shareMCP
开发文档
开发文档
shareMCP

最大的MCP服务器和客户端集合,轻松搜索和发现

资源

  • 文档
  • 指南
  • API

社区

  • 博客
  • github

关于

  • 关于我们
  • 隐私政策
  • 服务条款

© 2025 shareMCP. 保留所有权利。

    taskqueue-mcp

    chriscarrollsmith/taskqueue-mcp
    cchriscarrollsmith
    更新于 6/6/2025
    首页taskqueue-mcp

    MCP Task Manager 仓库中文介绍

    仓库概述

    仓库名称: taskqueue-mcp
    作者: chriscarrollsmith
    仓库地址: taskqueue-mcp GitHub

    MCP Task Manager 是一个用于 AI 任务管理的 Model Context Protocol (MCP) 服务器。此工具通过提供一个结构化的任务队列,帮助人工智能辅助工具以多步骤、系统化的方式处理任务。特别适用于需要引导过于积极或过于自由的 AI 代理,比如 Claude。

    功能详解

    MCP Task Manager 提供了一系列强大的功能,用于支持复杂任务的管理与执行,包括:

    • 任务计划: 支持多步骤的任务规划,确保项目的每一步都有条不紊。
    • 进度追踪: 实时监控任务进展,使得任务管理者能够快速了解当前项目的进度。
    • 用户审核: 在任务完成后,可以设置用户审核机制,确保任务质量。
    • 项目审核: 整个项目完成后需要用户的最终审核,保证整体输出符合预期。
    • 任务详情可视化: 提供对任务详细信息的图形化展示。
    • 任务状态管理: 对任务状态进行全面控制,包括状态的转换和审核。
    • 增强的命令行工具: 提供增强型 CLI 工具,用于任务检查和管理。

    应用场景

    MCP Task Manager 适用于任何需要结构化多步骤任务管理的场景,尤其是那些依赖于 AI 咨询或指导的业务流程。以下列出了一些潜在的应用场景和价值:

    • AI 驱动的项目管理工具: 将该工具集成到项目管理应用程序中,以自动化和优化团队的工作流程。
    • 企业级任务管理: 帮助企业在多个部门和任务之间协调复杂的工作流程。
    • 研究与开发项目: 支持科学研究项目中的任务分配和进度管理。
    • 教育领域应用: 在教育项目中协调课程设置、教学任务分配等。

    使用方法

    通常,你会在 Claude Desktop、Cursor 或其他 MCP 客户端中设置工具配置,格式如下:

    {
      "tools": {
        "taskqueue": {
          "command": "npx",
          "args": ["-y", "taskqueue-mcp"]
        }
      }
    }
    

    命令行工具使用指南

    使用 CLI 实用程序,你可以通过以下命令查看可用命令和选项:

    npx task-manager-cli --help
    

    可用的 MCP 工具

    项目管理工具

    • 列出项目: list_projects
    • 读取项目: read_project
    • 创建项目: create_project
    • 删除项目: delete_project
    • 向项目添加任务: add_tasks_to_project
    • 项目完成: finalize_project

    任务管理工具

    • 列出任务: list_tasks
    • 读取任务: read_task
    • 创建任务: create_task
    • 更新任务: update_task
    • 删除任务: delete_task
    • 审核任务: approve_task
    • 获取下一个任务: get_next_task
    • 标记任务完成: mark_task_done

    任务状态和工作流程

    任务状态包括:

    • not started: 尚未开始
    • in progress: 正在进行
    • done: 已完成(需要completedDetails)

    状态转换规则

    系统对于任务状态的转换实施严格的规则:

    • 从not started: 只能转变为in progress
    • 从in progress: 可以转变为done或返回not started
    • 从done: 可以返回in progress进行额外工作

    这些规则确保了任务进度的完整性,并保证了已完成工作的适当文档化。

    使用工作流

    对于一个使用此任务管理器的语言模型执行常见工作流程为:

    1. create_project: 创建一个项目并初始化任务。
    2. get_next_task: 获取第一个待处理任务。
    3. 处理任务。
    4. mark_task_done: 将任务标记为完成并添加细节。
    5. 等待用户审批(需通过 CLI 调用approve_task)。
    6. get_next_task: 获取下一个待处理任务。
    7. 重复步骤3-6,直至所有任务完成。
    8. finalize_project: 完成并审核整个项目。

    CLI 命令

    任务审批

    任务的审批仅能通过人类用户在 CLI 发行指令:

    npm run approve-task -- <projectId> <taskId>
    

    数据架构与存储

    任务管理器的数据存储在一个必须同时可被服务器和 CLI 访问的 JSON 文件中,默认存储路径平台依赖,因此谨慎使用自定义路径。

    使用自定义路径设置 TASK_MANAGER_FILE_PATH 环境变量,并在运行 CLI 前导出一样的路径:
    export TASK_MANAGER_FILE_PATH="/path/to/tasks.json"
    

    数据架构

    JSON 文件结构为:

    TaskManagerFile
    ├── projects: Project[]
        ├── projectId: string
        ├── initialPrompt: string
        ├── projectPlan: string
        ├── completed: boolean
        └── tasks: Task[]
            ├── id: string
            ├── title: string
            ├── description: string
            ├── status: string
            ├── approved: boolean
            ├── completedDetails: string
            ├── toolRecommendations: string
            └── ruleRecommendations: string
    

    许可证

    本项目采用 MIT 许可协议。

    关于 taskqueue-mcp
    该MCP服务器用于管理AI工作流中的多步骤任务,支持任务规划、进度跟踪和用户审批等功能。

    部署安装命令:

    服务统计

    1850查看次数
    127使用人数
    80质量评分
    有状态服务
    安装难度: 简单
    部署环境: 云端/本地
    服务特性
    任务管理
    AI工作流
    MCP服务器

    相关MCP

    查看更多

    暂无相关MCP