Task Manager MCP Server

Диспетчер задач MCP-сервера

Это сервер MCP, созданный для интеграции с редакторами кода AI, такими как Cursor. Основная цель здесь — максимизировать агентские возможности Cursor и превосходные архитектурные возможности Gemini 2.5, обходя при этом крайне ограниченное контекстное окно Cursor. Это было во многом вдохновлено режимом Boomerang из Roo Code, но я нашел его чрезвычайно дорогим, поскольку единственная модель, которая работает с его ботом-применителем, — это Claude 3.7 Sonnet. С этим сервером вы получаете лучшее из обоих миров: неограниченное контекстное окно и неограниченное использование по цене подписки Cursor в размере 20 долларов в месяц.

Кроме того, он включает в себя пользовательский интерфейс Svelte, который позволяет просматривать список задач и ход их выполнения, вручную корректировать план и просматривать изменения.

Изящный пользовательский интерфейс

Основные характеристики

• Планирование сложных функций: дайте ему описание функции, и он использует LLM с контекстом проекта через repomix для создания пошагового плана кодирования, которому будет следовать агент ИИ с рекурсивной разбивкой задач для задач с высокой трудоемкостью.
• Интегрированный сервер пользовательского интерфейса: запускает сервер Express для обслуживания статических файлов интерфейса и предоставляет базовые конечные точки API для пользовательского интерфейса. Открывает пользовательский интерфейс в браузере по умолчанию после завершения планирования или когда требуются разъяснения и отображает список задач и прогресс.
• Неограниченное контекстное окно: использует контекстное окно Gemini 2.5 на 1 миллион токенов с усечением repomix при необходимости.
• История разговоров: отслеживает историю разговоров по каждой функции в отдельном файле JSON в .mcp/features/ для каждой функции, что позволяет Gemini 2.5 иметь контекст, когда пользователь запрашивает корректировки плана.
• Рабочий процесс уточнения: обрабатывает случаи, когда LLM требуется дополнительная информация, приостанавливая планирование и взаимодействуя с подключенным пользовательским интерфейсом через WebSockets.
• Task CRUD: позволяет создавать, читать, обновлять и удалять задачи через пользовательский интерфейс.
• Обзор кода: анализирует вывод git diff HEAD с помощью LLM и при необходимости создает новые задачи.
• Автоматический обзор (необязательно): если настроено ( AUTO_REVIEW_ON_COMPLETION=true ), автоматически запускает процесс обзора кода после завершения последней исходной задачи для функции.
• Корректировка плана: позволяет корректировать план после его создания с помощью инструмента adjust_plan .

Настраивать

Предварительные условия:

• Node.js
• нпм
• Гит

Установка и сборка:

1. Клон:
   git clone https://github.com/jhawkins11/task-manager-mcp.git cd task-manager-mcp
2. Установка внутренних компонентов:
   npm install
3. Настройка: позже вы настроите ключи API непосредственно в настройках MCP Cursor (см. раздел «Использование»), но вам все равно может понадобиться локальный файл .env для ручного тестирования (см. раздел «Конфигурация»).
4. Сборка: эта команда создает внутренние и внешние серверы и копирует пользовательский интерфейс Svelte в каталог dist/frontend-ui/ .
   npm run build

Запуск сервера (вручную):

Для локального тестирования без Cursor вы можете запустить сервер с помощью Node напрямую или скрипта npm. Этот метод будет использовать файл .env для конфигурации.

Использование Node напрямую (используйте абсолютный путь):

Используя npm start:

Это запустит сервер MCP (stdio), сервер WebSocket и сервер HTTP для UI. UI должен быть доступен по адресу http://localhost:\ <UI_PORT> (по умолчанию 3000).

Конфигурация (файл .env для ручного запуска):

При запуске вручную (не через Cursor) создайте файл .env в корне проекта для ключей API и портов. Примечание: при запуске через Cursor их следует задать в конфигурации mcp.json Cursor (см. раздел Использование).

Избегание затрат

ВАЖНО: Настоятельно рекомендуется интегрировать собственный ключ API Google AI в OpenRouter, чтобы избежать ограничений скорости бесплатных моделей. См. ниже.

Использование бесплатных уровней OpenRouter: вы можете значительно минимизировать или устранить затраты, используя модели, помеченные как «Бесплатные» на OpenRouter (например, google/gemini-2.5-flash-preview на момент написания статьи), при подключении собственного ключа Google AI API. Ознакомьтесь с этой веткой reddit для получения дополнительной информации: https://www.reddit.com/r/ChatGPTCoding/comments/1jrp1tj/a\_simple\_guide\_to\_setting\_up\_gemini\_25\_pro\_free/

Стоимость отката: сервер автоматически повторяет попытку с моделью отката, если первичный достигает предела скорости. Модель отката по умолчанию (FALLBACK_OPENROUTER_MODEL) часто является более быстрой/дешевой моделью, например Gemini Flash, которая может по-прежнему иметь сопутствующие расходы в зависимости от текущих цен/уровней OpenRouter. Проверьте их сайт и при необходимости настройте модель отката в своей конфигурации.

Использование с курсором (режим диспетчера задач)

Это основной способ использования этого сервера. Я пока не тестировал его с другими редакторами кода AI. Если вы попробуете, пожалуйста, дайте мне знать, как все прошло, и я обновлю README.

1. Настройте MCP-сервер в Cursor:

После сборки сервера ( npm run build ) необходимо указать Cursor, как его запустить.

Найдите файл конфигурации MCP Курсора. Это может быть:

• Для конкретного проекта: создайте/отредактируйте файл .cursor/mcp.json в корневом каталоге вашего проекта.
• Глобально: создайте/отредактируйте файл ~/.cursor/mcp.json в домашнем каталоге пользователя (для использования во всех проектах).

Добавьте следующую запись в объект mcpServers в этом JSON-файле:

ВАЖНЫЙ:

• Замените /full/path/to/your/task-manager-mcp/dist/server.js на абсолютный путь к скомпилированному серверному скрипту на вашем компьютере.
• Замените sk-or-v1-xxxxxxxxxxxxxxxxxxxx вашим фактическим ключом API OpenRouter (или установите GEMINI_API_KEY, если используете Google AI напрямую).
• Эти переменные env, определенные здесь, будут переданы серверному процессу, когда Cursor запустит его, переопределив любой файл .env .

2. Создайте пользовательский режим курсора:

1. Перейдите в Настройки курсора -> Функции -> Чат -> Включить пользовательские режимы.
2. Вернитесь к просмотру чата, щелкните селектор режимов (внизу слева) и щелкните Добавить пользовательский режим.
3. Дайте ему имя (например, «MCP Planner», «Task Dev»), выберите значок/ярлык.
4. Включить инструменты: Убедитесь, что инструменты, предоставляемые этим сервером ( plan_feature , mark_task_complete , get_next_task , review_changes , adjust_plan ), доступны и включены для этого режима. Возможно, вы захотите включить другие инструменты, такие как Codebase, Terminal и т. д., в зависимости от вашего рабочего процесса.
5. Рекомендуемые инструкции для агента: Вставьте эти правила в текстовое поле «Пользовательские инструкции»:

6. Сохраните пользовательский режим.

Ожидаемый рабочий процесс (при использовании пользовательского режима):

1. Выберите новый пользовательский режим в курсоре.
2. Отправьте курсору запрос на функцию (например, «добавить аутентификацию с использованием JWT»).
3. Курсор, следуя инструкциям, вызовет инструмент plan_feature .
4. Сервер планирует, сохраняет данные и возвращает ответ JSON (внутри текстового содержимого) курсору.
   • В случае успеха: Ответ включает status: "completed" и описание первой задачи в поле message . Пользовательский интерфейс (если запущен) запускается/обновляется.
   • Если требуется уточнение: ответ включает status: "awaiting_clarification" , featureId , uiUrl и инструкции для агента подождать и вызвать get_next_task позже. Пользовательский интерфейс запускается/обновляется с вопросом.
5. Курсор реализует только описанную задачу (если она предусмотрена).
6. Если требовалось уточнение, пользователь отвечает в пользовательском интерфейсе, сервер возобновляет планирование и обновляет пользовательский интерфейс через WebSocket. Агент, следуя инструкциям, затем вызывает get_next_task с featureId .
7. Если задача была завершена, Cursor вызывает mark_task_complete (с taskId и featureId ).
8. Сервер отмечает задачу выполненной и возвращает следующую ожидающую задачу в ответном сообщении.
9. Курсор повторяет шаги 4-8.
10. Если пользователь просит Cursor «просмотреть», он вызывает review_changes .

Конечные точки API (для пользовательского интерфейса)

Интегрированный сервер Express предоставляет следующие основные конечные точки для интерфейса:

• GET /api/features : возвращает список существующих идентификаторов функций.
• GET /api/tasks/:featureId : возвращает список задач для определенной функции.
• GET /api/tasks : Возвращает задачи для последней созданной/измененной функции.
• GET /api/features/:featureId/pending-question : Проверяет, есть ли активный уточняющий вопрос для функции.
• POST /api/tasks : Создает новую задачу для функции.
• PUT /api/tasks/:taskId : Обновляет существующую задачу.
• DELETE /api/tasks/:taskId : Удаляет задачу.
• (Статические файлы) : обслуживает файлы из dist/frontend-ui/ (например, index.html ).