Task Queue MCP

发布看板MCP服务器

   

具有内置线束工程和持久内存的AI原生问题看板-- 每一项已完成的任务都会使下一项任务更快、更安全、更智能。

为什么存在

大多数AI编码代理在没有内存的情况下逐个问题地工作。他们犯同样的错误， 错过同样的边缘案例，忘记同样的陷阱——每一次。

这个项目解决了这个问题。它结合了多界面看板（Web UI、TUI、CLI） 带着一个 主控程序 AI代理连接到的服务器， 一 持久存储器系统 （FTS5全文搜索，BM25排名），a 时态知识图 （具有时间范围有效性的主谓宾语三元组），以及 实施的操作手册 工程利用：结构化质量 门、人在环检查点和复合学习系统 跨问题积累项目知识。

结果：随着时间的推移，你的人工智能代理在你的项目上表现得越来越好-- 而无需你付出任何额外的努力。

运作原理

You create issues ──► AI agent picks them up ──► Quality improves automatically

                    ┌─────────────────────────────────────┐
                    │         The Compound Loop            │
                    │                                      │
                    │  [pending]                            │
                    │     │  Load LEARNINGS.md              │
                    │     │  Search memory (BM25)           │
                    │     │  Check past mistakes + context  │
                    │     ▼                                 │
                    │  [doing]                              │
                    │     │  Research → Implement → Review  │
                    │     │  Two-pass quality gate          │
                    │     ▼                                 │
                    │  [finished]                           │
                    │     │  Capture learnings ◄── gotchas  │
                    │     │  Store memories ◄── context     │
                    │     │  Knowledge persists             │
                    │     ▼                                 │
                    │  ──► Next issue inherits knowledge    │
                    └─────────────────────────────────────┘

看板 pending → doing → finished 状态流直接映射到 复合工程循环： Plan → Work → 评估→ 复合物.学习 步骤是使每个循环在最后复合的原因。

快速开始

# Docker (recommended)
docker pull ghcr.io/alexiachen/issue-kanban-mcp:latest
docker run -d -p 9292:9292 -v kanban-data:/app/data ghcr.io/alexiachen/issue-kanban-mcp:latest

# Or build from source
git clone https://github.com/AlexiaChen/issue-kanban-mcp.git
cd issue-kanban-mcp
make build-all    # builds server + tui + cli → ./bin/
make run           # starts server on :9292

打开http://localhost:9292--你在跑。

四个接口，一个后端

所有四个接口都使用相同的REST API和SQLite数据库。1的变化 在其他人身上立即可见。

Web用户界面

打开http://localhost:9292.带有拖放功能的完整看板、项目管理、， 问题创建/编辑、优先级管理和5秒自动刷新。

文本用户界面

./bin/issue-kanban-tui --server http://localhost:9292

终端中的三列看板。创建、编辑、删除和确定优先级 在不离开命令行的情况下出现问题。

命令行界面

./bin/issue-kanban-cli projects list
./bin/issue-kanban-cli issues list 1 --status=pending
./bin/issue-kanban-cli issues create 1 --title="Fix auth bug" --priority=high
./bin/issue-kanban-cli issues prioritize 3   # move to front

MCP（用于AI代理）

服务器通过STDIO或HTTP/SSE传输公开16个MCP工具（8个看板+4个内存+4个三元组）和4个MCP资源。 AI代理自主连接和处理问题。

______________________________________________________________________

利用：人工智能质量如何复合

本节解释了当AI代理处理问题时，幕后会发生什么。 您不需要配置任何这些——它内置于代理指令中。

该项目附带了 作战行动手册 (instructions/copilot-instructions.md) 它实现了三层线束工程：

1.质量门（每期）

在将任何问题标记为“已完成”之前，代理会运行 两次通过自我审查:

• 通过1（关键）：SQL注入、竞争条件、XSS、未验证的输入，

LLM输出信任边界违规

• 通行证2（信息）：死代码、测试缺口、幻数、完整性缺口

机械问题是自动修复的。审判的呼唤归于人类。

2.人在环路检查站

代理人 从不 标记未经人工批准的问题已完成：

Agent: "Issue #42 — review complete."
  → ✅ Mark as finished
  → 🔧 Improvements needed (describe what to change)

这不是一个建议，而是工作流程中的一道硬门。

3.知识复合（LEARNINGS.md）

每个问题完成后，代理都会评估所学到的内容：

• 可能重复出现的错误模式
• 图书馆浪费时间
• 基于非显而易见推理的架构决策
• 人类纠正了什么（代理人的盲点）

学习内容记录在 LEARNINGS.md 带有触发关键字。开始之前 这 下一个 问题，代理加载此文件并将关键字与 新一期的标题和描述。相关学习会自动应用。

超过50个问题，这可以防止数小时的重复错误——你无需付出任何努力。

4.持久内存（BM25搜索）

除了基于文件的学习，代理还有 持久存储器系统 由...支持 SQLite FTS5，BM25排名。这提供了一种不同的知识：

它们如何在循环中协同工作：

• 每期发行前：代理加载LEARNINGS.md以避免gotcha，并且

搜索内存(memory_search)相关上下文——过去的决策、代码库 事实、用户偏好、架构模式。

• 每期之后：代理在learnings.md中捕获错误驱动的学习

AND存储更广泛的背景（做出的决定、发现的事实、记录的偏好） 通过 memory_store.

存储系统支持6类： decision, fact, event, preference, advice, general --每个都有优先级检索的重要性评分（1-10）。

5.时态知识图（三元组）

代理可以存储和查询 主谓宾语三元组 具有时间语义：

(auth-module, depends_on, jwt-library)  valid: 2024-01-01 → ∞ (active)
(auth-module, status, "needs-refactor")  valid: 2024-03-15 → 2024-04-01 (superseded)
(auth-module, status, "refactored")      valid: 2024-04-01 → ∞ (active)

• 时态查询：“3月20日的情况如何？”→ 时间点查找
• 自动失效：与一起储存时 replace_existing=true，老三人组

valid_to 设置为新的三元组 valid_from （交易）

• [valid_from, valid_to) 语义学：封闭的开放区间防止双重匹配

这为代理提供了一个结构化的、可查询的项目发展模型-- 不仅是现在的真实情况，还有当时的真实情况。

四层知识

每次晋升都是人为控制的。代理人提议；你决定。

______________________________________________________________________

安装

Docker（推荐）

docker pull ghcr.io/alexiachen/issue-kanban-mcp:latest

docker run -d \
  --name issue-kanban-mcp \
  -p 9292:9292 \
  -v kanban-data:/app/data \
  ghcr.io/alexiachen/issue-kanban-mcp:latest

来源

git clone https://github.com/AlexiaChen/issue-kanban-mcp.git
cd issue-kanban-mcp
make build-all   # server + tui + cli → ./bin/

服务器二进制文件是静态编译的(CGO_ENABLED=0)没有动态依赖关系。

______________________________________________________________________

运行模式

只读模式（默认）

默认情况下，MCP服务器仅公开 6安全工具: project_list, issue_list, issue_update, memory_search, memory_list, triple_query这意味着AI代理可以读取问题， 更新状态、搜索记忆和查询知识图，但不能创建或删除任何内容。

要公开所有16个工具（包括创建/删除问题、内存和三元组）：

./bin/issue-kanban-mcp -readonly=false

______________________________________________________________________

MCP集成

克劳德桌面版

添加 ~/Library/Application Support/Claude/claude_desktop_config.json （macOS）：

{
  "mcpServers": {
    "issue-kanban": {
      "command": "/path/to/issue-kanban-mcp",
      "args": ["-mcp=stdio", "-db=/path/to/tasks.db"]
    }
  }
}

GitHub Copilot命令行界面

添加 ~/.copilot/mcp-config.json:

STDIO（本地二进制）：

{
  "mcpServers": {
    "issue-kanban": {
      "type": "stdio",
      "command": "/path/to/issue-kanban-mcp",
      "args": ["-mcp=stdio", "-db=/path/to/tasks.db"],
      "tools": ["*"]
    }
  }
}

SSE（Docker或远程）：

{
  "mcpServers": {
    "issue-kanban": {
      "type": "sse",
      "url": "http://localhost:9292/sse",
      "tools": ["*"]
    }
  }
}

或者使用交互式设置： copilot mcp add

部署Agent操作手册

为了使复合工程循环发挥作用，部署操作手册：

mkdir -p ~/.copilot
cp instructions/copilot-instructions.md ~/.copilot/copilot-instructions.md

然后告诉你的AI代理： *“处理项目X中的所有问题”* --它处理其余的事情。

______________________________________________________________________

MCP工具

看板工具

内存工具

三重工具（时态知识图）

MCP资源

______________________________________________________________________

REST API

项目

问题

回忆

Triples（时态知识图）

______________________________________________________________________

配置

______________________________________________________________________

项目结构

cmd/
├── server/main.go           # MCP + HTTP server
├── tui/main.go              # Terminal UI
└── cli/main.go              # Command-line interface
internal/
├── api/handlers.go          # REST API (23 endpoints)
├── apiclient/client.go      # Shared REST client (TUI & CLI)
├── mcp/
│   ├── server.go            # MCP server setup
│   ├── tools.go             # 16 MCP tools (8 kanban + 4 memory + 4 triple)
│   └── resources.go         # 4 MCP resources
├── memory/
│   ├── models.go            # Memory data model, categories, DTOs
│   ├── storage.go           # Storage interface (6 methods)
│   ├── manager.go           # Business logic (validation, dedup, BM25 search)
│   ├── mock_storage.go      # Mock for unit tests
│   ├── triple_models.go     # Triple (KG) data model, temporal semantics
│   ├── triple_storage.go    # TripleStorage interface (6 methods)
│   ├── triple_manager.go    # Triple business logic (validation, temporal)
│   └── mock_triple_storage.go # Mock for triple unit tests
├── queue/
│   ├── manager.go           # Kanban business logic layer
│   ├── models.go            # Project/Issue data models
│   └── mock_storage.go      # Mock storage for tests
├── storage/sqlite.go        # SQLite (pure Go, no CGO) — implements queue + memory + triple storage
├── tui/                     # Bubbletea TUI
└── web/static/              # Embedded SPA
instructions/
└── copilot-instructions.md  # Agent operational playbook
AGENTS.md                    # Project knowledge base
LEARNINGS.md                 # Compound learning memory

______________________________________________________________________

发展

make test             # Unit tests (mock storage, no DB required)
make test-coverage    # Coverage report (HTML)
make e2e              # End-to-end tests (starts server automatically)
make lint             # golangci-lint
make fmt              # gofmt
make dev              # Auto-reload with air

示例

make example-stdio    # STDIO client demo
make example-client   # SSE client demo (start server first with make run)

______________________________________________________________________

智力根源

本项目中的线束工程方法来自：

• 复合工程 --这个想法

每个工作单元都应该通过明确的知识捕获使下一个更容易。

• 堆栈 --煮湖（AI制造

完整性低）、构建前搜索、用户主权、证据优先审查。

• 宫殿 --有史以来得分最高的AI记忆系统。而且它是免费的。
• 宫殿书籍 -AI记忆的第一原则。
• 脑 -Garry's Opinionated OpenClaw/Hermes Agent Brain。

这些原则直接嵌入代理工作流程中，而不是作为哲学-- 作为操作步骤，代理自动执行。

许可证

麻省理工学院