🧠 线性模型上下文协议（Python）
该项目定义了 模型上下文协议（MCP） 它与 线性GraphQL API 为大型语言模型（LLM）提供结构化、可操作的上下文。目标是实现高级路线图生成、差距分析、问题创建和可视化——所有这些都由团队的实时线性数据驱动。
______________________________________________________________________
🚀 目的
该协议使LLM能够：
- 了解当前的工作状态（问题、项目、周期）
- 识别差距、技术债务和新兴主题
- 提出或创建新的问题和倡议
- 可视化进度并计划未来的工作
非常适合使用Linear+LLM的产品、平台和战略团队。
______________________________________________________________________
📦 功能范围
✅ 读取操作（上下文摄入）
| 功能 | 说明 |
|---|---|
get_assigned_issues(user_id=None) | 获取分配给用户的问题 |
get_all_issues(filters=None) | 检索所有问题（使用可选筛选器） |
get_issue_details(issue_id) | 问题的完整详细视图 |
get_all_projects() | 列出所有项目 |
get_project_details(project_id) | 元数据和项目进度 |
get_current_user() | 获取经过身份验证的用户信息 |
get_team_members(team_id) | 用于基于能力和团队的规划 |
get_all_cycles() | 用于冲刺/迭代分析 |
get_roadmaps() | （可选）线性路线图集成 |
______________________________________________________________________
✍️ 写操作（LLM操作）
| 功能 | 说明 |
|---|---|
create_issue(data) | 创建新问题 |
update_issue(issue_id, updates) | 修改问题内容/状态 |
assign_issue(issue_id, user_id) | 设置所有权 |
move_issue_to_cycle(issue_id, cycle_id) | 进度问题 |
create_project(data) | 启动LLM建议的项目 |
______________________________________________________________________
📊 分析函数
| 功能 | 说明 |
|---|---|
group_issues_by_project() | 按计划汇总工作视图 |
get_unassigned_issues() | 需要分流的地面工作 |
get_stale_issues(days_old=30) | 识别被忽视的问题 |
get_backlog_items() | 低优先级或计划外工作 |
get_issues_by_label(label) | 用于基于主题的分组 |
get_dependencies(issue_id) | 追踪上游/下游工作 |
______________________________________________________________________
🧠 LLM上下文格式
LLM收到结构化摘要，如：
{
"team_goals": "...",
"current_projects": [...],
"issues_by_theme": {
"AI Enablement": [...],
"Tech Debt": [...]
},
"gaps_identified": [...],
"suggested_initiatives": [...]
}