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

Список задач

Related MCP server: Fastn Server

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:

Клон:
git clone https://github.com/jhawkins11/task-manager-mcp.git cd task-manager-mcp
Установка внутренних компонентов:
npm install
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»).
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):

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

Используя npm start:

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).

# .env - USED ONLY FOR MANUAL `npm start` or `node dist/server.js` # === OpenRouter (Recommended) === # Get key: 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 (Alternative) === # GEMINI_API_KEY=your_google_ai_api_key # GEMINI_MODEL=gemini-1.5-flash-latest # FALLBACK_GEMINI_MODEL=gemini-1.5-flash-latest # === UI / WebSocket Ports === # Default is 4999 if not set. UI_PORT=4999 WS_PORT=4999 # === Auto Review === # If true, the agent will automatically run the 'review_changes' tool after the last task is completed. # Defaults to false. AUTO_REVIEW_ON_COMPLETION=false

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:thinking 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:

{ "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" // optional: my recommended model for MCP is Gemini 2.5 Pro Free which is already set by default // "OPENROUTER_MODEL": "google/gemini-2.5-flash-preview:thinking", // also optional // "FALLBACK_OPENROUTER_MODEL": "google/gemini-2.5-flash-preview:thinking", // optional: the default port for the UI is 4999 if not set // "UI_PORT": "4999", // optional: the default port for the WebSocket server is 4999 if not set // "WS_PORT": "4999" // Add GEMINI_API_KEY here instead if using Google directly // Add any other necessary env vars here } } // Add other MCP servers here if you have them } }

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:

Перейдите в Настройки курсора -> Функции -> Чат -> Включить пользовательские режимы.
Вернитесь к просмотру чата, щелкните селектор режимов (внизу слева) и щелкните Добавить пользовательский режим.
Дайте ему имя (например, «MCP Planner», «Task Dev»), выберите значок/ярлык.
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.
Рекомендуемые инструкции для агента: Вставьте эти правила в текстовое поле «Пользовательские инструкции»:

Always use plan_feature mcp tool when getting feature request before doing anything else. ALWAYS!!!!!!!! It will return the first step of the implementation. DO NOT IMPLEMENT MORE THAN WHAT THE TASK STATES. After you're done run mark_task_complete which will give you the next task. If the user says "review" use the review_changes tool. The review_changes tool will generate new tasks for you to follow, just like plan_feature. After a review, follow the same one-at-a-time task completion workflow: complete each review-generated task, mark it complete, and call get_next_task until all are done. If clarification is required at any step, you will not receive the next task and will have to run get_next_task manually after the user answers the clarification question through the UI. IMPORTANT: Your job is to complete the tasks one at a time. DO NOT DO ANY OTHER CHANGES, ONLY WHAT THE CURRENT TASK SAYS TO DO.

Сохраните пользовательский режим.

Ожидаемый рабочий процесс (при использовании пользовательского режима):

Выберите новый пользовательский режим в курсоре.
Отправьте курсору запрос на функцию (например, «добавить аутентификацию с использованием JWT»).
Курсор, следуя инструкциям, вызовет инструмент plan_feature .
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.
Курсор реализует только описанную задачу (если она предусмотрена).
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 .
Если задача была завершена, Cursor вызывает mark_task_complete (с taskId и featureId ).
Сервер отмечает задачу выполненной и возвращает следующую ожидающую задачу в ответном сообщении.
Курсор повторяет шаги 4-8.
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 ).

Task Manager MCP Server