🚀 Sentinel Core Agent

Sentinel Core Agent 主要用于管理用户与语言模型（LLM）以及各类工具之间的交互，同时实现了一个具备多种工具的 MCP 服务器，为用户提供文件系统操作、网络抓取和人工智能搜索等功能。

🚀 快速开始

项目概述

本项目包含 client.py 和 server.py 两个核心文件，下面为你详细介绍它们的功能。

💻 使用示例

基础用法

client.py 主要负责管理用户与语言模型 (LLM) 以及各种工具之间的交互，以下是其关键组件及工作流程：

# 配置：加载环境变量（包括 LLM API 密钥）和服务器配置文件中的设置。
# 服务器：管理与 MCP（微服务通信协议）服务器的连接，列出可用工具，执行工具并带重试机制，以及清理资源。
# 工具：表示一个工具及其属性（名称、描述、输入模式），并提供格式化工具信息以供 LLM 使用的方法。
# LLMClient：管理与 LLM 的通信，使用 Azure OpenAI 或 Google Gemini 模型进行交互。
# ChatSession：协调用户、LLM 和工具之间的交互。它处理 LLM 响应、执行工具（如果需要）并管理主要的聊天会话循环。

# 客户端设置了一个系统消息，提供给 LLM 可用工具和使用工具的说明。
# 然后进入一个循环，其中它获取用户输入，将其发送到 LLM 并处理 LLM 的响应。
# 如果响应包含工具调用，则客户端执行该工具并将结果返回给 LLM。
# 这个过程会一直持续，直到用户退出聊天会话。

server.py 实现了一个 MCP 服务器，包含多种实用工具，以下是其关键工具及启动流程：

# 关键工具：
# is_file_folder_present：检查文件或文件夹是否存在。
# current_datetime：返回当前日期和时间。
# browser_ai_search：使用 AI 代理（Brave Search）在网络上搜索并返回响应。
# read_file：读取文件内容。
# write_file：将内容写入文件（包括文本和二进制模式）。
# web_page_scrapper：抓取网页内容并以 Markdown 格式返回。它还可以对内容进行索引以便于向量搜索。
# get_all_vector_indexes：检索当前目录中的所有向量嵌入索引。
# search_via_index：通过向量嵌入索引搜索查询。

# 服务器还初始化了一个异步网络爬虫 (crawl4ai) 并设置了一个嵌入模型用于内容向量化。
# 服务器的生命周期使用异步上下文管理器进行管理，以确保爬虫的正确启动和关闭。
# 服务器使用 mcp.run(transport="stdio") 启动 MCP 服务器循环，允许它接收并处理来自客户端的工具调用。

高级用法

在实际应用中，你可以根据具体需求对 client.py 和 server.py 进行扩展。例如，在 client.py 中添加更多的工具调用逻辑，或者在 server.py 中添加新的工具。以下是一个简单的示例，展示如何在 server.py 中添加一个新的工具：

# 假设我们要添加一个新的工具，用于计算两个数字的和
def add_numbers(num1, num2):
    return num1 + num2

# 在服务器中注册新工具
# 这里需要根据实际的服务器框架进行相应的注册操作
# 示例代码仅为示意
server.register_tool('add_numbers', add_numbers)

📚 详细文档

Client.py 详细说明

client.py 文件主要负责管理用户与语言模型 (LLM) 以及各种工具之间的交互，其关键组件的详细信息如下：

Server.py 详细说明

server.py 文件实现了一个 MCP 服务器，包含多种实用工具，其关键工具的详细信息如下：