交互式反馈MCP
由Fábio Ferreira（）开发。查看更多AI开发增强功能。简单地在像这样的AI辅助开发工具中启用人类参与的工作流程。 注意：原文中的链接和代码块保持不变，但提供的句子中并没有实际的链接或代码块示例。如果有具体的链接或代码块，请提供详细信息以便准确翻译。
MCP 服务配置
复制以下 JSON 到 OPClaw 或其他 MCP 客户端的配置文件中即可使用
{
"mcpServers": {
"interactive-feedback-mcp": {
"args": [
"--directory",
"/Users/fabioferreira/Dev/scripts/interactive-feedback-mcp",
"run",
"server.py"
],
"autoApprove": [
"interactive_feedback"
],
"command": "uv",
"timeout": 600
}
}
}服务介绍
交互式反馈MCP
由Fábio Ferreira (@fabiomlferreira) 开发。
请访问 dotcursorrules.com 获取更多AI开发增强功能。
简单的MCP服务器，用于在像Cursor这样的AI辅助开发工具中启用人类参与的工作流程。该服务器允许您运行命令、查看其输出，并直接向AI提供文本反馈。它还与Cline和Windsurf兼容。
提示工程
为了获得最佳效果，请在您的AI助手的自定义提示中添加以下内容，您可以将其添加到规则中或直接添加到提示中（例如，在Cursor中）：
每当您想要提问时，始终调用MCP
interactive_feedback。
每当您即将完成用户请求时，调用MCPinteractive_feedback而不是简单地结束进程。
继续调用MCP直到用户的反馈为空，然后结束请求。
这将确保您的AI助手在标记任务为已完成之前使用此MCP服务器请求用户反馈。
💡 为什么要使用这个？
通过引导助手检查用户反馈而不是分支到推测性的高成本工具调用，此模块可以大幅减少像Cursor这样的平台上的高级请求数量（例如，OpenAI工具调用）。在某些情况下，它有助于将多达25次的工具调用整合成一个具有反馈意识的请求——节省资源并提高性能。
配置
此MCP服务器使用Qt的QSettings来按项目存储配置。这包括：
- 要运行的命令。
- 是否在下次启动该项目时自动执行命令（参见“下次运行时自动执行”复选框）。
- 命令部分的可见性状态（显示/隐藏）（切换时立即保存）。
- 窗口几何和状态（一般UI偏好设置）。
这些设置通常存储在特定于平台的位置（例如，Windows上的注册表，macOS上的plist文件，Linux上的~/.config或~/.local/share中的配置文件），组织名称为"FabioFerreira"，应用程序名称为"InteractiveFeedbackMCP"，每个项目目录都有一个唯一的组。
UI中的“保存配置”按钮主要用于保存当前输入到命令输入字段中的命令以及活动项目的“下次运行时自动执行”复选框的状态。命令部分的可见性在切换时会自动保存。窗口大小和位置在应用程序关闭时保存。
安装（Cursor）
- 先决条件：
- Python 3.11 或更新版本。
- uv（Python包管理器）。安装方法如下：
- Windows:
pip install uv - Linux/Mac:
curl -LsSf https://astral.sh/uv/install.sh | sh
- Windows:
- 获取代码：
- 克隆此仓库：
git clone https://github.com/noopstudios/interactive-feedback-mcp.git - 或下载源代码。
- 克隆此仓库：
- 导航到目录：
cd path/to/interactive-feedback-mcp
- 安装依赖项：
uv sync（这会创建一个虚拟环境并安装包）
- 运行MCP服务器：
uv run server.py
- 在Cursor中配置：
- Cursor通常允许在其设置中指定自定义MCP服务器。您需要将Cursor指向正在运行的服务器。具体机制可能有所不同，请查阅Cursor的文档以了解如何添加自定义MCP。
- 手动配置（例如，通过
mcp.json）
**请记得将/Users/fabioferreira/Dev/scripts/interactive-feedback-mcp路径更改为实际克隆仓库的系统路径。**PLACEHOLDER_CODE_0 - 在Cursor中配置时，您可能会使用像
interactive-feedback-mcp这样的服务器标识符。
对于 Cline / Windsurf
设置原则类似。您需要在相应工具的MCP设置中配置服务器命令（例如，使用正确的--directory参数指向项目目录的uv run server.py），并使用interactive-feedback-mcp作为服务器标识符。
开发
要在开发模式下运行带有Web界面的服务器以进行测试：
uv run fastmcp dev server.py
这将打开一个Web界面，并允许您与MCP工具交互以进行测试。
可用工具
这里有一个示例展示了AI助手如何调用interactive_feedback工具：
<use_mcp_tool>
<server_name>interactive-feedback-mcp</server_name>
<tool_name>interactive_feedback</tool_name>
<arguments>
{
"project_directory": "/path/to/your/project",
"summary": "I've implemented the changes you requested and refactored the main module."
}
</arguments>
</use_mcp_tool>
致谢与联系
如果您觉得这个互动反馈MCP有用，表达感谢的最佳方式是关注Fábio Ferreira X @fabiomlferreira。
对于任何问题、建议，或者只是想分享您的使用体验，请随时通过X联系我们！
此外，还可以访问dotcursorrules.com，获取更多关于增强您的AI辅助开发工作流的资源。
