MCP 任务管理器

铁匠徽章

MCP 任务管理器（ npm 包：taskqueue-mcp ）是一个用于 AI 任务管理的模型上下文协议 (MCP) 服务器。该工具可帮助 AI 助手以结构化的方式处理多步骤任务，并提供可选的用户审批检查点。

特征

多步骤任务规划
进度追踪
用户批准完成的任务
项目竣工审批
任务详情可视化
任务状态管理
增强的 CLI 用于任务检查和管理

Related MCP server: ticktick-mcp-server

基本设置

通常，您会在 Claude Desktop、Cursor 或其他 MCP 客户端中按如下方式设置工具配置：

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

要使用 CLI 实用程序，您可以使用以下命令：

npx taskqueue --help

这将显示可用的命令和选项。

高级配置

任务管理器支持多个 LLM 提供程序来生成项目计划。您可以根据要使用的提供程序配置以下一个或多个环境变量：

OPENAI_API_KEY ：使用 OpenAI 模型（例如 GPT-4）所必需的
GOOGLE_GENERATIVE_AI_API_KEY ：使用 Google Gemini 模型所必需的
DEEPSEEK_API_KEY ：使用 Deepseek 模型时必需

要使用 CLI 生成项目计划，请在 shell 中设置以下环境变量：

export OPENAI_API_KEY="your-api-key" export GOOGLE_GENERATIVE_AI_API_KEY="your-api-key" export DEEPSEEK_API_KEY="your-api-key"

或者您可以将它们包含在您的 MCP 客户端配置中，以使用 MCP 工具调用生成项目计划：

{ "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" } } } }

可用的 MCP 工具

TaskManager 现在使用直接工具界面，为每个操作提供特定的专用工具：

项目管理工具

list_projects ：列出系统中的所有项目
read_project ：获取有关特定项目的详细信息
create_project ：创建一个具有初始任务的新项目
delete_project ：删除项目
add_tasks_to_project ：向现有项目添加新任务
finalize_project ：所有任务完成后完成项目

任务管理工具

list_tasks ：列出特定项目的所有任务
read_task ：获取特定任务的详细信息
create_task ：在项目中创建新任务
update_task ：修改任务的属性（标题、描述、状态）
delete_task ：从项目中删除任务
approve_task ：批准已完成的任务
get_next_task ：获取项目中的下一个待处理任务
mark_task_done ：将任务标记为已完成并显示详细信息

任务状态和工作流程

任务具有状态字段，可以是以下之一：

not started ：任务尚未开始
in progress ：任务正在进行中
done ：任务已完成（需要completedDetails ）

状态转换规则

系统对任务状态转换强制执行以下规则：

任务遵循具有定义的有效转换的特定工作流程：
- 从未not started ：只能移动到in progress
- 从in progress ：可以移动到done或返回到not started
- 从done ：如果需要额外的工作，可以返回到in progress
当任务被标记为“完成”时，必须提供completedDetails字段来记录已完成的内容
已批准的任务无法修改
只有当所有任务都完成并获得批准后，项目才能被批准

这些规则有助于维护任务进度的完整性并确保已完成工作的正确记录。

使用工作流程

使用此任务管理器的 LLM 的典型工作流程如下：

create_project ：启动一个带有初始任务的项目
get_next_task ：获取第一个待处理的任务
完成任务
mark_task_done ：将任务标记为已完成并附上详细信息
等待批准（用户必须通过 CLI 调用approve_task ）
get_next_task ：获取下一个待处理的任务
重复步骤 3-6，直到所有任务完成
finalize_project ：完成项目（需要用户批准）

CLI 命令

任务审批

任务批准完全由人类用户通过 CLI 命令控制：

npx taskqueue approve-task -- <projectId> <taskId>

选项：

-f, --force ：即使任务未标记为完成，也强制批准

注意：任务必须标记为“完成”，并填写完整的详细信息后才能获得批准（除非使用--force）。

列出任务和项目

CLI 提供了一个命令来列出所有项目和任务：

npx taskqueue list-tasks

要查看特定项目的详细信息：

npx taskqueue list-tasks -- -p <projectId>

该命令显示系统中所有项目或特定项目的信息，包括：

项目 ID 和初始提示
完成状态
任务详情（标题、描述、状态、批准）
进度指标（已批准/已完成/总任务）

数据模式和存储

文件位置

任务管理器将数据存储在 JSON 文件中，该文件必须可供服务器和 CLI 访问。

默认的平台特定位置是：

Linux ： ~/.local/share/taskqueue-mcp/tasks.json
macOS ： ~/Library/Application Support/taskqueue-mcp/tasks.json
Windows ： %APPDATA%\taskqueue-mcp\tasks.json

不建议使用自定义文件路径来存储任务数据，因为您必须记住为 MCP 服务器和 CLI 设置相同的路径，否则它们将无法相互协调。但是，如果您确实想使用自定义路径，则可以在 MCP 客户端配置中设置TASK_MANAGER_FILE_PATH环境变量：

{ "tools": { "taskqueue": { "command": "npx", "args": ["-y", "taskqueue-mcp"], "env": { "TASK_MANAGER_FILE_PATH": "/path/to/tasks.json" } } } }

然后，在运行 CLI 之前，您应该在 shell 中导出相同的路径：

export TASK_MANAGER_FILE_PATH="/path/to/tasks.json"

数据模式

JSON 文件使用以下结构：

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 task

执照

麻省理工学院

taskqueue-mcp