MCP 服务器

Task Manager MCP Server

一个模型上下文协议服务器，提供全面的任务管理功能，支持项目组织、任务跟踪以及将PRD（产品需求文档）自动解析为可执行条目。

README

任务管理器 MCP 服务器

这是一个用于管理任务和项目的模型上下文协议 (MCP) 服务器的模板实现。该服务器提供了一个全面的任务管理系统，支持项目组织、任务跟踪和 PRD 解析。

概述

本项目演示了如何构建一个 MCP 服务器，使 AI 代理能够管理任务、跟踪项目进度并将产品需求文档 (PRD) 分解为可执行的任务。它可以作为创建具有任务管理功能的自定义 MCP 服务器的实用模板。

该实现遵循 Anthropic 提出的构建 MCP 服务器的最佳实践，从而可以与任何 MCP 兼容的客户端无缝集成。

功能

该服务器提供几个基本的任务管理工具：

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，包括描述和子任务
- update_task_status: 更新任务和子任务的状态
- get_next_task: 从项目中获取下一个未完成的任务
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、更易于管理的子任务
- estimate_task_complexity: 评估任务复杂性和时间要求
- get_task_dependencies: 跟踪任务依赖关系
开发支持
- generate_task_file: 根据任务描述生成文件模板
- suggest_next_actions: 获取 AI 驱动的下一步操作建议

前提条件

Python 3.12+
所选 LLM 提供商（OpenAI、OpenRouter 或 Ollama）的 API 密钥
如果将 MCP 服务器作为容器运行，则需要 Docker（推荐）

安装

使用 uv

如果您还没有安装 uv，请安装它：
```
pip install uv
```

克隆此存储库：

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

安装依赖项：
```
uv pip install -e .
```
基于 .env.example 创建一个 .env 文件：
```
cp .env.example .env
```
在 .env 文件中配置您的环境变量（请参阅配置部分）

使用 Docker (推荐)

构建 Docker 镜像：

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

基于 .env.example 创建一个 .env 文件并配置您的环境变量

配置

以下环境变量可以在您的 .env 文件中配置：

变量	描述	示例
`TRANSPORT`	传输协议 (sse 或 stdio)	`sse`
`HOST`	使用 SSE 传输时要绑定的主机	`0.0.0.0`
`PORT`	使用 SSE 传输时要监听的端口	`8050`
`LLM_PROVIDER`	LLM 提供商 (openai, openrouter, 或 ollama)	`openai`
`LLM_BASE_URL`	LLM API 的基本 URL	`https://api.openai.com/v1`
`LLM_API_KEY`	LLM 提供商的 API 密钥	`sk-...`
`LLM_CHOICE`	用于任务分析的 LLM 模型	`gpt-4`

运行服务器

使用 Python 3

# 在 .env 中设置 TRANSPORT=sse 然后：
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

为您的项目创建一个任务文件：

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

向您的项目添加任务：

await mcp.add_task(
    project_name="my-project",
    title="Setup Development Environment",
    description="Configure the development environment with required tools",
    subtasks=[
        "Install dependencies",
        "Configure linters",
        "Set up testing framework"
    ]
)

解析 PRD 以自动创建任务：

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

管理任务

更新任务状态：

await mcp.update_task_status(
    project_name="my-project",
    task_title="Setup Development Environment",
    subtask_title="Install dependencies",
    status="done"
)

获取下一个要处理的任务：

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

将任务扩展为子任务：

await mcp.expand_task(
    project_name="my-project",
    task_title="Implement Authentication"
)

开发工作流程

为任务生成文件模板：

await mcp.generate_task_file(
    project_name="my-project",
    task_title="User Authentication"
)

获取任务复杂性估计：

complexity = await mcp.estimate_task_complexity(
    project_name="my-project",
    task_title="User Authentication"
)

获取下一步操作的建议：

suggestions = await mcp.suggest_next_actions(
    project_name="my-project",
    task_title="User Authentication"
)

与 MCP 客户端集成

SSE 配置

要使用 SSE 传输连接到服务器，请使用以下配置：

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

Stdio 配置

对于 stdio 传输，请使用以下配置：

{
  "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"
      }
    }
  }
}