m

mcp任务管理器

ifzzh520/mcp-shrimp-task-manager
1 Stars 131 次浏览 更新于 2026-08-23

基于模型上下文协议（MCP）的智能任务管理系统，为AI代理提供高效的编程工作流框架。它包括任务规划、智能任务分解、依赖管理以及任务记忆功能。

开发者工具
该服务暂未提供标准配置，请参考 README 手动接入

服务介绍

English | 中文

目录

MCP Shrimp 任务管理器

Shrimp 任务管理器演示

smithery 徽章

🚀 基于模型上下文协议 (MCP) 的智能任务管理系统，为AI代理提供高效的编程工作流框架。

Shrimp 任务管理器通过结构化的工作流程引导代理进行系统化的编程，增强任务记忆管理机制，并有效避免冗余和重复的编码工作。

✨ 特性

  • 任务规划与分析：深入理解和分析复杂任务需求
  • 智能任务分解：自动将大型任务分解成可管理的小任务
  • 依赖管理：精确处理任务间的依赖关系，确保正确的执行顺序
  • 执行状态跟踪：实时监控任务执行进度和状态
  • 任务完整性验证：确保任务结果符合预期要求
  • 任务复杂度评估：自动评估任务复杂度并提供最优处理建议
  • 自动任务摘要更新：任务完成后自动生成摘要，优化内存性能
  • 任务记忆功能：自动备份任务历史记录，提供长期记忆和参考能力
  • 研究模式：具有系统的技术研究能力，通过引导的工作流程探索技术、最佳实践和解决方案比较
  • 项目规则初始化：定义项目标准和规则，以保持大型项目的一致性
  • Web GUI：提供可选的基于Web的图形用户界面进行任务管理。通过在.env文件中设置ENABLE_GUI=true来启用。启用后，将在您的DATA_DIR目录下创建一个包含访问地址的WebGUI.md文件。

🧭 使用指南

Shrimp 任务管理器通过引导的工作流程和系统化的任务管理，提供了结构化的AI辅助编程方法。

什么是Shrimp？

Shrimp 实质上是一个提示模板，它引导AI代理更好地理解和处理您的项目。它使用一系列提示来确保代理紧密符合您项目的特定需求和惯例。

实践中的研究模式

在深入任务规划之前，您可以利用研究模式进行技术调查和知识收集。这在以下情况下特别有用：

  • 您需要探索新技术或框架
  • 您希望比较不同的解决方案
  • 您正在调查项目的最佳实践
  • 您需要理解复杂的技术概念

只需告诉代理“研究 [您的主题]”或“进入 [技术/问题] 的研究模式”，即可开始系统性的调查。研究结果将为您的后续任务规划和开发决策提供信息。

首次设置在处理新项目时，只需告诉代理“init project rules”。这将指导代理根据项目的特定需求和结构生成一套规则。

任务规划过程

要开发或更新功能，请使用命令“plan task [您的描述]”。系统将参考之前建立的规则，尝试理解您的项目，搜索相关的代码部分，并基于项目的当前状态提出一个全面的计划。

反馈机制

在规划过程中，Shrimp 会引导代理通过多个思考步骤。您可以审查这一过程，并在感觉方向错误时提供反馈。只需中断并分享您的观点——代理将会整合您的反馈并继续规划过程。

任务执行

当您对计划感到满意时，使用“execute task [任务名称或ID]”来实施它。如果您没有指定任务名称或ID，系统将自动识别并执行优先级最高的任务。

连续模式

如果您希望顺序执行所有任务而无需手动干预每个任务，请使用“continuous mode”自动处理整个任务队列。

令牌限制说明

由于LLM令牌限制，在长时间对话中可能会丢失上下文。如果发生这种情况，只需打开一个新的聊天会话并要求代理继续执行。系统将从上次离开的地方继续，而不需要您重复任务细节或上下文。

提示语言和自定义

您可以通过设置TEMPLATES_USE环境变量来切换系统提示的语言。默认支持en（英语）和zh（繁体中文）。此外，您可以复制现有的模板目录（例如src/prompts/templates_en）到DATA_DIR指定的位置，对其进行修改，然后将TEMPLATES_USE指向您的自定义模板目录名称。这样可以实现更深层次的提示定制。更多详细说明请参阅此处。

🔬 研究模式

Shrimp 任务管理器包括一种专门设计用于系统技术调查和知识收集的研究模式。

什么是研究模式？

研究模式是一种指导性的工作流系统，帮助AI代理进行彻底且系统的技术研究。它提供了探索技术、比较解决方案、调查最佳实践以及为编程任务收集综合信息的结构化方法。

主要特点

  • 系统性调查：结构化工作流程确保研究主题的全面覆盖
  • 多源研究：结合网络搜索和代码库分析以获得全面理解
  • 状态管理：跨多个会话保持研究背景和进度
  • 指导性探索：防止研究变得不集中或偏离主题
  • 知识集成：无缝地将研究成果与任务规划和执行相结合

何时使用研究模式

研究模式特别适用于：

  • 技术探索：调查新的框架、库或工具
  • 最佳实践研究：寻找行业标准和推荐方法
  • 解决方案比较：评估不同的技术方法或架构
  • 问题调查：深入探讨复杂的技术挑战
  • 架构规划：研究设计模式和系统架构

如何使用研究模式

只需告诉代理进入您的主题的研究模式：

  • 基本用法：“Enter research mode for [您的主题]”
  • 具体研究：“Research [特定技术/问题]”
  • 对比分析：“Research and compare [选项A vs B]”

系统将引导代理通过结构化的研究阶段，确保彻底调查的同时专注于您的特定需求。

研究工作流程1. 主题定义：明确界定研究范围和目标

  1. 信息收集：系统性地收集相关信息
  2. 分析与综合：处理和组织发现的内容
  3. 状态更新：定期跟踪进度并保持上下文
  4. 整合：将研究成果应用于项目背景

💡 建议：为了获得最佳的研究模式体验，我们推荐使用 Claude 4 Sonnet，它提供了卓越的分析能力和全面的研究综合。

🧠 任务记忆功能

Shrimp 任务管理器具有长期记忆能力，能够自动保存任务执行历史，并在规划新任务时提供参考经验。

主要特点

  • 系统会自动将任务备份到记忆目录
  • 备份文件按时间顺序命名，格式为 tasks_backup_YYYY-MM-DDThh-mm-ss.json
  • 任务规划代理会自动收到如何使用记忆功能的指导

优势和好处

  • 避免重复工作：参考过去任务，无需从头开始解决类似问题
  • 借鉴成功经验：利用已被证明有效的解决方案，提高开发效率
  • 学习与改进：识别过去的错误或低效解决方案，持续优化工作流程
  • 知识积累：随着系统使用量的增加，形成一个不断扩大的知识库

通过有效利用任务记忆功能，系统可以不断积累经验，智能水平和工作效率不断提高。

📋 项目规则初始化

项目规则功能有助于在整个代码库中保持一致性：

  • 标准化开发：建立一致的编码模式和实践
  • 新开发者入门：为项目贡献提供清晰的指南
  • 维护质量：确保所有代码符合既定的项目标准

⚠️ 建议：当您的项目规模扩大或发生重大变更时，请初始化项目规则。这有助于在复杂度增加时保持一致性和质量。

在以下情况下使用 init_project_rules 工具来设置或更新项目标准：

  • 开始一个新的大型项目
  • 引入新的团队成员
  • 实施重大的架构变更
  • 采用新的开发惯例

使用示例

您可以使用简单的自然语言命令轻松访问此功能：

  • 初次设置：只需告诉代理 "init rules" 或 "init project rules"
  • 更新：当您的项目发展时，告诉代理 "Update rules" 或 "Update project rules"

当您的代码库扩展或经历重大结构变化时，此工具特别有价值，有助于在整个项目生命周期中保持一致的开发实践。

📚 文档资源

🔧 安装与使用

通过 Smithery 安装

要通过 Smithery 自动为 Claude 桌面版安装 Shrimp 任务管理器：

bash
npx -y @smithery/cli install @cjo4m06/mcp-shrimp-task-manager --client claude

手动安装

bash

安装依赖

npm install

构建并启动服务

npm run build

🔌 与 MCP 兼容客户端一起使用

Shrimp 任务管理器可以与任何支持模型上下文协议（MCP）的客户端一起使用，例如 Cursor IDE。

在 Cursor IDE 中配置

Shrimp 任务管理器提供了两种配置方法：全局配置和项目特定配置。

全局配置1. 打开 Cursor IDE 全局配置文件（通常位于 ~/.cursor/mcp.json）

  1. 在 mcpServers 部分添加以下配置：

json
{
"mcpServers": {
"shrimp-task-manager": {
"command": "node",
"args": ["/mcp-shrimp-task-manager/dist/index.js"],
"env": {
"DATA_DIR": "/path/to/project/data", // 必须使用绝对路径
"TEMPLATES_USE": "en",
"ENABLE_GUI": "false"
}
}
}
}

或

json
{
"mcpServers": {
"shrimp-task-manager": {
"command": "npx",
"args": ["-y", "mcp-shrimp-task-manager"],
"env": {
"DATA_DIR": "/mcp-shrimp-task-manager/data",
"TEMPLATES_USE": "en",
"ENABLE_GUI": "false"
}
}
}
}

⚠️ 请将 /mcp-shrimp-task-manager 替换为实际路径。

项目特定配置

您还可以为每个项目设置专用配置，以便为不同的项目使用独立的数据目录：

  1. 在项目根目录下创建一个 .cursor 目录
  2. 在此目录中创建一个 mcp.json 文件，并包含以下内容：

json
{
"mcpServers": {
"shrimp-task-manager": {
"command": "node",
"args": ["/path/to/mcp-shrimp-task-manager/dist/index.js"],
"env": {
"DATA_DIR": "/path/to/project/data", // 必须使用绝对路径
"TEMPLATES_USE": "en",
"ENABLE_GUI": "false"
}
}
}
}

或

json
{
"mcpServers": {
"shrimp-task-manager": {
"command": "npx",
"args": ["-y", "mcp-shrimp-task-manager"],
"env": {
"DATA_DIR": "/path/to/project/data", // 必须使用绝对路径
"TEMPLATES_USE": "en",
"ENABLE_GUI": "false"
}
}
}
}

⚠️ 重要配置说明

DATA_DIR 参数 是 Shrimp Task Manager 存储任务数据、对话日志和其他信息的目录。正确设置此参数对于系统的正常运行至关重要。此参数必须使用绝对路径；使用相对路径可能导致系统错误地定位数据目录，从而导致数据丢失或功能失败。

警告：使用相对路径可能会导致以下问题：

  • 数据文件未找到，导致系统初始化失败
  • 任务状态丢失或无法正确保存
  • 不同环境下的应用程序行为不一致
  • 系统崩溃或无法启动

🔧 环境变量配置

Shrimp Task Manager 支持通过环境变量自定义提示行为，允许您在不修改代码的情况下微调 AI 助手的响应。您可以在配置中设置这些变量，或者通过 .env 文件设置：

json
{
"mcpServers": {
"shrimp-task-manager": {
"command": "node",
"args": ["/path/to/mcp-shrimp-task-manager/dist/index.js"],
"env": {
"DATA_DIR": "/path/to/project/data",
"MCP_PROMPT_PLAN_TASK": "自定义规划指导...",
"MCP_PROMPT_EXECUTE_TASK_APPEND": "附加执行指令...",
"TEMPLATES_USE": "en",
"ENABLE_GUI": "false"
}
}
}
}

有两种自定义方法：

  • 覆盖模式 (MCP_PROMPT_[FUNCTION_NAME])：完全替换默认提示
  • 追加模式 (MCP_PROMPT_[FUNCTION_NAME]_APPEND)：向现有提示添加内容

此外，还有其他系统配置变量：

  • DATA_DIR：指定存储任务数据的目录
  • TEMPLATES_USE：指定要使用的提示模板集。默认为 en。当前可用选项为 en 和 zh。要使用自定义模板，请将 src/prompts/templates_en 目录复制到 DATA_DIR 指定的位置，重命名复制的目录（例如，改为 my_templates），并将 TEMPLATES_USE 设置为新目录名（例如，my_templates）。有关自定义提示的详细说明，包括支持的参数和示例，请参阅 Prompt Customization Guide。

💡 系统提示指南

Cursor IDE 配置

您可以启用 Cursor 设置 => 功能 => 自定义模式，并配置以下两种模式：

TaskPlanner 模式

您是一位专业的任务规划专家。您必须与用户互动，分析他们的需求，并收集项目相关信息。最后，您必须使用 "plan_task" 创建任务。当任务创建完成后，您必须对其进行总结，并告知用户使用 "TaskExecutor" 模式来执行任务。
您必须专注于任务规划。不要使用 "execute_task" 来执行任务。
严重警告：您是任务规划专家，不能直接修改程序代码，只能规划任务，不能直接修改程序代码，只能规划任务。

TaskExecutor 模式

您是一位专业的任务执行专家。当用户指定要执行的任务时，使用 "execute_task" 执行该任务。
如果没有指定任务，则使用 "list_tasks" 查找未执行的任务并执行它们。
当执行完成时，必须给出总结以通知用户结果。
您一次只能执行一个任务，在完成一个任务后，除非用户明确告诉您，否则禁止执行下一个任务。
如果用户请求“连续模式”，则将按顺序执行所有任务。

💡 根据您的需要选择合适的模式：

  • 在规划任务时使用 TaskPlanner 模式
  • 在执行任务时使用 TaskExecutor 模式

与其他工具一起使用

如果您的工具不支持自定义模式，您可以：

  • 在不同阶段手动粘贴适当的提示
  • 或者直接使用简单的命令如 Please plan the following task: ...... 或 Please start executing the task...

🛠️ 可用工具概览

配置后，您可以使用以下工具：

类别 工具名称 描述
任务规划 plan_task 开始规划任务
任务分析 analyze_task 深入分析任务需求
process_thought 对复杂问题进行逐步推理
解决方案评估 reflect_task 反思并改进解决方案概念
研究与调查 research_mode 进入系统的技术研究模式
项目管理 init_project_rules 初始化或更新项目标准和规则
任务管理 split_tasks 将任务分解为子任务
list_tasks 显示所有任务及其状态
query_task 搜索并列出任务
get_task_detail 显示完整的任务详情
delete_task 删除未完成的任务
任务执行 execute_task 执行特定任务
verify_task 验证任务完成情况

🔧 技术实现

  • Node.js: 高性能的 JavaScript 运行环境
  • TypeScript: 提供类型安全的开发环境
  • MCP SDK: 与大型语言模型无缝交互的接口
  • UUID: 生成唯一且可靠的任务标识符## 📄 许可证

本项目采用 MIT 许可证 - 详情请参阅 LICENSE 文件。

推荐模型

为了获得最佳体验，我们推荐使用以下模型：

  • Claude 3.7：提供强大的理解和生成能力。
  • Gemini 2.5：Google 的最新模型，表现非常出色。

由于不同模型在训练方法和理解能力上的差异，使用其他模型可能会导致相同的提示产生不同的结果。本项目已针对 Claude 3.7 和 Gemini 2.5 进行了优化。

Star 历史

Star 历史图表

查看源码 项目主页

相关 MCP 服务

LeetCode(力扣)
jinzcdev/leetcode-mcp-server
MCP 服务器实现 LeetCode API 集成，支持自动化获取编程题库、用户数据和竞赛信息。
可视化图表-MCP-Server
antvis/mcp-server-chart
这是一个基于AntV的模型上下文协议服务器，用于生成图表。它支持超过20种类型的图表，并且可以与多种桌面应用程序和平台一起使用。
微软Playwright
@microsoft/playwright-mcp
一种模型上下文协议服务器，它使大型语言模型能够通过结构化的可访问性快照与网页交互，而无需使用视觉模型或截图。
MCP上下文模型文档
@upstash/context7-mcp
一种模型上下文协议服务器，它从库中直接获取最新、特定版本的文档和代码示例并将其引入LLM提示中，帮助开发人员在无需过时或虚构信息的情况下获得准确的答案。