Streamlit：ML 应用框架

为什么需要 Streamlit：从模型到可交互应用的最短路径

传统数据应用交付路径包含三层工作：后端 API 开发（FastAPI/Flask）、前端页面编写（React/Vue）、前后端联调部署。对一个以模型实验为主的数据团队来说，这三层工作占用的工时往往超过算法本身，且模型迭代后前后端接口需要同步修改，维护成本持续累积。尤其是 LLM 应用场景，对话界面的流式输出、缓存管理、多轮会话状态都需要额外编码，进一步拉高了交付门槛。

Streamlit 用「纯 Python 脚本即应用」的执行模型解决了这一痛点：每一段脚本从上到下执行一次，页面组件（按钮、输入框、图表、数据表）通过 API 调用直接映射为 UI 元素，事件回调由框架自动处理，开发者无需编写任何前端代码或网络层逻辑。配合 st.cache_data 装饰器缓存耗时计算、st.session_state 保存跨交互的用户状态，一个可用的模型 Demo 通常在半小时内即可完成。与 Gradio 相比，Streamlit 更强调「应用级」能力——多页面导航、复杂布局、自定义组件与深度数据可视化集成，而不是仅停留在「函数到界面」的映射；与 Dash 相比，Streamlit 不需要声明回调依赖图（Dash 的 @app.callback 模式），代码更接近自然脚本流。这种低心智负担的设计使 Streamlit 成为数据团队成员自行交付工具的首选。

安装与环境配置：3 步就绪

安装 Streamlit 建议使用独立的 Python 虚拟环境，避免依赖冲突。以下步骤基于 Python 3.9–3.13 官方支持范围。

步骤一·安装。 使用 pip 或 conda 安装最新稳定版：

步骤二·验证安装：运行内置的欢迎页检查环境是否正常：

该命令会启动本地服务并打开浏览器，显示示例集合（包含图表、地图、LLM 对话等演示）。如果你在无图形界面的服务器上运行，可加 --server.headless true 参数。

步骤三·确认版本与配置：

首次运行时，Streamlit 会在用户目录生成 ~/.streamlit/config.toml 配置文件。常用配置项包括 server.port（端口，默认 8501）、server.address（监听地址）、browser.gatherUsageStats（是否收集匿名使用统计，建议设置为 false）。

python -m venv .venv && source .venv/bin/activate  # 创建并激活虚拟环境pip install streamlit

streamlit hello

streamlit version            # 查看当前版本streamlit config show        # 显示全部可配置项及默认值

# 完整安装、验证、配置命令（可直接复制运行）python -m venv .venvsource .venv/bin/activatepip install streamlitstreamlit versionstreamlit config show

快速上手：10 分钟跑通第一个数据应用

以下示例以「加载 CSV 并交互式筛选」为最小可用场景：先写一个 20 行以内的脚本，再通过命令行启动，即可在浏览器完成数据上传、筛选与图表联动。Streamlit 的核心思路是「每个交互控件都是一个变量赋值语句」——用户操作控件时，脚本会从上到下重新执行，控件返回值自动赋给对应变量。

1. 在工作目录创建 app.py，写入下面的完整代码。

2. 在终端运行 streamlit run app.py，浏览器自动打开 http://localhost:8501。

3. 点击「浏览文件」上传一个 CSV，表格与图表会立即渲染；拖动滑块或选择筛选条件，界面实时刷新。

4. 结束运行按 Ctrl+C 停止服务。

import streamlit as stimport pandas as pd st.set_page_config(page_title="数据筛选器", layout="wide")st.title("📊 CSV 数据快速浏览与筛选") uploaded = st.file_uploader("上传 CSV 文件", type=["csv"])if uploaded is None:    st.info("请上传文件开始体验")    st.stop() df = pd.read_csv(uploaded)st.dataframe(df, use_container_width=True) # 数值列筛选num_cols = df.select_dtypes(include="number").columns.tolist()if num_cols:    col = st.selectbox("选择数值列", num_cols)    min_v, max_v = float(df[col].min()), float(df[col].max())    lo, hi = st.slider("筛选范围", min_v, max_v, (min_v, max_v))    filtered = df[(df[col] >= lo) & (df[col] <= hi)]    st.line_chart(filtered.set_index(col) if not filtered.empty else pd.DataFrame())

核心能力详解：5 大支柱

支柱一·数据展示与交互组件。 st.dataframe 提供基于 Grid 引擎的交互式表格，支持排序、列宽拖拽、单元格选择，配合 st.column_config 可为列定制进度条、图片缩略图、链接等展示格式；st.data_editor 则在表格基础上允许用户直接编辑单元格并回写数据。图表方面，st.plotly_chart、st.altair_chart、st.line_chart 等 API 将主流可视化库的图表嵌入页面，其中 Plotly 图表保留全部交互能力（缩放、悬停、框选）。这类组件的共同点是「声明式」——开发者只描述数据与类型，渲染细节由框架接管。

支柱二·缓存系统。 st.cache_data 和 st.cache_resource 是性能优化的核心机制。st.cache_data 缓存返回可序列化数据的函数（如 DataFrame、字符串），适合数据加载与预处理；st.cache_resource 缓存不可序列化的全局资源（如数据库连接、大模型实例、TensorFlow 会话）。两者均基于函数参数与函数体哈希值判断是否命中缓存，并支持 ttl（存活时间）参数做定时失效。正确使用缓存可将重复计算降为 0，是数据应用从「能跑」到「快」的关键。

支柱三·会话状态管理。 st.session_state 是一个跨脚本重运行的字典，用于保存用户会话期间的变量：登录信息、表单输入、对话历史、分页页码等。配合 st.rerun 可手动触发重运行，配合回调参数 on_click、on_change 可在控件触发时执行额外逻辑。多轮 LLM 对话应用必须依赖会话状态保存消息历史，否则每次交互上下文都会丢失。

支柱四·多页面与导航。 st.Page + st.navigation 是 1.36 后新增的声明式多页面 API：先定义多个页面函数或文件，再用 st.navigation 组装导航结构，支持分组、图标与 URL 路径。相比早期基于文件目录的 pages/ 文件夹约定，新 API 支持动态页面控制（如根据登录状态决定可见页面），且页面切换不再完整重运行根脚本。多页面架构让 Streamlit 应用从「单页 Demo」升级为「多模块工具台」。

支柱五·LLM 对话专项能力。 st.chat_message 与 st.chat_input 两个 API 专为对话式应用设计：前者按「用户/助手」角色渲染气泡消息，后者提供输入框并自动管理提交事件。配合 st.write_stream 可实现 LLM 输出的流式打字效果，配合 st.status 可在对话中展示「思考中/执行工具」的阶段性状态。官方文档中的 LLM 教程提供了基于 OpenAI API 的完整对话应用参考实现，也兼容 LangChain 等框架的回调接口。

生产部署与监控：从上线到运维

部署方式一：Streamlit Community Cloud。 官方托管的免费部署方案：将应用代码推送至 GitHub 仓库，在 [share.streamlit.io](https://share.streamlit.io) 上用 GitHub 账号登录并选择仓库即可完成部署，支持自动检测 requirements.txt 安装依赖、每次 git push 自动重新部署、为应用分配 https://[app名].streamlit.app 子域名。免费层级限制为单个应用、约 1GB 内存与休眠机制（无访问时进入睡眠，下次访问冷启动约 10–30 秒），适合 Demo 与内部工具；企业版提供私有部署、SSO 与专属资源。

部署方式二：Docker 自托管。 需要私有化部署或资源弹性时，用官方镜像 python:3.11-slim 为基础构建：安装 Streamlit 后以 streamlit run app.py --server.port=80 --server.address=0.0.0.0 --server.headless=true 启动容器，配合 Nginx 反向代理与 HTTPS 证书。扩展多个副本时，需注意每个副本进程都有独立的会话状态，若需横向扩展应考虑将会话亲和性（sticky session）配置在负载均衡层。Kubernetes 部署可参考社区维护的 Helm Chart，但官方并未提供经过认证的 Helm 包，需自行验证。

可观测性。 Streamlit 内置 --server.fileWatcherType 控制文件监听策略；日志输出到标准输出，可用任意日志采集器（如 Promtail、Filebeat）收集。社区开发的 streamlit-analytics 等三方库可统计组件交互事件，但官方不提供内置埋点方案。指标监控建议独立实现：将关键业务指标通过 st.metric 展示给最终用户，同时在外层用 Prometheus exporter（如 prometheus-fastapi-instrumentator 包）暴露应用级指标——注意 Streamlit 自身是基于 Tornado 的 WSGI 服务，采纳此类方案时需要适配。

<p class=“para-label“>避坑清单：</p><ul class=”dash-list”><li>缓存与可变对象：默认 st.cache_data 对返回的 DataFrame 做深拷贝，但若函数内修改了全局可变对象（如 list.append），缓存会返回污染数据——缓存函数应保持纯函数，内部只读外部状态</li><li>敏感信息写入会话状态：st.session_state 中存放 API Key 等机密时，浏览器端可通过 Session State 调试面板查看——生产环境应改用 st.secrets 管理密钥，并通过后端代理调用大模型 API</li><li>跨会话共享缓存：st.cache_resource 缓存的是进程级单例，多个用户共享同一数据库连接或模型实例——注意连接池的并发上限与线程安全问题</li><li>多页面根脚本重复执行：使用旧的 pages/ 目录时每次页面切换都会重运行根脚本，如根脚本中有重计算会在页面切换时卡顿——改用 st.navigation 或把重逻辑移入缓存函数</li><li>社区云免费版资源限制：1GB 内存限制下加载大模型会直接 OOM——大模型应用应部署在自托管环境，社区云只放轻量推理的转发层</li></ul>

版本迭代

Streamlit 自 2019 年开源以来保持每月一个小版本的高频迭代，主线方向从「单页 Demo 渲染」持续演进为「生产级数据应用平台」。2023 年 11 月至 2024 年 11 月间，重点补齐了多页面导航、对话框、局部状态控制与 LLM 对话专项 API，整体朝着模块化、可维护性方向收敛。（截至训练数据 2025 年初，可能已有更新版本）

AI 应用场景

常见误区

面试题