此部分完全由 SentinelCore 代理及其工具通过 gemini 2.0 flash 编写。

Sentinel Core 代理总结

本文档提供了来自此存储库的 client.py 和 server.py 文件的摘要。

Client.py

client.py 文件管理用户、LLM（语言模型）和各种工具之间的交互。 它初始化并协调一个聊天会话，其中 LLM 可以使用工具来回答用户查询。 客户端处理服务器连接、带有重试机制的工具执行以及与 LLM 提供商的通信。

主要组成部分：

• 配置： 从 JSON 文件加载环境变量（包括 LLM API 密钥）和服务器配置。
• 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，使用重试机制执行工具，并清理资源。
• 工具： 表示具有其属性（名称、描述、输入模式）的工具，并提供一种为 LLM 格式化工具信息的方法。
• LLMClient： 管理与 LLM 的通信，使用 Azure OpenAI 或 Google Gemini 模型。
• ChatSession： 协调用户、LLM 和工具之间的交互。 它处理 LLM 响应，在需要时执行工具，并处理主要的聊天会话循环。

客户端为 LLM 设置一个系统消息，为其提供可用工具以及如何使用它们的说明。 然后，它进入一个循环，在该循环中，它接收用户输入，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发送回 LLM。 此过程一直持续到用户退出聊天会话。

Server.py

server.py 文件实现了一个具有各种工具的 MCP 服务器，包括文件系统操作、Web 抓取和 AI 驱动的搜索。 它使用 fastmcp 库来创建和运行服务器。

主要工具：

• is_file_folder_present： 检查文件或文件夹是否存在于文件系统中。
• cur_datetimetime： 返回当前日期和时间。
• browser_ai_search： 使用 AI 代理（Brave Search）搜索 Web 并返回响应。
• read_file： 读取文件的内容。
• write_file： 将内容写入文件（文本和二进制）。
• web_page_scrapper： 抓取网页并以 Markdown 格式返回内容。 它还可以索引内容以进行基于向量的搜索。
• 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。

服务器还初始化一个异步 Web 爬虫 (crawl4ai) 并设置一个用于向量化内容的嵌入模型。 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，允许它接收和处理来自客户端的工具调用。