止滥用：

限制：

  • /query：每个IP每分钟10个请求
  • /stream：每个IP每分钟5个请求
  • /health：无限制

速率受限时的响应：

{
  "error": "Rate limit exceeded",
  "message": "Too many requests. Please try again in 45 seconds.",
  "retry_after": 45,
  "limit": 10,
  "window": "60 seconds"
}

返回的标头：

X-RateLimit-Limit: 10
X-RateLimit-Remaining: 7
X-RateLimit-Reset: 1697123456

5.代理工作流程

AI自主决定何时以及使用哪些工具：

流量：

  1. 用户提问
  2. Agent分析查询
  3. 代理人决定：“我需要外部数据吗？”
  4. 如果是→ 选择合适的工具
  5. 通过MCP执行工具
  6. 将结果合成为自然语言
  7. 向用户返回响应

例子：

Query: "Compare Apple and Tesla, and give me tech news"

Agent thinks:
  ✓ Need stock data → use get_stock_price (AAPL)
  ✓ Need stock data → use get_stock_price (TSLA)
  ✓ Need news      → use get_market_news (tech)

Executes 3 tools, then synthesizes response.

6.MCP工具验证

每个响应都显示了实际使用了哪些工具：

{
  "response": "...",
  "tools_used": ["get_stock_price", "get_market_news"]
}

为什么这很重要：

  • 调试透明度
  • 验证工具选择是否正确
  • 跟踪工具使用模式
  • 验证代理行为

🔧 环境变量

聊天机器人后端

# Required
OPENAI_API_KEY=sk-your-openai-key

# MCP Configuration
MCP_TRANSPORT_PROTOCOL=http  # or "stdio" for local
MCP_SERVER_URL=https://mcp-chatbot-production-f2f9.up.railway.app/mcp

# Optional - Redis (Upstash)
UPSTASH_REDIS_REST_URL=https://your-redis.upstash.io
UPSTASH_REDIS_REST_TOKEN=your-token

# Optional - Server
PORT=8080
LOG_LEVEL=INFO
OPENAI_MODEL=gpt-4o-mini

MCP服务器

# Required
NEWS_API_KEY=your-newsapi-key

# Optional
PORT=8000
LOG_LEVEL=INFO
MCP_TRANSPORT_MODE=http  # For Railway deployment

📊 可用的MCP工具

1. get_stock_price(symbol: str)

获取实时股票价格和公司信息。

例子：

{
  "symbol": "AAPL",
  "company_name": "Apple Inc.",
  "current_price": 178.25,
  "previous_close": 177.50,
  "change": 0.75,
  "change_percent": 0.42,
  "volume": 45678900,
  "market_cap": 2800000000000,
  "day_high": 179.50,
  "day_low": 177.80,
  "52_week_high": 199.62,
  "52_week_low": 164.08
}

2. get_market_news(query: str, num_articles: int)

获取最新的财经新闻文章。

参数：

  • query：搜索词（默认：“股票市场”）
  • num_articles：文章数量（默认值：5，最大值：10）

例子：

[
  {
    "title": "Tech Stocks Rally on Strong Earnings",
    "description": "Major tech companies exceeded expectations...",
    "url": "https://example.com/article",
    "published_at": "2025-10-12T10:00:00Z",
    "source": "Financial Times",
    "author": "John Doe"
  }
]

3. get_stock_history(symbol: str, period: str)

用于技术分析的历史价格数据。

参数：

  • symbol：股票代码
  • period：1d、5d、1mo、3mo、6mo、1y、2y、5y、10y、ytd、最大值

例子：

{
  "symbol": "AAPL",
  "period": "1mo",
  "data_points": 21,
  "start_date": "2025-09-12",
  "end_date": "2025-10-12",
  "latest_close": 178.25,
  "period_high": 182.50,
  "period_low": 170.30,
  "price_change": 7.95,
  "price_change_percent": 4.67,
  "average_volume": 55000000
}

4. compare_stocks(symbols: list[str])

并排比较多只股票（最多5只）。

例子：

{
  "comparison": {
    "AAPL": {
      "company_name": "Apple Inc.",
      "current_price": 178.25,
      "market_cap": 2800000000000,
      "pe_ratio": 29.5,
      "dividend_yield": 0.52,
      "52_week_high": 199.62,
      "52_week_low": 164.08,
      "beta": 1.25
    },
    "MSFT": { ... },
    "GOOGL": { ... }
  },
  "symbols_analyzed": 3
}

5. get_market_summary()

主要市场指数概述。

例子：

{
  "market_summary": {
    "S&P 500": {
      "symbol": "^GSPC",
      "value": 4567.89,
      "change": 23.45,
      "change_percent": 0.52,
      "high": 4589.12,
      "low": 4545.67
    },
    "Dow Jones Industrial Average": { ... },
    "NASDAQ Composite": { ... },
    "Russell 2000": { ... }
  }
}

🚀 部署详细信息

铁路配置

聊天机器人后端：

  • 统一资源定位符: https://mcp-chatbot-production.up.railway.app
  • 端口：8080（铁路自动分配）
  • 构建：Docker（Dockerfile）
  • 健康检查: /health 端点
  • 自动重启：已启用

MCP服务器：

  • 统一资源定位符: https://mcp-chatbot-production-f2f9.up.railway.app/mcp
  • 端口：8000（铁路自动分配）
  • 构建：Docker（Dockerfile）
  • 运输：流式HTTP
  • 端点: /mcp （MCP协议）

Docker镜像

这两个服务都使用Python 3.11 slim镜像：

FROM python:3.11-slim
# Optimized for production
# Includes health checks
# Runs as non-root user

💡 示例用例

1.投资组合跟踪

curl -X POST https://mcp-chatbot-production.up.railway.app/query \
  -H "Content-Type: application/json" \
  -d '{
    "message": "I own Apple, Tesla, and Amazon. How are they performing today?",
    "session_id": "portfolio-tracker"
  }'

2.投资研究

# Multi-turn conversation
curl -X POST https://mcp-chatbot-production.up.railway.app/query \
  -H "Content-Type: application/json" \
  -d '{
    "message": "Tell me about NVIDIA stock",
    "session_id": "research-123"
  }'

curl -X POST https://mcp-chatbot-production.up.railway.app/query \
  -H "Content-Type: application/json" \
  -d '{
    "message": "What news is there about AI chip demand?",
    "session_id": "research-123"
  }'

curl -X POST https://mcp-chatbot-production.up.railway.app/query \
  -H "Content-Type: application/json" \
  -d '{
    "message": "Compare it to AMD",
    "session_id": "research-123"
  }'

3.市场监测

curl -X POST https://mcp-chatbot-production.up.railway.app/query \
  -H "Content-Type: application/json" \
  -d '{
    "message": "Give me a market overview and the latest financial news"
  }'

🎓 我学到了什么

技术技能

  • MCP架构：构建模块化、可重用的人工智能工具服务器
  • LangGraph：创建具有状态管理的代理工作流
  • 异步Python：高效处理并发操作
  • API设计：RESTful原则和流协议
  • 缓存策略：使用Redis优化性能
  • 速率限制：实现令牌桶算法
  • Docker和部署：容器化和云部署
  • 错误处理：优雅的降级和用户友好的错误

设计模式

  • 关注点分离：MCP服务器与聊天机器人后端
  • 微服务：独立、可扩展的服务
  • 上下文管理器：Python的 async with 用于资源清理
  • 中间件模式：速率限制、CORS、错误处理
  • 观察者模式：使用SSE流媒体

最佳实践

  • 环境变量：永远不要硬编码机密
  • 日志记录：用于调试的全面日志记录
  • 健康检查：监控服务可用性
  • 文档：清除自述文件和API文档
  • 测试：curl命令便于验证

📁 项目结构

mcp-chatbot/
├── chatbot-backend/              # FastAPI chatbot service
│   ├── agent/
│   │   ├── graph.py             # LangGraph agent
│   │   └── state.py             # State schema
│   ├── mcp_client/
│   │   └── client.py            # MCP client wrapper
│   ├── utils/
│   │   ├── cache.py             # Redis caching
│   │   ├── rate_limiter.py      # Rate limiting
│   │   └── redis_client.py      # Redis connection
│   ├── main.py                  # FastAPI app
│   ├── requirements.txt
│   ├── Dockerfile
│   └── .env
├── mcp_server_remote.py         # Remote MCP server
├── mcp_server.py                # Local MCP server (stdio)
├── requirements.txt
├── Dockerfile
└── README.md                    # This file!

🤝 贡献与反馈

这个项目是为实习选拔过程而建立的。欢迎反馈和建议！

联系人：

  • GitHub: https://github.com/mayankgupta8448

📜 许可证

实习选拔过程的教育项目。

🙏 致谢

  • Anthropic -对于模型上下文协议（MCP）
  • 语言链/语言图 -用于代理工作流框架
  • 开放人工智能 -对于GPT-4 API
  • 铁路 -免费托管层
  • 雅虎财经 -股票市场数据
  • 新闻API -财经新闻

📚 额外资源

  • MCP文件: https://modelcontextprotocol.io/
  • LangGraph文档: https://langchain-ai.github.io/langgraph/
  • FastAPI文档: https://fastapi.tiangolo.com/
  • 铁路文件: https://docs.railway.app/

✨ 最后说明

该项目展示了：

  • ✅ 全栈AI应用开发
  • ✅ 生产就绪架构
  • ✅ 干净、可维护的代码
  • ✅ 全面的文件
  • ✅ 现代最佳实践
  • ✅ 超出要求的奖励功能

5. get_market_summary()

主要市场指数概述。

例子：

{
  "market_summary": {
    "S&P 500": {
      "symbol": "^GSPC",
      "value": 4567.89,
      "change": 23.45,
      "change_percent": 0.52,
      "high": 4589.12,
      "low": 4545.67
    },
    "Dow Jones Industrial Average": { ... },
    "NASDAQ Composite": { ... },
    "Russell 2000": { ... }
  }
}

🚀 部署详细信息

铁路配置

聊天机器人后端：

  • 统一资源定位符: https://mcp-chatbot-production.up.railway.app
  • 端口：8080（铁路自动分配）
  • 构建：Docker（Dockerfile）
  • 健康检查: /health 端点
  • 自动重启：已启用

MCP服务器：

  • 统一资源定位符: https://mcp-chatbot-production-f2f9.up.railway.app/mcp
  • 端口：8000（铁路自动分配）
  • 构建：Docker（Dockerfile）
  • 运输：流式HTTP
  • 端点: /mcp （MCP协议）

Docker镜像

这两个服务都使用Python 3.11 slim镜像：

FROM python:3.11-slim
# Optimized for production
# Includes health checks
# Runs as non-root user

💡 示例用例

1.投资组合跟踪

curl -X POST https://mcp-chatbot-production.up.railway.app/query \
  -H "Content-Type: application/json" \
  -d '{
    "message": "I own Apple, Tesla, and Amazon. How are they performing today?",
    "session_id": "portfolio-tracker"
  }'

2.投资研究

# Multi-turn conversation
curl -X POST https://mcp-chatbot-production.up.railway.app/query \
  -H "Content-Type: application/json" \
  -d '{
    "message": "Tell me about NVIDIA stock",
    "session_id": "research-123"
  }'

curl -X POST https://mcp-chatbot-production.up.railway.app/query \
  -H "Content-Type: application/json" \
  -d '{
    "message": "What news is there about AI chip demand?",
    "session_id": "research-123"
  }'

curl -X POST https://mcp-chatbot-production.up.railway.app/query \
  -H "Content-Type: application/json" \
  -d '{
    "message": "Compare it to AMD",
    "session_id": "research-123"
  }'

3.市场监测

curl -X POST https://mcp-chatbot-production.up.railway.app/query \
  -H "Content-Type: application/json" \
  -d '{
    "message": "Give me a market overview and the latest financial news"
  }'

🎓 我学到了什么

技术技能

  • MCP架构：构建模块化、可重用的人工智能工具服务器
  • LangGraph：创建具有状态管理的代理工作流
  • 异步Python：高效处理并发操作
  • API设计：RESTful原则和流协议
  • 缓存策略：使用Redis优化性能
  • 速率限制：实现令牌桶算法
  • Docker和部署：容器化和云部署
  • 错误处理：优雅的降级和用户友好的错误

设计模式

  • 关注点分离：MCP服务器与聊天机器人后端
  • 微服务：独立、可扩展的服务
  • 上下文管理器：Python的 async with 用于资源清理
  • 中间件模式：速率限制、CORS、错误处理
  • 观察者模式：使用SSE流媒体

最佳实践

  • 环境变量：永远不要硬编码机密
  • 日志记录：用于调试的全面日志记录
  • 健康检查：监控服务可用性
  • 文档：清除自述文件和API文档
  • 测试：curl命令便于验证

📁 项目结构

mcp-chatbot/
├── chatbot-backend/              # FastAPI chatbot service
│   ├── agent/
│   │   ├── graph.py             # LangGraph agent
│   │   └── state.py             # State schema
│   ├── mcp_client/
│   │   └── client.py            # MCP client wrapper
│   ├── utils/
│   │   ├── cache.py             # Redis caching
│   │   ├── rate_limiter.py      # Rate limiting
│   │   └── redis_client.py      # Redis connection
│   ├── main.py                  # FastAPI app
│   ├── requirements.txt
│   ├── Dockerfile
│   └── .env
├── mcp_server_remote.py         # Remote MCP server
├── mcp_server.py                # Local MCP server (stdio)
├── requirements.txt
├── Dockerfile
└── README.md                    # This file!

🤝 贡献与反馈

这个项目是为实习选拔过程而建立的。欢迎反馈和建议！

联系人：

  • GitHub: https://github.com/mayankgupta8448

📜 许可证

实习选拔过程的教育项目。

🙏 致谢

  • Anthropic -对于模型上下文协议（MCP）
  • 语言链/语言图 -用于代理工作流框架
  • 开放人工智能 -对于GPT-4 API
  • 铁路 -免费托管层
  • 雅虎财经 -股票市场数据
  • 新闻API -财经新闻

📚 额外资源

  • MCP文件: https://modelcontextprotocol.io/
  • LangGraph文档: https://langchain-ai.github.io/langgraph/
  • FastAPI文档: https://fastapi.tiangolo.com/
  • 铁路文件: https://docs.railway.app/

✨ 最后说明

该项目展示了：

  • ✅ 全栈AI应用开发
  • ✅ 生产就绪架构
  • ✅ 干净、可维护的代码
  • ✅ 全面的文件
  • ✅ 现代最佳实践
  • ✅ 超出要求的奖励功能

已准备好用于生产，并易于使用更多MCP工具进行扩展！ 🚀

内置于❤️ 使用Python、FastAPI、LangGraph和MCP

相关 MCP