Sentinel Core Agent 概要

本文件提供了此仓库中 client.py 和 server.py 文件的摘要。

Client.py

client.py 文件管理用户与语言模型 (LLM) 以及各种工具之间的交互。它初始化并协调聊天会话，其中 LLM 可以使用工具来回答用户的问题。客户端处理服务器连接、工具执行（带重试机制）以及与 LLM 提供商的通信。

关键组件：

• 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

server.py 文件实现了一个 MCP 服务器，其中包含各种工具，包括文件系统操作、网络抓取和人工智能搜索功能。它使用 fastmcp 库来创建并运行该服务器。

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。