项目简介

AI Task Master MCP 服务器是基于 Model Context Protocol (MCP) 构建的后端服务，作为 AI Task Master 任务管理系统的扩展。它将核心任务管理命令行接口 (CLI) 的功能封装成标准的 MCP 工具，通过 JSON-RPC 协议与支持 MCP 的 LLM 客户端（如 Cursor）通信。这使得 AI 能够直接调用任务管理功能，实现更智能、自动化和上下文感知的开发工作流程。

主要功能点

该 MCP 服务器主要通过暴露以下 MCP 工具来扩展 AI Task Master 的能力：

• listTasks: 列出所有任务或按状态过滤的任务。
• showTask: 显示特定任务或子任务的详细信息。
• setTaskStatus: 修改任务或子任务的状态（例如：待处理、进行中、完成）。
• expandTask: 将一个复杂任务拆解成更小的子任务。
• nextTask: 根据依赖关系和状态，找出下一个可以开始工作的任务。
• addTask: 使用 AI 辅助添加新的任务到任务列表中。

通过这些工具，LLM 客户端可以获取任务信息、更新任务状态、拆分任务，甚至在 AI 的指导下管理整个项目任务流。

安装步骤

AI Task Master MCP 服务器是 AI Task Master 项目的一部分。安装主项目即可包含 MCP 服务器功能。

1. 确保您已安装 Node.js (14.0.0 或更高版本) 和 npm。
2. 全局安装 AI Task Master 包：

   npm install -g ai-task-manager
   

   或者，如果您已在项目中本地安装，则无需额外安装。

MCP 客户端配置

要让 LLM 客户端（例如 Cursor）能够连接并使用 AI Task Master MCP 服务器，您需要在客户端配置中添加一个新的 MCP 服务器。以下是配置所需的关键信息，请根据您的客户端界面填写：

• 服务器名称 (Server Name): 您可以自定义一个名称，例如 'ai-task-manager'。
• 命令 (Command): 用于启动 MCP 服务器进程的命令。通常，您可以使用 'npx' 来执行安装包中的命令，例如： 'npx'
• 参数 (Args): 传递给命令的参数。对于 AI Task Master 的 MCP 服务器，参数通常是启动服务器的入口脚本，例如： '-y --package=ai-task-manager task-manager-mcp-server' （'-y --package=ai-task-manager' 确保使用当前安装的包，'task-manager-mcp-server' 是包中用于启动 MCP 服务器的入口点）
• 环境变量 (Environment Variables - Optional but Recommended): 如果您的 MCP 服务器需要特定的环境变量（例如 API 密钥），可以在这里配置。例如，用于 Gemini API 访问的密钥： 'GOOGLE_API_KEY: 您的 Google API 密钥' 如果您使用代理访问 Gemini API，还可以配置： 'GEMINI_BASE_URL: 您的 Gemini API 代理地址'

请注意，具体的配置界面和格式可能因不同的 MCP 客户端而异。上述信息提供了核心的启动命令和参数。

基本使用方法

AI Task Master MCP 服务器通常不是由用户直接运行的。它被配置在支持 MCP 的 LLM 客户端中，并在客户端需要调用其功能时由客户端自动启动（通常通过 Stdio 传输协议连接）。

一旦在您的 LLM 客户端中配置并启用该 MCP 服务器，您就可以通过客户端的 AI 交互界面（例如，在 Cursor 中通过 Agent 模式）直接向 AI 发出指令，让 AI 调用 Task Master 的各项功能来管理您的项目任务。

例如，在 Cursor 中，您可以通过聊天界面对 AI 说：

• "列出所有待处理的任务。" (AI 可能调用 'listTasks' 工具)
• "任务 3 完成了，请更新状态。" (AI 可能调用 'setTaskStatus' 工具)
• "任务 5 看起来很复杂，把它拆解一下。" (AI 可能调用 'expandTask' 工具)
• "下一个要工作的任务是什么？" (AI 可能调用 'nextTask' 工具)

通过这种方式，AI 成为您任务管理的智能助手，能够理解自然语言指令并执行相应的任务管理操作。