This section was written completely by using the SentinelCore agent and its tools(prompt->get the details from internet->write it to a file) via gemini 2.0 flash.

本节完全使用 SentinelCore Agent 及其工具（提示词 -> 从互联网获取详细信息 -> 写入文件），通过 gemini 2.0 flash 编写。

USER-PROMPT:-Now first search for a github account named bhuvanmdev and scrape his fontpage and search for a repo that has something to do with MCP application. Then go to that repository and and scrape the client.py and server.py file contents and create a neat summary of it and write it to readme.md file in the current dir.

Sentinel Core Agent 摘要

本文档概述了此仓库中的 client.py 和 server.py 文件。

Client.py

client.py 文件负责管理用户、大模型（语言模型）和各种工具之间的交互。它会初始化并协调聊天会话，使大模型能够使用工具回答用户的查询。客户端负责处理服务连接、带重试机制的工具执行，以及与大模型提供商的通信。

主要组件：

• 配置： 从 JSON 文件加载环境变量（包括大模型 API 密钥）和服务配置。
• 服务： 管理与 MCP（微服务通信协议）服务的连接、列出可用工具、通过重试机制执行工具，并清理资源。
• 工具： 表示一个工具及其属性（名称、描述、输入架构），并提供一种将工具信息格式化以供大模型使用的方法。
• LLMClient： 管理与大模型的通信，可使用 Azure OpenAI 或 Google Gemini 模型。
• ChatSession： 协调用户、大模型和工具之间的交互。它会处理大模型的响应，在需要时执行工具，并管理主聊天会话循环。

客户端会为大模型设置一条系统消息，向其提供可用工具以及如何使用这些工具的说明。然后进入循环，接收用户输入、将其发送给大模型，并处理大模型的响应。如果响应包含工具调用，客户端就会执行该工具，并将结果发回大模型。此过程会持续进行，直到用户退出聊天会话。

Server.py

server.py 文件实现了一个包含多种工具的 MCP 服务，其中包括文件系统操作、网页抓取和 AI 驱动的搜索。它使用 fastmcp 库创建并运行服务。

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 Agent（Brave Search）搜索网络并返回响应。
• read_file： 读取文件内容。
• write_file： 将内容写入文件（包括文本和二进制内容）。
• web_page_scrapper： 抓取网页并以 Markdown 格式返回内容。它还可以为内容建立索引，以便进行基于向量的搜索。
• get_all_vector_indexes： 获取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。

服务还会初始化异步网络爬虫（crawl4ai），并设置用于将内容向量化的嵌入模型。服务的生命周期通过异步上下文管理器进行管理，以确保爬虫正确启动和关闭。

服务通过 mcp.run(transport="stdio") 启动 MCP 服务循环，以便接收并处理来自客户端的工具调用。