aidderall_mcp - 支持分层任务管理，助力AI助手复杂问题解决的MCP集成工具

探索

Aidderall MCP

Aidderall是一个MCP服务器实现，为AI助手提供分层任务管理功能，帮助其在复杂问题解决过程中保持专注和上下文。通过创建独立任务和子任务，AI可以自由切换焦点，按任意顺序完成任务，同时保留所有任务作为工作记录。

知识管理与记忆开发者工具 #任务管理 #AI辅助 #上下文保持 #分层结构 .Python

评分 : 2.5分

下载量 : 5

更新时间 : 2025-07-24

什么是Aidderall?

Aidderall是一个Model Context Protocol (MCP)服务器，专为帮助AI助手管理复杂任务而设计。它通过提供清晰的任务结构和上下文保持功能，让AI能够更好地处理长时间运行的任务。

如何使用Aidderall?

Aidderall通过创建任务和子任务的层次结构来组织工作。用户可以自由切换焦点，完成任务，并保留已完成任务的历史记录。这使得AI能够在复杂的任务中保持专注和上下文。

适用场景

Aidderall适用于需要长期跟踪和管理复杂任务的场景，例如软件开发、研究项目或任何需要多步骤工作的任务。

主要功能

分层任务管理支持创建主任务并扩展子任务，实现复杂工作的分解和组织。

焦点控制确保每次只有一个任务处于活动状态，帮助AI保持专注。

上下文保存保留所有任务及其关系的完整历史记录，便于回溯和参考。

任务完成标记任务为已完成，但仍然保留在可见的历史记录中。

状态持久化跟踪所有任务的状态和关系，确保数据不会丢失。

优势与局限性

优势

提高AI在复杂任务中的专注力

保持完整的任务历史记录

支持灵活的任务切换和导航

适用于多种工作流程和场景

局限性

需要一定的学习曲线来理解其结构

对于简单任务可能显得过于复杂

需要配置和维护

如何使用

安装服务器

克隆仓库并安装依赖项。

启动服务器

运行MCP服务器以开始使用。

集成到AI助手

将Aidderall添加到您的AI助手配置中。

使用案例

设计新功能创建主任务并分解为多个子任务进行详细规划。

切换焦点在不同任务之间自由切换，以保持工作效率。

完成任务标记任务为已完成，但仍保留其历史记录。

常见问题

Aidderall适合哪些类型的项目？

如何开始使用Aidderall？

Aidderall如何帮助AI保持专注？

我可以删除已完成的任务吗？

🚀 Aidderall MCP 服务器

Aidderall 是一个用于分层任务管理的模型上下文协议（MCP）服务器实现，它为 AI 助手提供了一种认知辅助工具，帮助其在复杂的问题解决过程中保持专注和上下文连贯性。AI 助手在处理长期任务时往往面临困难，部分原因在于它们在任何一个时间点能够处理的信息量（上下文窗口）有限。Aidderall 通过为 AI 助手提供以下能力来解决这个问题：

专注力
带有上下文信息的当前认知图景地图

可以将 Aidderall 想象成许多小的上下文窗口，它们帮助 AI 集中注意力并进行记忆！

🚀 快速开始

安装步骤

克隆仓库：

git clone https://github.com/user/aidderall_mcp.git
cd aidderall_mcp

创建并激活虚拟环境：

python -m venv venv
source venv/bin/activate  # 在 Windows 上使用：venv\Scripts\activate

安装依赖：

pip install -r requirements.txt

若用于开发，安装包含开发依赖的包：

pip install -e ".[dev]"

运行服务器

启动 MCP 服务器：

python -m src.server

服务器通过 Python 模块直接运行。

与 AI 助手集成

对于 Claude Code

如果已安装 Claude Code，可以直接添加 Aidderall：

claude mcp add aidderall-mcp /path/to/aidderall_mcp/run_mcp.sh

手动配置

或者，将服务器添加到 MCP 配置中：

{
  "mcpServers": {
    "aidderall": {
      "command": "python",
      "args": ["-m", "src.server"]
    }
  }
}

✨ 主要特性

分层任务管理：创建主任务并通过子任务进行扩展。
专注强化：同一时间仅允许一个任务处于活动状态。
上下文保留：维护面包屑导航路径和同级任务感知。
任务完成：以带时间戳的方式存档已完成的任务。
状态持久化：跟踪所有任务及其关系。

📦 安装指南

克隆仓库：

git clone https://github.com/user/aidderall_mcp.git
cd aidderall_mcp

创建并激活虚拟环境：

python -m venv venv
source venv/bin/activate  # 在 Windows 上使用：venv\Scripts\activate

安装依赖：

pip install -r requirements.txt

若用于开发，安装包含开发依赖的包：

pip install -e ".[dev]"

💻 使用示例

基础用法

# 从根任务开始
create_new_task("Design new feature", "Research and design specs")

# 将其分解为子任务以进行组织
extend_current_task("Research requirements", "User research needed")
extend_current_task("Interview users", "Conduct user interviews")
extend_current_task("Analyze competitors", "Research competitor solutions")

# 使用 switch_focus 以任意顺序处理任务
get_big_picture()  # 查看所有任务及其 ID
switch_focus("task-id-for-research")  # 跳转到研究任务
complete_current_task()  # 完成后标记为已完成

# 跳转到其他任何任务
switch_focus("task-id-for-interviews")  # 处理用户访谈
# ... 进行一些工作 ...
switch_focus("task-id-for-competitors")  # 切换到竞争对手分析

# 创建并行工作流
create_new_task("Write documentation", "Document the new feature")
extend_current_task("API docs", "Write API documentation")
extend_current_task("User guide", "Write user guide")

# 自由地在不同工作流之间跳转
switch_focus("task-id-for-design")  # 返回设计工作
switch_focus("task-id-for-api-docs")  # 跳转到文档编写

# 按任意顺序完成任务
complete_current_task()  # 完成当前专注的任务

# 查看所有任务 - 已完成的任务仍然可见
get_big_picture()
# 输出显示：
# Design new feature (pending)
#   Research requirements (completed)
#   Interview users (pending)
#   Analyze competitors (completed)
# Write documentation (pending)
#   API docs (completed)
#   User guide (pending)

# 通过移除已完成的任务清理工作区
remove_task("task-id-for-research")  # 从视图中移除但保留在历史记录中