Streamlit 是 Python 資料應用框架,GitHub 累積 46,399 顆星、Apache 2.0 授權。2026 年 11 月 5 日發布的 1.67 版把 agent API 轉為公開,代理可透過 HTTP 或 MCP 端點驅動同一個應用,讀取元件狀態並取回資料表格,不必另外建置一套 API。

Streamlit 儲存庫的 README 開頭畫面,頂部為 README、行為準則、貢獻指南、Apache-2.0 授權與安全性五個狀態徽章,下方為 Streamlit 專案名稱與「Built in Python. Made for people and agents.」標語,接著說明專案定位為代理原生的資料應用框架,並列出儀表板、預測應用與工作流程應用三類使用場景

Streamlit 是什麼?

Streamlit 是以 Python 撰寫資料應用的框架,單一檔案即可產生儀表板、預測與工作流程應用,前端、狀態管理與 API 層均由框架處理。

專案由 Streamlit 團隊於 2019 年 8 月建立,主要語言為 Python,採 Apache 2.0 授權。README 統計,GitHub 上已有超過一百萬個儲存庫依賴此框架,定位是資料應用的第一選擇。

框架的核心主張是減少層數。開發者只需撰寫 Python,瀏覽器端的介面、狀態同步、快取、登入與主題一致性由框架承擔。專案文件把這件事描述為「生成的應用很便宜,擁有它的成本不便宜」,指向的是長期維護負擔而非開發速度。

維護者的提交帳號帶有 sfc-gh 前綴,與 Snowflake 的企業帳號命名一致,這也解釋了 README 中「可原生部署於 Snowflake 內」的敘述。專案同時提供免費的 Community Cloud,連接 GitHub 儲存庫即可取得 streamlit.app 網址。

Streamlit 1.67 版的 agent API 是什麼?

agent API 是 1.67 版公開的介面,代理以 HTTP POST 送出元件值,取回整頁元素樹,另可透過 MCP 端點接入 Claude、ChatGPT 或 Cursor。

這套介面預設關閉,由 server.enableAgentApi 開啟,並標記為實驗性。開啟後,程式可向 /_stcore/agent/interact 送出 JSON 格式的元件值,取回完成的頁面,回應內容是一棵以 st.* 指令命名的元素樹。

規格描述另有一個 /_stcore/agent/openapi.json 端點,用來描述協定本身。搭配的 MCP 端點位於 /_stcore/agent/mcp,貼上一條網址即可把應用加入 Claude、ChatGPT、Cursor、VS Code 或 Claude Code,兩個固定工具分別是 interact 與 get_data。

46,399星標數
4,454分支數
339貢獻者
11,341提交數
1.67.0最新版本
Apache 2.0授權條款

代理驅動應用需要哪些資源控制?

1.67 版一併公開五個 server.agent 參數,涵蓋等待逾時、工作階段存活時間、並行上限與預覽列數,讓部署方能為代理流量設定邊界。

代理與人類使用者最大的差異是呼叫頻率。單一使用者在瀏覽器上操作,一次只發出一個請求;代理可以在數秒內連續改動數十個元件。若沒有上限,一個失控的迴圈就足以讓應用無回應。

五個參數因此在 1.67 版一併移除隱藏標記,納入 streamlit config show 與官方設定文件:server.agentWaitTimeout 控制單次互動的等待時間,server.agentSessionTTL 決定工作階段的存活長度,server.agentMaxSessions 限制並行數量,server.agentPreviewRows 設定資料預覽的列數上限。這些選項過去只存在於規格文件,部署者無法從設定介面得知。

同一個版本也為快取加上預算:server.maxCacheDataSize 提供全域的資料快取上限,st.cache_data 則新增逐函式的 max_size。對於長時間由代理反覆呼叫的應用,這兩項設定直接影響記憶體曲線。

為什麼資料應用要變成 MCP 伺服器?

因為代理需要讀寫真實資料才有決策價值。應用本身已是資料入口,接上 MCP 後代理沿用同一套邏輯與權限,不必另建介面或複製業務規則。

傳統做法是為代理另寫一組工具函式,把應用內的查詢、篩選與寫入重新實作一遍。這種做法會產生兩份邏輯,時間一久必然分歧,而分歧出現在資料權限上時,後果並不只是顯示錯誤。

MCP 端點的設計選擇是讓應用本身成為工具。代理呼叫 interact 時,走的是與瀏覽器使用者相同的程式路徑,同一組身分檢查、同一組元件狀態。官方規格在選擇回應碼時曾遇到一個細節:當 API 關閉,MCP 路由回應 400 而非 403,因為官方 TypeScript 客戶端會把 403 解讀為授權失敗,既不退回初始化流程,也不顯示訊息。

規格另列出四項後續工作,包含在 serverInfo 補上應用標題與描述、作者宣告 interact 為唯讀、為 st.login 應用加入 OAuth 登入,以及為文字與 JSON 加上分頁。這些項目顯示目前的實作仍在補齊企業場景所需的基本條件。

Streamlit 儲存庫首頁截圖,左上方為 streamlit/streamlit 儲存庫名稱,右側顯示 45k 個分支與 46.4k 顆星,下方為 develop 分支與 1,085 個分支、2,665 個版本標籤的統計,右欄 About 區塊列出「代理原生的資料應用框架」描述與 Python、資料視覺化、儀表板等主題標籤

代理與測試工具如何分工?

代理透過 agent API 在運行中的應用上驗證改動,AppTest 則把同一組檢查留在 CI。前者觀察真實渲染結果,後者防止回歸。

專案隨附的 developing-with-streamlit 技能在 1.67 版加入一條規則:代理在回報完成之前,必須先在運行中的應用上驗證每一項改動。做法是啟動只監聽本機的實例並開啟 API,驅動被改動的元件,讀取狀態與受影響的元素,同時觀察伺服器日誌中快照看不到的警告。

測試與驗證的分界寫在技能的 references/testing.md 開頭。AppTest 適合在持續整合中執行,速度快且不依賴瀏覽器;agent API 適合檢查真實渲染;需要完整前端行為時,則由 Playwright MCP 這類瀏覽器工具接手。三者並非替代關係,而是成本與覆蓋範圍的取捨。

這個安排回應的是一個具體問題。編碼代理在一輪對話中可能改動數十行,若只依賴它自行宣稱完成,錯誤會累積到使用者開啟頁面才浮現。把驗證動作寫進技能,等於把檢查義務從人轉移到流程。

如何快速開始使用 Streamlit?

先以 pip 安裝,撰寫單一 Python 檔案,執行 streamlit run 啟動。若要代理協助,先在專案目錄執行 streamlit skills 安裝對應技能。

# 安裝(需求 Python 3.11 以上)
pip install streamlit

# 在專案目錄安裝對應版本的代理技能
streamlit skills

# 啟動應用
streamlit run streamlit_app.py

streamlit skills 是 1.67 週期新增的指令。它會安裝與當前 Streamlit 版本相符的技能檔,支援 Claude Code 以及讀取共用 .agents 目錄的代理,目的是讓代理依循當版最佳做法,而非憑訓練資料中的舊版印象作答。

安裝後即可用自然語言描述需求,例如要求建立一個讀取 sales.csv 並提供價格與成長假設滑桿的預測應用。若不使用代理,官方 README 提供一份完整範例:以 st.cache_data 載入歷史資料,用 st.slider 調整月成長率,以 st.data_editor 讓規劃人員直接修改預測值,最後以 st.button 提交並寫入資料庫。

企業環境另有三個部署選項:自建雲端環境、Community Cloud 與 Snowflake 原生部署。st.login 提供內建登入,無需自行串接身分供應者。

Streamlit 的技術架構有哪些關鍵設計?

架構以單層 Python 為核心,搭配片段重跑、背景快取刷新與 URL 綁定篩選。元件選擇事件讓儀表板可交叉篩選,無需自行實作前端狀態同步。

效能設計集中在兩個方向。@st.fragment 讓單一區塊獨立重跑,使用者操作圖表時不會觸發整頁重新計算;@st.cache_data 支援 ttl 與 refresh_mode="background",讓快取的查詢在背景更新,使用者不必等待冷啟動。

互動能力則靠事件回傳。on_select 讓圖表與表格的選取結果回到 Python 端,可實作連動的下鑽與交叉篩選;綁定 bind="query-params" 的篩選條件會寫入網址,任何一個檢視狀態都能直接分享。

資料層的處理方式是按需載入。表格隨捲動逐段取列,讓大資料集維持可用的反應速度;原生圖表涵蓋多數視覺化需求,ECharts、Altair 與內建圖表會在資料量增長時自動切換至較快的渲染路徑。1.67 版另讓 st.echarts_chart 以 Arrow 格式傳送資料框,並在圖表下方顯示對應的資料表。

擴充路徑留了兩個出口。需要高度客製的畫面時可寫自訂元件,以 React 或任何前端技術實作;需要 webhook 或自有 API 路由時,可用 st.App 挂載。

Streamlit 儲存庫的貢獻者統計頁面,上方為近三個月的提交頻率長條圖,橫軸涵蓋八月至十一月,右側列出分支與網路圖入口,下方顯示貢獻者排行,首位為 lukasmasuch 的 407 次提交

Streamlit 在生態上處於什麼位置?

它以最低層數換取維護穩定性,與 BI 工具、自建 React 前後端形成三種取捨。對代理場景而言,應用同時是介面與工具,這是差異化所在。

與 BI 工具相比,Streamlit 的優勢在於邏輯不受限。任何 Python 函式庫都能直接呼叫,模型推論、最佳化求解與外部 API 整合都不需要在工具框架內找對應元件;代價是複雜的企業級治理功能需要自行補齊。

同屬 Python 生態的 Gradio 以模型示範介面為起點,元件導向的設計適合快速展示單一模型;Streamlit 則把範圍擴展到多頁儀表板與工作流程應用,兩者面對的場景不同。

與自建前後端相比,差異在於擁有成本。由代理生成的 React 前端、Python 後端與中間 API 三份程式碼,需要有人審查、保持同步並長期修補;單層 Python 把這部分轉為框架責任。專案同時強調破壞性變更極為罕見,多數數年前的應用仍可在最新版運行。

貢獻模式值得注意。README 明確表示已暫停接受維護團隊以外的拉取請求,但仍歡迎缺陷回報、功能建議與自訂元件貢獻。這種封閉核心、開放周邊的安排,常見於已有商業母體的開源專案,也意味著外部開發者難以影響框架走向。

Streamlit 有哪些限制與風險?

agent API 仍標記實驗性且預設關閉,MCP 僅有兩個工具,文字與 JSON 尚無分頁,OAuth 登入與唯讀宣告仍在後續清單。

實驗性標記不只是一句免責。規格列出的後續項目包含企業採用時會直接詢問的幾件事:應用在 serverInfo 中的名稱與描述、作者能否宣告某個應用為唯讀、以及 st.login 應用在代理連線時如何完成授權。這些缺口意味著現階段適合試點,不適合直接放上生產環境。

第二項風險是並行行為。代理可在極短時間內連續觸發互動,而 Streamlit 的執行模型以腳本重跑為基礎。即使有 agentMaxSessions 與 agentSessionTTL 控制,開發者仍需自行確認應用在併發呼叫下的資料一致性,特別是涉及寫入的流程。

第三項是相容性清理。1.67 版移除部分隱藏的設定項並重寫描述,st.echarts_chart 的資料傳輸改為 Arrow,若先前依賴舊行為的私有欄位,升級時需要檢查。專案雖以穩定著稱,這一輪改動的範圍仍橫跨設定、圖表與資料格式。

出處連結有哪些?

原始碼、版本說明與代理介面規格均位於 GitHub 的 streamlit/streamlit 儲存庫,設定文件與技能說明另見官方文件站。

  • GitHub 儲存庫:https://github.com/streamlit/streamlit
  • 1.67.0 版本說明:儲存庫 Releases 頁面的 1.67.0 標籤
  • 代理介面規格:儲存庫內 specs/2026-08-28-agent-app-interface/ 目錄
  • MCP 端點規格:儲存庫內 specs/2026-10-15-agent-app-mcp-endpoint/ 目錄
  • 官方設定文件:https://docs.streamlit.io

總結:Streamlit 適合什麼團隊?

適合已有 Python 資料流程、希望代理與人員共用同一介面的團隊,以及需快速交付內部儀表板與審批流程的組織。需要完全自訂前端或成熟代理授權機制的團隊,宜再等。

這個版本真正的訊號不在功能數量,而在定位轉向。把框架描述為代理原生,等於承認未來有相當比例的應用操作不會由人發起。當應用同時是介面與工具,維護的對象就從兩套系統收斂為一套,這是 1.67 版最實際的價值。

導入時的合理順序是先在小範圍開啟 server.enableAgentApi,以一個唯讀儀表板測試 MCP 接入,確認代理讀取的數字與瀏覽器顯示一致,再逐步擴展到寫入流程。專案的版本節奏穩定,現有應用升級風險低,真正的變數在於組織是否準備好讓代理持有操作權限。