任务管理器 MCP 服务器

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

该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 MCP 服务器的实用模板。

该实施遵循 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。

特征

该服务器提供了几个必不可少的任务管理工具：

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，并附带描述和子任务
- 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 支持的后续步骤建议

先决条件

Python 3.12+
您选择的 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，则使用 Docker（推荐）

安装

使用 uv

如果你没有 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 .
根据.env.example创建.env文件：
cp .env.example .env
在.env文件中配置环境变量（参见配置部分）

使用 Docker（推荐）

构建 Docker 镜像：
docker build -t mcp/mem0 --build-arg PORT=8050 .
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：

多变的	描述	例子
`TRANSPORT`	传输协议（sse 或 stdio）	`sse`
`HOST`	使用 SSE 传输时绑定到的主机	`0.0.0.0`
`PORT`	使用 SSE 传输时监听的端口	`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

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

服务器将在配置的主机和端口上启动（默认值： 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

为您的项目创建任务文件：

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

将任务添加到您的项目：

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"
)

获取任务复杂度估计：

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

获取下一步行动的建议：

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"
      }
    }
  }
}

构建您自己的服务器

此模板为构建更复杂的任务管理 MCP 服务器奠定了基础。扩展方法如下：

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

Task Manager MCP Server

Integrations