用 MCP 玩转任务管理：我的 task-manager-mcp 轻量方案

最近我在做 MCP（Model Context Protocol，模型上下文协议）开发时，遇到了一个老问题：
任务多、依赖乱、不知道下一步干啥。
尤其在 AI 驱动的场景里，如果没有一个协议友好、零依赖、可插即用的任务管理服务，整个流程就像没导航的车——你得自己判断绕哪条路走。

于是我写了这个——
task-manager-mcp：
一个轻量 MCP 服务端，帮你自动追踪任务状态，还能聪明地告诉你 “下一步干哪一件”。

---

为什么需要它？

市面上有很强的全功能工具，比如 claude-task-master，但很多时候我只想要一个——
结构简单、协议兼容、零外部依赖的小模块。

换句话说，这就是一个 “任务大脑”：

• 它不替代你原来的工作流
• 它专注于任务状态和依赖判断
• 它是 MCP 协议的“原生居民”

---

核心功能架构

功能概览：

1. 任务状态管理（增改查）
2. 智能任务发现（按优先级 & 依赖）
3. 前置条件检查（自动校验）
4. 灵活 JSON 配置（自由扩展字段）
5. 独立运行（零外部依赖）

---

工作流程（执行下一任务）

---

快速上手

1. 克隆项目

git clone https://github.com/localSummer/task-manager-mcp.git

2. 配置 MCP 客户端（以 Cursor IDE 为例，在 .cursor/mcp.json 添加：）

{
  "mcpServers": {
    "task-manager": {
      "command": "node",
      "args": ["/absolute/task-manager-mcp/src/index.mjs"],
      "env": {
        "TASK_CONFIG_PATH": "/absolute/path/to/your/tasks.json"
      }
    }
  }
}

3. 定义任务文件 tasks.json

{
  "meta": {
    "projectName": "My Project",  // 项目名称
    "description": "Project task management", // 项目描述
    "version": "1.0.0" // 配置版本
  },
  "tasks": [
    {
      "number": 1,                 // 任务编号（唯一，支持小数编号，如 1, 1.1, 2.5）
      "key": "setup-project",      // 任务 key（唯一字符串）
      "title": "Project Setup",    // 任务标题
      "description": "Initialize project structure", // 任务描述，简短 Prompt 指令
      "status": "pending",         // 任务状态：pending | done | in-progress | review | deferred | cancelled
      "precondition": [],          // 前置条件（任务编号或 key 数组，需完成后才能执行）
      "priority": "high",          // 优先级：low | medium | high
      "details": "",               // 任务详情，详细Prompt指令（可选）
      "result": "",                // 预期结果（可选）
      "testStrategy": "",          // 测试策略（可选）
      "subtasks": [
        {
          "number": 1.1,               // 子任务编号（唯一）
          "key": "create-folders",     // 子任务 key（唯一）
          "title": "Create Folder Structure", // 子任务标题
          "description": "Set up the basic directory structure", // 子任务描述
          "details": "",               // 子任务详情（可选）
          "status": "pending",         // 子任务状态
          "precondition": [],          // 前置条件
          "priority": "high",          // 优先级
          "result": "",                // 预期结果（可选）
          "testStrategy": ""           // 测试策略（可选）
        }
      ]
    }
  ]
}

字段枚举值
status（状态）： pending、done、in-progress、review、deferred、cancelled
priority（优先级）： low、medium、high

---

两个必用指令

1. 更新状态

set_task_status
identifier: 任务编号或 key（支持逗号分隔）
status: pending | done | in-progress | review | deferred | cancelled

2. 找下一步

next_task
→ 返回所有依赖已完成且优先级最高的任务

---

它和 claude-task-master 怎么配合？

如果说 claude-task-master 是个“全家桶”项目管理工具，
那么 task-manager-mcp 就是其中的“专用零件”——
不臃肿，专做任务状态和依赖判断。

对比点	claude-task-master	task-manager-mcp
架构	全功能 CLI + AI 深度集成	轻量 MCP 协议服务端
功能范围	PRD 解析 + AI 研究 + 代码生成	任务状态 + 依赖解析
AI 集成	内置多家 AI 支持	协议无关
依赖	功能丰富但依赖较多	零外部依赖
使用场景	完整 AI 开发管理	嵌入现有 MCP 流程

---

结语

如果你在用 MCP 做 AI 应用/自动化开发，task-manager-mcp 可能让你的项目管理更轻松：

• 零学习成本
• 嵌入任何现有工作流
• 不会因为依赖臃肿导致启动慢

项目地址 → GitHub