项目简介

Sentinel Core Agent 包含一个 MCP 服务器和一个 MCP 客户端。服务器实现了多种工具（Tools），客户端则作为一个 LLM 应用前端，通过 MCP 协议调用服务器提供的工具，增强 LLM 的功能。这个项目展示了如何构建一个功能丰富的 LLM Agent 后端。

主要功能点

该 MCP 服务器通过提供的工具，使连接的 LLM 客户端能够执行以下任务：

文件/文件夹检查: 检查文件或文件夹是否存在于文件系统中。
获取当前时间: 获取服务器的当前日期和时间。
网络搜索/研究: 利用外部服务（如 Brave Search）进行网页搜索和深度信息研究。
文件读写: 读取文件内容或向文件写入内容（支持文本和二进制）。
网页抓取: 抓取指定网页的 Markdown 内容。
向量索引管理与搜索: 获取当前已有的向量嵌入索引列表，并对特定索引进行基于向量的搜索。

安装步骤

克隆项目仓库：

git clone https://github.com/bhuvanmdev/Sentinel-Core-Agent.git
cd Sentinel-Core-Agent

安装 Python 依赖：

pip install -r requirements.txt
# 或者手动安装依赖：fastmcp, crawl4ai, langchain, langchain-openai, langchain-google-genai, python-dotenv, httpx, googlesearch-python, chromadb

设置环境变量：创建 '.env' 文件在项目根目录，并添加你的 LLM API 密钥，例如：

GPT="你的Gemini或OpenAI API Key"
GKEY="如果使用Google Gemini，也可以在这里设置"
OPENAI_API_VERSION="如果使用Azure OpenAI，设置API版本"

服务器配置

MCP 客户端需要一个配置文件来知道如何启动和连接到 MCP 服务器。本项目附带的客户端 ('client.py') 读取 'servers_config.json' 文件。你需要根据实际环境配置该文件，示例如下：

{
  "mcpServers": {
    "PythonToolsServer": {
      "command": "python", 
      "args": ["path/to/your/Sentinel-Core-Agent/server.py"], 
      "env": {}
    }
  }
}

'"PythonToolsServer"': 服务器的自定义名称。
'"command"': 启动服务器进程的命令，例如 '"python"'。
'"args"': 传递给命令的参数列表，通常是服务器脚本的路径。请将 '"path/to/your/Sentinel-Core-Agent/server.py"' 替换为你本地 'server.py' 文件的实际路径。
'"env"': (可选) 为服务器进程设置额外的环境变量。

基本使用方法

确保服务器配置文件 'servers_config.json' 正确指向 'server.py' 脚本。
在终端中运行客户端脚本：
```
python client.py
```
客户端将启动配置的 MCP 服务器，并连接到 LLM。
在客户端的命令行界面中输入你的请求，LLM 会根据你的请求和服务器提供的工具来生成回复并执行相应的操作。

关键词

信息