taskqueue-mcp
Administrador de tareas de MCP
El Administrador de Tareas MCP ( paquete npm: taskqueue-mcp ) es un servidor de Protocolo de Contexto de Modelo (MCP) para la gestión de tareas de IA. Esta herramienta ayuda a los asistentes de IA a gestionar tareas de varios pasos de forma estructurada, con puntos de control de aprobación de usuario opcionales.
Características
Planificación de tareas con múltiples pasos
Seguimiento del progreso
Aprobación del usuario de las tareas completadas
Aprobación de finalización del proyecto
Visualización de detalles de tareas
Gestión del estado de las tareas
CLI mejorada para la inspección y gestión de tareas
Related MCP server: claude-sessions-mcp
Configuración básica
Normalmente, configurará la herramienta en Claude Desktop, Cursor u otro cliente MCP de la siguiente manera:
{
"tools": {
"taskqueue": {
"command": "npx",
"args": ["-y", "taskqueue-mcp"]
}
}
}Para utilizar la utilidad CLI, puede utilizar el siguiente comando:
npx taskqueue --helpEsto mostrará los comandos y opciones disponibles.
Configuración avanzada
El administrador de tareas admite varios proveedores LLM para generar planes de proyecto. Puede configurar una o más de las siguientes variables de entorno según los proveedores que desee utilizar:
OPENAI_API_KEY: Necesario para usar modelos OpenAI (por ejemplo, GPT-4)GOOGLE_GENERATIVE_AI_API_KEY: Necesario para usar los modelos Gemini de GoogleDEEPSEEK_API_KEY: Necesario para usar modelos Deepseek
Para generar planes de proyecto utilizando la CLI, configure estas variables de entorno en su shell:
export OPENAI_API_KEY="your-api-key"
export GOOGLE_GENERATIVE_AI_API_KEY="your-api-key"
export DEEPSEEK_API_KEY="your-api-key"O puede incluirlos en la configuración de su cliente MCP para generar planes de proyecto con llamadas a herramientas MCP:
{
"tools": {
"taskqueue": {
"command": "npx",
"args": ["-y", "taskqueue-mcp"],
"env": {
"OPENAI_API_KEY": "your-api-key",
"GOOGLE_GENERATIVE_AI_API_KEY": "your-api-key",
"DEEPSEEK_API_KEY": "your-api-key"
}
}
}
}Herramientas MCP disponibles
El Administrador de tareas ahora utiliza una interfaz de herramientas directa con herramientas específicas y diseñadas específicamente para cada operación:
Herramientas de gestión de proyectos
list_projects: enumera todos los proyectos en el sistemaread_project: Obtiene detalles sobre un proyecto específicocreate_project: Crea un nuevo proyecto con tareas inicialesdelete_project: elimina un proyectoadd_tasks_to_project: Agrega nuevas tareas a un proyecto existentefinalize_project: Finaliza un proyecto después de que se hayan realizado todas las tareas
Herramientas de gestión de tareas
list_tasks: enumera todas las tareas para un proyecto específicoread_task: Obtiene detalles de una tarea específicacreate_task: Crea una nueva tarea en un proyectoupdate_task: modifica las propiedades de una tarea (título, descripción, estado)delete_task: elimina una tarea de un proyectoapprove_task: Aprueba una tarea completadaget_next_task: Obtiene la próxima tarea pendiente en un proyectomark_task_done: marca una tarea como completada con detalles
Estado de tareas y flujos de trabajo
Las tareas tienen un campo de estado que puede ser uno de los siguientes:
not started: la tarea aún no se ha iniciadoin progress: Actualmente se está trabajando en la tarea.done: La tarea se ha completado (requierecompletedDetails)
Reglas de transición de estado
El sistema aplica las siguientes reglas para las transiciones de estado de tareas:
Las tareas siguen un flujo de trabajo específico con transiciones válidas definidas:
Desde
not started: solo se puede mover ain progressDesde
in progress: puede pasar adoneo volver anot startedDe
done: puede volver a estarin progresssi se necesita trabajo adicional
Cuando una tarea se marca como "terminada", se debe proporcionar el campo
completedDetailspara documentar lo que se completó.Las tareas aprobadas no se pueden modificar
Un proyecto solo puede aprobarse cuando todas las tareas estén realizadas y aprobadas.
Estas reglas ayudan a mantener la integridad del progreso de la tarea y garantizan la documentación adecuada del trabajo completado.
Flujo de trabajo de uso
Un flujo de trabajo típico para un LLM que utiliza este administrador de tareas sería:
create_project: Iniciar un proyecto con tareas inicialesget_next_task: Obtener la primera tarea pendienteTrabajar en la tarea
mark_task_done: Marcar la tarea como completada con detallesEsperar aprobación (el usuario debe llamar a
approve_taska través de la CLI)get_next_task: Obtener la próxima tarea pendienteRepita los pasos 3 a 6 hasta completar todas las tareas.
finalize_project: Completa el proyecto (requiere la aprobación del usuario)
Comandos CLI
Aprobación de tareas
La aprobación de tareas está controlada exclusivamente por el usuario humano a través del comando CLI:
npx taskqueue approve-task -- <projectId> <taskId>Opciones:
-f, --force: Fuerza la aprobación incluso si la tarea no está marcada como realizada
Nota: Las tareas deben estar marcadas como "finalizadas" con los detalles completados antes de que puedan aprobarse (a menos que se utilice --force).
Listado de tareas y proyectos
La CLI proporciona un comando para enumerar todos los proyectos y tareas:
npx taskqueue list-tasksPara ver los detalles de un proyecto específico:
npx taskqueue list-tasks -- -p <projectId>Este comando muestra información sobre todos los proyectos del sistema o un proyecto específico, incluyendo:
Identificación del proyecto y solicitud inicial
Estado de finalización
Detalles de la tarea (título, descripción, estado, aprobación)
Métricas de progreso (tareas aprobadas/completadas/total)
Esquema de datos y almacenamiento
Ubicación del archivo
El administrador de tareas almacena datos en un archivo JSON que debe ser accesible tanto para el servidor como para la CLI.
La ubicación específica de la plataforma predeterminada es:
Linux :
~/.local/share/taskqueue-mcp/tasks.jsonmacOS :
~/Library/Application Support/taskqueue-mcp/tasks.jsonVentanas :
%APPDATA%\taskqueue-mcp\tasks.json
No se recomienda usar una ruta de archivo personalizada para almacenar datos de tareas, ya que debe recordar configurar la misma ruta tanto para el servidor MCP como para la CLI; de lo contrario, no podrán coordinarse. Sin embargo, si desea usar una ruta personalizada, puede configurar la variable de entorno TASK_MANAGER_FILE_PATH en la configuración del cliente MCP:
{
"tools": {
"taskqueue": {
"command": "npx",
"args": ["-y", "taskqueue-mcp"],
"env": {
"TASK_MANAGER_FILE_PATH": "/path/to/tasks.json"
}
}
}
}Luego, antes de ejecutar la CLI, debes exportar la misma ruta en tu shell:
export TASK_MANAGER_FILE_PATH="/path/to/tasks.json"Esquema de datos
El archivo JSON utiliza la siguiente estructura:
TaskManagerFile
├── projects: Project[]
├── projectId: string # Format: "proj-{number}"
├── initialPrompt: string # Original user request text
├── projectPlan: string # Additional project details
├── completed: boolean # Project completion status
└── tasks: Task[] # Array of tasks
├── id: string # Format: "task-{number}"
├── title: string # Short task title
├── description: string # Detailed task description
├── status: string # Task status: "not started", "in progress", or "done"
├── approved: boolean # Task approval status
├── completedDetails: string # Completion information (required when status is "done")
├── toolRecommendations: string # Suggested tools that might be helpful for this task
└── ruleRecommendations: string # Suggested rules/guidelines to follow for this taskLicencia
Instituto Tecnológico de Massachusetts (MIT)
Available Tools
14 toolsadd_tasks_to_projectC
Add new tasks to an existing project.
Inputs: projectId (required), tasks (required).
approve_taskA
Approve a completed task. Tasks must be marked as 'done' with completedDetails before approval. Note: This is a CLI-only operation that requires human intervention.
Inputs: projectId (required), taskId (required).
create_projectB
Create a new project with an initial prompt and a list of tasks. This is typically the first step in any workflow.
Inputs: initialPrompt (required), tasks (required), autoApprove, projectPlan.
create_taskC
Create a new task within an existing project. You can optionally include tool and rule recommendations to guide task completion.
Inputs: description (required), projectId (required), title (required), ruleRecommendations, +1 more.
delete_projectA
Delete a project and all its associated tasks.
Inputs: projectId (required).
delete_taskC
Remove a task from a project.
Inputs: projectId (required), taskId (required).
finalize_projectA
Mark a project as complete. Can only be called when all tasks are both done and approved. This is typically the last step in a project workflow.
Inputs: projectId (required).
generate_project_planC
Use an LLM to generate a project plan and tasks from a prompt. The LLM will analyze the prompt and any attached files to create a structured project plan.
Inputs: model (required), prompt (required), provider (required), attachments.
get_next_taskA
Get the next task to be done in a project. Returns the first non-approved task in sequence, regardless of status. The task may include toolRecommendations and ruleRecommendations fields that should be used to guide task completion.
Inputs: projectId (required).
list_projectsA
List all projects in the system and their basic information (ID, initial prompt, task counts), optionally filtered by state (open, pending_approval, completed, all).
Inputs: state.
list_tasksB
List all tasks, optionally filtered by project ID and/or state (open, pending_approval, completed, all). Tasks may include tool and rule recommendations to guide their completion.
Inputs: projectId, state.
read_projectB
Read all information for a given project, by its ID, including its tasks' statuses.
Inputs: projectId (required).
read_taskB
Get details of a specific task by its ID. The task may include toolRecommendations and ruleRecommendations fields that should be used to guide task completion.
Inputs: projectId (required), taskId (required).
update_taskA
Modify a task's properties. Note: (1) completedDetails are required when setting status to 'done', (2) approved tasks cannot be modified, (3) status must follow valid transitions: not started → in progress → done. You can also update tool and rule recommendations to guide task completion.
Inputs: projectId (required), taskId (required), completedDetails, description, +4 more.
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
TDQS
Scored across 14 tools
Every tool has a clearly distinct purpose targeting specific resources and actions, with no ambiguity. For example, create_project vs. read_project vs. delete_project, and create_task vs. update_task vs. approve_task, each handles a unique operation in the task/project lifecycle.
All tool names follow a consistent verb_noun pattern with snake_case throughout, such as create_project, list_tasks, and update_task. There are no deviations in naming conventions, making the set predictable and readable.
With 14 tools, the count is well-scoped for managing tasks and projects, covering operations from creation to finalization. Each tool earns its place by addressing distinct aspects of the domain without being excessive or insufficient.
The tool set provides complete CRUD/lifecycle coverage for projects and tasks, including creation, reading, updating, deletion, listing, approval, and finalization. There are no obvious gaps, and tools like generate_project_plan and get_next_task enhance workflow support without dead ends.
Maintenance
Related MCP Connectors
MCP server for progressive tool usage at any scale (see https://klavis.ai)
Nifty's MCP server — exposes tasks, projects, messages, and files as tools for AI agents.
MCP server for generating rough-draft project plans from natural-language prompts.
Shared memory and mail for your AI agents. Verified with Claude Code; other MCP clients in testing.
Related MCP Servers
- AlicenseAqualityDmaintenanceModel Context Protocol server for Task Management. This allows Claude Desktop (or any MCP client) to manage and execute tasks in a queue-based system.10689 npm216MIT
- AlicenseBqualityDmaintenanceMCP server for managing Claude Code conversation sessions12MIT
- AlicenseNot gradedqualityDmaintenanceA flexible MCP server enabling multiple Claude AI sessions to coordinate work across machines through shared state management.1MIT
- FlicenseNot gradedqualityDmaintenanceMCP server that lets Claude Code dispatch tasks to the LiteLLM gateway, supporting both local Ollama models and Anthropic models via the gateway.-