什麼是Task Researcher MCP Server?

這是一個基於Model Context Protocol(MCP)的智能任務管理服務，能夠將複雜項目自動分解為可執行任務，並通過集成knowledge-storm庫進行深度研究，為開發決策提供數據支持。

如何使用MCP服務?

通過Claude Desktop等MCP客戶端連接後，您可以：1) 解析項目需求生成任務清單 2) 自動分解複雜任務 3) 獲取AI生成的研究報告 4) 管理任務依賴關係

適用場景

特別適合需要結合最新技術研究的AI項目開發、複雜系統架構設計，以及需要持續跟蹤技術動態的研發團隊。

主要功能

智能研究(STORM)自動識別研究問題→分組主題→執行知識風暴→生成研究報告→指導任務分解

AI任務分解支持多種LLM模型將宏觀任務分解為可執行的子任務

依賴關係管理自動檢測和修復任務間的依賴問題(循環引用/缺失依賴)

MCP協議集成通過標準化協議與各類AI開發工具無縫對接

優勢與侷限性

優勢

結合即時網絡研究數據增強AI決策能力

支持多模型切換(claude/gemini等)

可視化任務依賴關係圖

與現有開發工具鏈深度集成

侷限性

需要配置多個API密鑰(LLM+搜索引擎)

複雜研究任務可能消耗較多token

目前主要支持英文內容處理

如何使用

環境準備

安裝Python 3.10+和Poetry，配置.env文件中的API密鑰

啟動MCP服務

通過Poetry運行MCP服務器(stdio傳輸模式)

客戶端配置

在Claude Desktop等MCP客戶端中添加服務器配置

使用案例

新技術調研評估不同向量數據庫在RAG應用中的表現

複雜任務分解實現JWT身份驗證系統

常見問題

需要哪些API密鑰?

STORM研究如何控制成本?

支持哪些MCP客戶端?

🚀 任務研究

本項目聚焦於任務研究相關內容，涵蓋了配置文件說明、任務結構定義以及不同命令參數的區別，為任務的開展和管理提供了清晰的指引。

🚀 快速開始

若要開啟任務研究，需先完成.env文件的配置，並瞭解任務結構，同時清楚--research與--research-hint的區別，以下將詳細介紹。

📦 安裝指南

`.env`配置文件示例

請參考.env.example文件。關鍵設置包括：

LLM_MODEL：用於任務、分析和生成子任務（非STORM）的主要模型。
ANTHROPIC_API_KEY, GOOGLE_API_KEY等：主要LLM的API密鑰。
STORM_RETRIEVER：用於STORM檢索器的選擇（如bing, you, tavily等）。
BING_SEARCH_API_KEY, YDC_API_KEY, TAVILY_API_KEY等：所選STORM檢索器的API密鑰。
BIG_STORM_MODEL：（可選）用於STORM內部處理的大模型。
SMALL_STORM_MODEL：（可選）用於STORM內部處理的小模型。
STORM_SEARCH_TOP_K, STORM_MAX_TOKENS_*：控制STORM的深度。
文件路徑（如TASKS_FILE_PATH等）。

📚 詳細文檔

任務結構 (`tasks/tasks.json`)

任務結構遵循在task_master_py/models.py中定義的Pydantic模型，包括Task、Subtask和TasksData。

{
  "meta": {
    "projectName": "任務大師項目",
    "projectVersion": "0.1.2",
    "sourceFiles": ["scripts/plan.md", "..."],
    "generatedAt": "...",
    "totalTasks": 15
  },
  "tasks": [
    {
      "id": 1,
      "title": "設置項目環境",
      "phase": 1,
      "description": "初始化項目結構，安裝依賴項，配置代碼檢查工具。",
      "details": "...",
      "status": "pending",
      "dependencies": [],
      "priority": "high",
      "testStrategy": "通過運行基本命令驗證環境設置。",
      "subtasks": []
    },
    {
      "id": 2,
      "title": "實現核心數據模型",
      "phase": 1,
      "description": "定義Pydantic模型用於任務和報告。",
      "details": "...",
      "status": "pending",
      "dependencies": [1], // 依賴於任務1
      "priority": "high",
      "testStrategy": "為模型驗證編寫單元測試。",
      "subtasks": [
        {
            "id": 1, // 子任務ID相對於父任務
            "title": "定義任務模型",
            "description": "...",
            "details": "...",
            "status": "pending",
            "dependencies": [], // 子任務之間的依賴關係（整數）
            "acceptanceCriteria": "Pydantic模型通過驗證...",
        },
        {
            "id": 2,
            "title": "定義報告模型",
            "description": "...", 
            "details": "...",
            "status": "pending",
            "dependencies": [1], // 依賴於子任務1
            "acceptanceCriteria": "Pydantic模型通過驗證...",
        }
      ]
    },
    // ... 更多任務
  ]
}

`--research`與`--research-hint`的區別

expand --research：觸發完整的基於STORM的工作流：AI生成問題 -> AI分組問題 -> knowledge-storm執行網絡搜索併合成報告 -> AI利用合成的報告作為上下文生成子任務。需要knowledge-storm和配置好的檢索器API密鑰。
analyze-complexity --research-hint：修改主要LLM的提示，使其更像研究助理一樣使用其內部知識庫進行分析。不使用knowledge-storm或執行即時網絡搜索。
update --research-hint：與analyze-complexity類似，提示主要LLM在處理更新提示時使用其內部知識。