🚀 Sentinel Core Agent
本项目的 Sentinel Core Agent 主要提供了 client.py 和 server.py 两个核心文件，用于管理用户与语言模型 (LLM) 的交互以及实现 MCP 服务器的各项功能，帮助用户借助语言模型和各类工具高效处理问题。
🚀 快速开始
本部分提供了此仓库中 client.py 和 server.py 文件的摘要，帮助你快速了解其功能和使用方式。
✨ 主要特性
Client.py
- 管理用户与语言模型 (LLM) 以及各种工具之间的交互。
- 初始化并协调聊天会话，LLM 可使用工具回答用户问题。
- 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。
Server.py
- 实现一个 MCP 服务器，包含文件系统操作、网络抓取和人工智能搜索等多种工具。
- 使用
fastmcp库创建并运行服务器。 - 初始化异步网络爬虫 (
crawl4ai) 并设置嵌入模型用于内容向量化。
📚 详细文档
Client.py
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。它会初始化并协调聊天会话，在这个过程中，LLM 可以使用工具来回答用户的问题。客户端会处理服务器连接、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。
工作流程
客户端会设置一个系统消息，向 LLM 提供可用工具和使用工具的说明。然后进入一个循环，在循环中获取用户输入，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。
服务器管理
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。