什么是Task Researcher MCP Server?

这是一个基于Model Context Protocol(MCP)的智能任务管理服务，能够将复杂项目自动分解为可执行任务，并通过集成knowledge-storm库进行深度研究，为开发决策提供数据支持。

如何使用MCP服务?

通过Claude Desktop等MCP客户端连接后，您可以：1) 解析项目需求生成任务清单 2) 自动分解复杂任务 3) 获取AI生成的研究报告 4) 管理任务依赖关系

适用场景

特别适合需要结合最新技术研究的AI项目开发、复杂系统架构设计，以及需要持续跟踪技术动态的研发团队。

主要功能

智能研究(STORM)自动识别研究问题→分组主题→执行知识风暴→生成研究报告→指导任务分解

AI任务分解支持多种LLM模型将宏观任务分解为可执行的子任务

依赖关系管理自动检测和修复任务间的依赖问题(循环引用/缺失依赖)

MCP协议集成通过标准化协议与各类AI开发工具无缝对接

优势与局限性

优势

结合实时网络研究数据增强AI决策能力

支持多模型切换(claude/gemini等)

可视化任务依赖关系图

与现有开发工具链深度集成

局限性

需要配置多个API密钥(LLM+搜索引擎)

复杂研究任务可能消耗较多token

目前主要支持英文内容处理

如何使用

环境准备

安装Python 3.10+和Poetry，配置.env文件中的API密钥

启动MCP服务

通过Poetry运行MCP服务器(stdio传输模式)

客户端配置

在Claude Desktop等MCP客户端中添加服务器配置

使用案例

新技术调研评估不同向量数据库在RAG应用中的表现

复杂任务分解实现JWT身份验证系统

常见问题

需要哪些API密钥?

STORM研究如何控制成本?

支持哪些MCP客户端?

🚀 任务研究

本项目聚焦于任务研究相关内容，涵盖了配置文件说明、任务结构定义以及不同命令参数的区别，为任务的开展和管理提供了清晰的指引。

🚀 快速开始

若要开启任务研究，需先完成.env文件的配置，并了解任务结构，同时清楚--research与--research-hint的区别，以下将详细介绍。

📦 安装指南

`.env`配置文件示例

请参考.env.example文件。关键设置包括：

LLM_MODEL：用于任务、分析和生成子任务（非STORM）的主要模型。
ANTHROPIC_API_KEY, GOOGLE_API_KEY等：主要LLM的API密钥。
STORM_RETRIEVER：用于STORM检索器的选择（如bing, you, tavily等）。
BING_SEARCH_API_KEY, YDC_API_KEY, TAVILY_API_KEY等：所选STORM检索器的API密钥。
BIG_STORM_MODEL：（可选）用于STORM内部处理的大模型。
SMALL_STORM_MODEL：（可选）用于STORM内部处理的小模型。
STORM_SEARCH_TOP_K, STORM_MAX_TOKENS_*：控制STORM的深度。
文件路径（如TASKS_FILE_PATH等）。

📚 详细文档

任务结构 (`tasks/tasks.json`)

任务结构遵循在task_master_py/models.py中定义的Pydantic模型，包括Task、Subtask和TasksData。

{
  "meta": {
    "projectName": "任务大师项目",
    "projectVersion": "0.1.2",
    "sourceFiles": ["scripts/plan.md", "..."],
    "generatedAt": "...",
    "totalTasks": 15
  },
  "tasks": [
    {
      "id": 1,
      "title": "设置项目环境",
      "phase": 1,
      "description": "初始化项目结构，安装依赖项，配置代码检查工具。",
      "details": "...",
      "status": "pending",
      "dependencies": [],
      "priority": "high",
      "testStrategy": "通过运行基本命令验证环境设置。",
      "subtasks": []
    },
    {
      "id": 2,
      "title": "实现核心数据模型",
      "phase": 1,
      "description": "定义Pydantic模型用于任务和报告。",
      "details": "...",
      "status": "pending",
      "dependencies": [1], // 依赖于任务1
      "priority": "high",
      "testStrategy": "为模型验证编写单元测试。",
      "subtasks": [
        {
            "id": 1, // 子任务ID相对于父任务
            "title": "定义任务模型",
            "description": "...",
            "details": "...",
            "status": "pending",
            "dependencies": [], // 子任务之间的依赖关系（整数）
            "acceptanceCriteria": "Pydantic模型通过验证...",
        },
        {
            "id": 2,
            "title": "定义报告模型",
            "description": "...", 
            "details": "...",
            "status": "pending",
            "dependencies": [1], // 依赖于子任务1
            "acceptanceCriteria": "Pydantic模型通过验证...",
        }
      ]
    },
    // ... 更多任务
  ]
}

`--research`与`--research-hint`的区别

expand --research：触发完整的基于STORM的工作流：AI生成问题 -> AI分组问题 -> knowledge-storm执行网络搜索并合成报告 -> AI利用合成的报告作为上下文生成子任务。需要knowledge-storm和配置好的检索器API密钥。
analyze-complexity --research-hint：修改主要LLM的提示，使其更像研究助理一样使用其内部知识库进行分析。不使用knowledge-storm或执行实时网络搜索。
update --research-hint：与analyze-complexity类似，提示主要LLM在处理更新提示时使用其内部知识。