Sentinel Core Agent

🚀 Sentinel Core Agent

Sentinel Core Agent 主要用於管理用戶與語言模型（LLM）以及各類工具之間的交互，同時實現了一個具備多種工具的 MCP 服務器，為用戶提供文件系統操作、網絡抓取和人工智能搜索等功能。

🚀 快速開始

項目概述

本項目包含 client.py 和 server.py 兩個核心文件，下面為你詳細介紹它們的功能。

💻 使用示例

基礎用法

client.py 主要負責管理用戶與語言模型 (LLM) 以及各種工具之間的交互，以下是其關鍵組件及工作流程：

# 配置：加載環境變量（包括 LLM API 密鑰）和服務器配置文件中的設置。
# 服務器：管理與 MCP（微服務通信協議）服務器的連接，列出可用工具，執行工具並帶重試機制，以及清理資源。
# 工具：表示一個工具及其屬性（名稱、描述、輸入模式），並提供格式化工具信息以供 LLM 使用的方法。
# LLMClient：管理與 LLM 的通信，使用 Azure OpenAI 或 Google Gemini 模型進行交互。
# ChatSession：協調用戶、LLM 和工具之間的交互。它處理 LLM 響應、執行工具（如果需要）並管理主要的聊天會話循環。

# 客戶端設置了一個系統消息，提供給 LLM 可用工具和使用工具的說明。
# 然後進入一個循環，其中它獲取用戶輸入，將其發送到 LLM 並處理 LLM 的響應。
# 如果響應包含工具調用，則客戶端執行該工具並將結果返回給 LLM。
# 這個過程會一直持續，直到用戶退出聊天會話。

server.py 實現了一個 MCP 服務器，包含多種實用工具，以下是其關鍵工具及啟動流程：

# 關鍵工具：
# is_file_folder_present：檢查文件或文件夾是否存在。
# current_datetime：返回當前日期和時間。
# browser_ai_search：使用 AI 代理（Brave Search）在網絡上搜索並返回響應。
# read_file：讀取文件內容。
# write_file：將內容寫入文件（包括文本和二進制模式）。
# web_page_scrapper：抓取網頁內容並以 Markdown 格式返回。它還可以對內容進行索引以便於向量搜索。
# get_all_vector_indexes：檢索當前目錄中的所有向量嵌入索引。
# search_via_index：通過向量嵌入索引搜索查詢。

# 服務器還初始化了一個異步網絡爬蟲 (crawl4ai) 並設置了一個嵌入模型用於內容向量化。
# 服務器的生命週期使用異步上下文管理器進行管理，以確保爬蟲的正確啟動和關閉。
# 服務器使用 mcp.run(transport="stdio") 啟動 MCP 服務器循環，允許它接收並處理來自客戶端的工具調用。

高級用法

在實際應用中，你可以根據具體需求對 client.py 和 server.py 進行擴展。例如，在 client.py 中添加更多的工具調用邏輯，或者在 server.py 中添加新的工具。以下是一個簡單的示例，展示如何在 server.py 中添加一個新的工具：

# 假設我們要添加一個新的工具，用於計算兩個數字的和
def add_numbers(num1, num2):
    return num1 + num2

# 在服務器中註冊新工具
# 這裡需要根據實際的服務器框架進行相應的註冊操作
# 示例代碼僅為示意
server.register_tool('add_numbers', add_numbers)

📚 詳細文檔

Client.py 詳細說明

client.py 文件主要負責管理用戶與語言模型 (LLM) 以及各種工具之間的交互，其關鍵組件的詳細信息如下：

Server.py 詳細說明

server.py 文件實現了一個 MCP 服務器，包含多種實用工具，其關鍵工具的詳細信息如下：