Administrador de tareas del servidor MCP

Implementación de plantilla del servidor del Protocolo de Contexto de Modelo (MCP) para la gestión de tareas y proyectos. Este servidor proporciona un sistema integral de gestión de tareas compatible con la organización de proyectos, el seguimiento de tareas y el análisis de PRD.

Descripción general

Este proyecto demuestra cómo construir un servidor MCP que permite a los agentes de IA gestionar tareas, supervisar el progreso del proyecto y desglosar los Documentos de Requisitos del Producto (PRD) en tareas prácticas. Sirve como plantilla práctica para crear sus propios servidores MCP con funciones de gestión de tareas.

La implementación sigue las mejores prácticas establecidas por Anthropic para construir servidores MCP, lo que permite una integración perfecta con cualquier cliente compatible con MCP.

Características

El servidor proporciona varias herramientas esenciales de gestión de tareas:

Gestión de tareas
- create_task_file : Crea nuevos archivos de tareas de proyecto
- add_task : Agregar tareas a proyectos con descripciones y subtareas
- update_task_status : Actualizar el estado de las tareas y subtareas
- get_next_task : Obtener la siguiente tarea incompleta de un proyecto
Planificación de proyectos
- parse_prd : Convierte PRD en tareas estructuradas automáticamente
- expand_task : Divida las tareas en subtareas más pequeñas y manejables
- estimate_task_complexity : Estima la complejidad de la tarea y los requisitos de tiempo
- get_task_dependencies : Realiza un seguimiento de las dependencias de las tareas
Apoyo al desarrollo
- generate_task_file : Genera plantillas de archivos basadas en descripciones de tareas
- suggest_next_actions : Obtenga sugerencias impulsadas por IA para los próximos pasos

Prerrequisitos

Python 3.12+
Claves API para el proveedor LLM elegido (OpenAI, OpenRouter u Ollama)
Docker si se ejecuta el servidor MCP como contenedor (recomendado)

Instalación

Usando uv

Instalar uv si no lo tienes:
pip install uv
Clonar este repositorio:
git clone https://github.com/coleam00/mcp-mem0.git cd mcp-mem0
Instalar dependencias:
uv pip install -e .
Cree un archivo .env basado en .env.example :
cp .env.example .env
Configure sus variables de entorno en el archivo .env (ver sección Configuración)

Uso de Docker (recomendado)

Construya la imagen de Docker:
docker build -t mcp/mem0 --build-arg PORT=8050 .
Cree un archivo .env basado en .env.example y configure sus variables de entorno

Configuración

Las siguientes variables de entorno se pueden configurar en su archivo .env :

Variable	Descripción	Ejemplo
`TRANSPORT`	Protocolo de transporte (sse o stdio)	`sse`
`HOST`	Host al que vincularse cuando se utiliza el transporte SSE	`0.0.0.0`
`PORT`	Puerto para escuchar cuando se utiliza el transporte SSE	`8050`
`LLM_PROVIDER`	Proveedor de LLM (openai, openrouter o ollama)	`openai`
`LLM_BASE_URL`	URL base para la API de LLM	`https://api.openai.com/v1`
`LLM_API_KEY`	Clave API para el proveedor LLM	`sk-...`
`LLM_CHOICE`	Modelo LLM para utilizar en el análisis de tareas	`gpt-4`

Ejecución del servidor

Usando Python 3

# Set TRANSPORT=sse in .env then:
python3 src/main.py

El servidor se iniciará en el host y puerto configurados (predeterminado: http://0.0.0.0:8050 ).

Usando Docker

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

Uso del Administrador de tareas

Creando un nuevo proyecto

Crea un archivo de tareas para tu proyecto:

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

Añade tareas a tu proyecto:

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"
    ]
)

Analizar un PRD para crear tareas automáticamente:

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

Gestión de tareas

Actualizar el estado de la tarea:

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

Consiga la siguiente tarea en la que trabajar:

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

Expandir una tarea en subtareas:

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

Flujo de trabajo de desarrollo

Generar una plantilla de archivo para una tarea:

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

Obtener una estimación de la complejidad de la tarea:

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

Obtenga sugerencias para las próximas acciones:

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

Integración con clientes MCP

Configuración de SSE

Para conectarse al servidor mediante el transporte SSE, utilice esta configuración:

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

Configuración de Stdio

Para el transporte stdio, utilice esta configuración:

{
  "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"
      }
    }
  }
}

Construyendo su propio servidor

Esta plantilla proporciona una base para crear servidores MCP de gestión de tareas más complejos. Para ampliarla:

Agregue nuevas herramientas de gestión de tareas usando el decorador @mcp.tool()
Implementar funciones de automatización y análisis de tareas personalizadas
Agregar plantillas de tareas y flujos de trabajo específicos del proyecto
Integre con sus herramientas y procesos de desarrollo existentes

Task Manager MCP Server

Integrations