任务管理器-mcp

Name: 任务管理器-mcp
Author: jhawkins11

作者：jhawkins1121 星标更新：2025-05-21

安装使用来源：spider==github.com

项目介绍

Task Manager MCP Server

这是一个与AI代码编辑器如Cursor集成的MCP服务器。其主要目标是最大化Cursor的代理能力以及Gemini 2.5的强大架构能力，同时绕过Cursor极其有限的上下文窗口限制。这在很大程度上受到了Roo Code的Boomerang模式的启发，但发现它非常昂贵，因为唯一能与其应用机器人一起工作的模型是Claude 3.7 Sonnet。通过这个服务器，你可以获得两全其美的效果：无限的上下文窗口和无限的使用权限，只需支付Cursor每月20美元的订阅费用。

此外，它还包括一个Svelte用户界面，允许你查看任务列表和进度，手动调整计划，并审查更改。

Svelte用户界面

任务列表

核心功能

复杂功能规划： 提供一个功能描述，它会使用带有项目上下文的LLM（通过repomix）生成一个逐步编码计划，供AI代理遵循，并对高难度任务进行递归任务分解。
集成用户界面服务器： 运行一个Express服务器来提供静态前端文件，并为用户界面提供基本的API端点。在规划完成后或需要澄清时，在默认浏览器中打开用户界面并显示任务列表和进度。
无限上下文窗口： 使用Gemini 2.5的1百万令牌上下文窗口，并在需要时使用repomix的截断。
对话历史记录： 对每个功能的对话历史记录进行跟踪，存储在.mcp/features/目录下的单独JSON文件中，以便当用户请求调整计划时，Gemini 2.5可以拥有上下文。
澄清工作流程： 处理LLM需要更多信息的情况，暂停规划并通过WebSockets与连接的用户界面交互。
任务CRUD： 允许通过用户界面创建、读取、更新和删除任务。
代码审查： 分析git diff HEAD输出，使用LLM创建新的任务（如果需要）。
自动审查（可选）： 如果配置了（AUTO_REVIEW_ON_COMPLETION=true），在功能的最后一个原始任务完成后自动运行代码审查过程。
计划调整： 创建后通过adjust_plan工具调整计划。

安装

预备条件：

Node.js
npm
Git

安装及构建：

克隆：

git clone https://github.com/jhawkins11/task-manager-mcp.git
cd task-manager-mcp

安装后端依赖：
```
npm install
```
配置： 后续将在Cursor的MCP设置中直接配置API密钥（参见使用部分），但你可能仍然希望有一个本地的.env文件用于手动测试（参见配置部分）。
构建： 此命令构建后端和前端服务器，并将Svelte用户界面复制到dist/frontend-ui/目录。
```
npm run build
```

手动运行服务器：

对于不使用Cursor的本地测试，你可以直接使用Node或npm脚本运行服务器。此方法将使用.env文件进行配置。

直接使用Node（使用绝对路径）：

node /full/path/to/your/task-manager-mcp/dist/server.js

使用npm start：

npm start

这将启动MCP服务器（标准I/O）、WebSocket服务器和用户界面的HTTP服务器。用户界面应可通过http://localhost:<UI_PORT>（默认3000）访问。

配置（手动运行的.env文件）：

如果手动运行（非通过Cursor），则需在项目根目录创建一个.env文件以配置API密钥和端口。注意：当通过Cursor运行时，这些应在Cursor的mcp.json配置中设置（参见使用部分）。

# .env - 仅用于手动`npm start`或`node dist/server.js`
# === OpenRouter（推荐）===

# 获取密钥：https://openrouter.ai/keys
OPENROUTER_API_KEY=sk-or-v1-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
OPENROUTER_MODEL=google/gemini-2.5-flash-preview:thinking
FALLBACK_OPENROUTER_MODEL=google/gemini-2.5-flash-preview:thinking

# === Google AI API（替代方案）===
# GEMINI_API_KEY=your_google_ai_api_key
# GEMINI_MODEL=gemini-1.5-flash-latest
# FALLBACK_GEMINI_MODEL=gemini-1.5-flash-latest

# === 用户界面/WebSocket端口 ===
# 默认值为4999，若未设置。
UI_PORT=4999
WS_PORT=4999

# === 自动审查 ===
# 如果为true，则代理将在最后一个任务完成后自动运行'review_changes'工具。
# 默认为false。
AUTO_REVIEW_ON_COMPLETION=false

避免成本

重要提示： 建议将您自己的Google AI API密钥集成到OpenRouter中，以避免免费模型的速率限制。详情如下。

使用OpenRouter的免费层级： 通过使用标记为“免费”的模型（如撰写本文时的google/gemini-2.5-flash-preview:thinking），同时连接您的Google AI API密钥，您可以显著减少甚至消除成本。更多详情请参阅此Reddit帖子：https://www.reddit.com/r/ChatGPTCoding/comments/1jrp1tj/a_simple_guide_to_setting_up_gemini_25_pro_free/

备用成本： 如果主模型达到速率限制，服务器将自动重试使用备用模型。默认的备用模型（FALLBACK_OPENROUTER_MODEL）通常是更快/更便宜的模型，如Gemini Flash，这可能会根据OpenRouter当前的价格/层级而产生相关成本。请检查他们的网站并在配置中调整备用模型，如有必要。

使用Cursor（任务管理器模式）

这是该服务器的主要使用方式。尚未测试与其他AI代码编辑器的兼容性。如果您尝试了，请告知我结果，我会更新README。

1. 在Cursor中配置MCP服务器：

构建服务器后（npm run build），你需要告诉Cursor如何运行它。

找到Cursor的MCP配置文件。这可能是：

项目特定的： 在项目的根目录下创建或编辑.cursor/mcp.json文件。
全局的： 在用户的主目录下创建或编辑~/.cursor/mcp.json文件（适用于所有项目）。

向该JSON文件中的mcpServers对象添加以下条目：

{
  "mcpServers": {
    "task-manager-mcp": {
      "command": "node",
      "args": ["/full/path/to/your/task-manager-mcp/dist/server.js"],
      "env": {
        "OPENROUTER_API_KEY": "sk-or-v1-xxxxxxxxxxxxxxxxxxxx"
        //   可选：我推荐的MCP模型是Gemini 2.5 Pro Free，这已经是默认设置
        //   "OPENROUTER_MODEL": "google/gemini-2.5-flash-preview:thinking",
        //   也是可选的
        //   "FALLBACK_OPENROUTER_MODEL": "google/gemini-2.5-flash-preview:thinking",
        //   可选：如果没有设置，默认的UI端口是4999
        //   "UI_PORT": "4999",
        //   可选：如果没有设置，默认的WebSocket服务器端口是4999
        //   "WS_PORT": "4999"
        // 如果直接使用Google，请在此处添加GEMINI_API_KEY
        // 在此处添加任何其他必要的环境变量
      }
    }
    // 如果有其他MCP服务器，请在此处添加
  }
}

重要提示：

将/full/path/to/your/task-manager-mcp/dist/server.js替换为您机器上编译后的服务器脚本的绝对路径。
将sk-or-v1-xxxxxxxxxxxxxxxxxxxx替换为您的实际OpenRouter API密钥（或直接使用Google AI时设置GEMINI_API_KEY）。
这些环境变量定义将被传递给Cursor启动服务器时的过程，覆盖任何.env文件。

2. 创建自定义Cursor模式：

转到Cursor设置 -> 功能 -> 聊天 -> 启用自定义模式。
返回聊天视图，点击模式选择器（左下角），然后点击添加自定义模式。
给它起个名字（例如，“MCP规划者”，“任务开发者”），选择图标/快捷键。
启用工具：确保此服务器暴露的工具（plan_feature，mark_task_complete，get_next_task，review_changes，adjust_plan）可用且已为此模式启用。您可能还需要根据工作流启用其他工具，如代码库、终端等。
推荐的代理指令：将以下规则精确地粘贴到“自定义指令”文本框中：

始终在执行任何其他操作之前使用plan_feature mcp工具获取功能请求。永远！它将返回实现的第一步。不要实施超出任务描述的内容。完成之后运行mark_task_complete，这将给出下一个任务。如果用户说“审查”，使用review_changes工具。review_changes工具将生成新的任务供您遵循，就像plan_feature一样。审查后，遵循相同的逐项任务完成工作流程：完成每个审查生成的任务，标记其完成，并调用get_next_task直到全部完成。

如果在任何步骤需要澄清，您将不会收到下一个任务，并且必须在用户通过UI回答澄清问题后手动运行get_next_task。

重要提示：您的工作是逐项完成任务。不要做任何其他更改，只做当前任务所说的。

保存自定义模式。

预期的工作流程（使用自定义模式）：

在Cursor中选择您的新自定义模式。
给Cursor一个功能请求（例如，“使用JWT添加认证”）。
Cursor按照指示调用plan_feature工具。
服务器规划，保存数据，并返回一个JSON响应（在文本内容内）给Cursor。
- 如果成功：响应包括status: "completed"和第一个任务的描述在message字段中。用户界面（如果正在运行）会被启动/更新。
- 如果需要澄清：响应包括status: "awaiting_clarification"，featureId，uiUrl，以及指示代理等待并稍后调用get_next_task的说明。用户界面会被启动/更新以显示问题。
Cursor仅实施所描述的任务（如果提供了）。
如果需要澄清，用户在UI中回答，服务器恢复规划并通过WebSocket更新用户界面。代理按照指示使用featureId调用get_next_task。
如果任务已完成，Cursor调用mark_task_complete（带taskId和featureId）。
服务器标记任务完成，并在响应消息中返回下一个待处理任务。
Cursor重复步骤4-8。
如果用户要求Cursor“审查”，它将调用review_changes。

API端点（用于用户界面）

集成的Express服务器为前端提供这些基本端点：

GET /api/features：返回现有功能ID列表。
GET /api/tasks/:featureId：返回特定功能的任务列表。
GET /api/tasks：返回最近创建/修改的功能的任务。
GET /api/features/:featureId/pending-question：检查功能是否有待澄清的问题。
POST /api/tasks：为功能创建一个新的任务。
PUT /api/tasks/:taskId：更新现有的任务。
DELETE /api/tasks/:taskId：删除任务。
（静态文件）：从dist/frontend-ui/提供文件（例如，index.html）。