Task Manager MCP Server

MCP（模型上下文协议）服务器的一个模板实现，用于管理和跟踪任务及项目。此服务器提供了一个全面的任务管理系统，支持项目组织、任务跟踪以及PRD解析。

概述

该项目展示了如何构建一个MCP服务器，使AI代理能够管理任务、跟踪项目进度并自动将产品需求文档（PRD）分解为可执行任务。它作为创建具有任务管理功能的自定义MCP服务器的实际模板。

该实现遵循Anthropic为构建MCP服务器制定的最佳实践，允许与任何兼容MCP的客户端无缝集成。

功能

服务器提供了几个基本的任务管理工具：

1. 任务管理

   • create_task_file：创建新的项目任务文件
   • add_task：向项目添加任务及其描述和子任务
   • update_task_status：更新任务及其子任务的状态
   • get_next_task：获取项目中的下一个未完成任务

2. 项目规划

   • parse_prd：自动将PRD转换为结构化任务
   • expand_task：将任务分解为更小的可管理子任务
   • estimate_task_complexity：估算任务复杂度和所需时间
   • get_task_dependencies：追踪任务依赖关系

3. 开发支持

   • generate_task_file：根据任务描述生成文件模板
   • suggest_next_actions：获取基于AI的下一步建议

预备条件

• Python 3.12+
• 选择的LLM提供商（如OpenAI、OpenRouter或Ollama）的API密钥
• 如果以容器形式运行MCP服务器，则需要Docker（推荐）

安装

使用uv

1. 如果没有安装uv，请先安装：

   pip install uv
   

2. 克隆此仓库：

   git clone https://github.com/coleam00/mcp-mem0.git
   cd mcp-mem0
   

3. 安装依赖项：

   uv pip install -e .
   

4. 根据.env.example创建.env文件：

   cp .env.example .env
   

5. 在.env文件中配置环境变量（参见配置部分）

使用Docker（推荐）

1. 构建Docker镜像：

   docker build -t mcp/mem0 --build-arg PORT=8050 .
   

2. 根据.env.example创建.env文件，并配置环境变量

配置

您可以在.env文件中配置以下环境变量：

变量	描述	示例
TRANSPORT	传输协议（sse或stdio）	sse
HOST	使用SSE传输时绑定的主机	0.0.0.0
PORT	使用SSE传输时监听的端口	8050

运行服务器

使用Python 3

# 在.env中设置TRANSPORT=sse后：
python3 src/main.py

服务器将在配置的主机和端口上启动（默认：http://0.0.0.0:8050）。

使用Docker

docker build -t task-manager-mcp .
docker run --env-file .env -p 8050:8050 task-manager-mcp

使用任务管理器

创建新项目

1. 为您的项目创建任务文件：

await mcp.create_task_file(project_name="my-project")

2. 向项目添加任务：

await mcp.add_task(
    project_name="my-project",
    title="Setup Development Environment",
    description="配置所需的开发环境工具",
    subtasks=[
        "安装依赖项",
        "配置代码检查工具",
        "设置测试框架"
    ]
)

3. 解析PRD以自动创建任务：

await mcp.parse_prd(
    project_name="my-project",
    prd_content="# 您的PRD内容..."
)

管理任务

1. 更新任务状态：

await mcp.update_task_status(
    project_name="my-project",
    task_title="Setup Development Environment",
    subtask_title="安装依赖项",
    status="done"
)

2. 获取下一个要处理的任务：

next_task = await mcp.get_next_task(project_name="my-project")

3. 将任务扩展为子任务：

await mcp.expand_task(
    project_name="my-project",
    task_title="实现认证"
)

开发工作流

1. 为任务生成文件模板：

await mcp.generate_task_file(
    project_name="my-project",
    task_title="用户认证"
)

2. 获取任务复杂度估计：

complexity = await mcp.estimate_task_complexity(
    project_name="my-project",
    task_title="用户认证"
)

3. 获取下一步操作建议：

suggestions = await mcp.suggest_next_actions(
    project_name="my-project",
    task_title="用户认证"
)

与MCP客户端集成

SSE配置

使用SSE传输连接到服务器时，使用以下配置：

{
  "mcpServers": {
    "task-manager": {
      "transport": "sse",
      "url": "http://localhost:8050/sse"
    }
  }
}

Stdio配置

对于stdio传输，使用以下配置：

{
  "mcpServers": {
    "task-manager": {
      "command": "python3",
      "args": ["src/main.py"],
      "env": {
        "TRANSPORT": "stdio",
        "LLM_PROVIDER": "openai",
        "LLM_API_KEY": "YOUR-API-KEY",
        "LLM_CHOICE": "gpt-4"
      }
    }
  }
}

构建自己的服务器

此模板为构建更复杂的任务管理MCP服务器提供了基础。要扩展它：

1. 使用@mcp.tool()装饰器添加新的任务管理工具
2. 实现自定义的任务分析和自动化功能
3. 添加特定项目的任务模板和工作流程
4. 与现有的开发工具和流程集成