Taskmaster AI - 通过AI任务管理来提升开发效率

projects
#Taskmaster #MCP #AI Task Management

简介

主页：https://www.task-master.dev/ github: https://github.com/eyaltoledano/claude-task-master npm: https://www.npmjs.com/package/task-master-ai

Claude Task Master是一个用于基于AI任务管理的开源项目，适配多种开发工具（如Cursor、Windsurf、VS Code、Claude Code CLI等）。主要功能包括：

  1. 核心特点：

    • 可以利用Claude及其他AI模型（如OpenAI、Anthropic、Google Gemini）高效生成任务并管理项目。
    • 也可以委托MCP Client端的AI模型来完成大模型调用而不需要额外大模型配置。
    • 支持任务解析、自动规划下一步、任务扩展以及实时研究。

  2. 配置与使用：

    • 提供快速安装方式，支持MCP协议集成及命令行使用。
    • 要求设置环境变量及API密钥（支持多个模型和提供商）。
    • 无需API密钥即可通过Claude Code CLI使用Claude Code模型，或通过MCP Client的AI模型来完成大模型调用而不需要额外大模型配置。

  3. 主要命令：

    • 项目初始化（task-master init）。
    • 解析需求文档生成任务。（task-master parse-prd）
    • 显示任务列表及指定任务。
    • 执行研究或生成任务文件。

  4. 文档与使用指南：

    • 提供全面的配置教程、任务结构说明及常见交互示例。
    • 包括迁移说明、教程及环境变量设定。

  5. 许可协议：

    • 遵循MIT协议，允许个人及商业使用、修改与分发，但禁止出售软件或作为托管服务。

  6. 支持：

    • 最新版本为v0.19.0，支持多语言模型集成，适合复杂项目，通过详细PRD提升任务生成质量。

这是一个功能强大的任务管理系统，适用于AI驱动的开发流程，简化任务规划与实施。

主要功能

支持AI Code Assistant CLI

  • Claude Code CLI： 在0.18.0版本中支持。
  • Gemini CLI： 在0.19.0版本中支持。

调用MCP Client端的LLM

TBD： 预计在0.20.0版本中支持。

该功能允许Taskmaster通过MCP客户端（比如cursor）进行任务委托，而无需直接调用API密钥, 为已经为cursor等工具付费的用户减少了额外LLM API调用的费用。github PR 参考：Delegate Task Master LLM calls to an MCP client without the need for API keys，好处是：

  • 简化设置：无需在Taskmaster中管理多个API密钥
  • 成本控制：代理自行处理大语言模型（LLM）计费和速率限制
  • 灵活性：通过代理使用任何大语言模型（LLM）提供商或本地模型
  • 统一接口：无论大语言模型（LLM）来源如何，相同的Taskmaster命令均可使用

该PR实现如下功能：

  • 引入AgentLLMProvider类，通过MCP接口实现LLM任务委托，支持多种AI角色和混合提供商。
  • 新增MCP工具，支持双向通信及状态跟踪，增强交互管理和错误处理机制。
  • 提供详细的配置和使用示例，支持多种模型和定制化设置。
  • 测试覆盖多种场景，包括Claude Desktop等多个客户端，确保兼容性和稳定性。
  • 提供文档和规则支持，确保代理LLM工具的正确工作流程。
  • 保持向后兼容性，支持传统提供商与新功能的结合使用。

安装

开始使用Taskmaster AI的最快方法是通过npm安装它，并在你的项目中初始化它：

1

npm install -g task-master-ai

配置

方式一：作为CLI单独使用

这个一般和第三方系统结合使用或让用户单独直接使用。这里不做过多介绍，可以参考npm相关网页：https://www.npmjs.com/package/task-master-ai 注意，CLI方式会自动读取.env文件。

CLI主要命令如下：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

# Initialize a new project
task-master init

# Parse a PRD and generate tasks
task-master parse-prd your-prd.txt

# List all tasks
task-master list

# Show the next task to work on
task-master next

# Show specific task(s) - supports comma-separated IDs
task-master show 1,3,5

# Research fresh information with project context
task-master research "What are the latest best practices for JWT authentication?"

# Generate task files
task-master generate

# Add rules after initialization
task-master rules add windsurf,roo,vscode

结合MCP Client使用

常见的客户端包括：Cursor, Windsurf，Claude Destop，Gemini CLI等。下面以cursor为例子。

  1. 初始化task master

在cursor的chatbox里面直接说“初始化task master”，然后他就会自动为task master在cursor里面生成相应的.taskmaster目录和相关配置文件,以及在.cursor目录下生成taskmaster目录和mcp.json文件。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

.taskmaster/
|--config.json  # 配置main，research和fallback的模型信息。
|--state.json
|--tasks/


.cursor/
|--taskmaster/
|--mcp.json

.taskmaster/config.json配置里的**models**部分如下
```json
{
  "models": {
    "main": {
      "provider": "agentllm",
      "modelId": "agent-delegated-model",
      "maxTokens": 1048000,
      "temperature": 0.2
     },
    "research": {
      "provider": "agentllm",
      "modelId": "agent-delegated-model",
      "maxTokens": 8700,
      "temperature": 0.1
    },
  }
}
  1. 在MCP Client里面配置MCP Server 配置mcp.json文件，配置task-master-ai的命令和环境变量。

注意: 如果配置使用cursor（MCP Client）的模型，下面的环境变量的KEY是不用配置的。比如在.taskmaster/config.json的models部分配置了agentllm.

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

{
  "mcpServers": {
    "taskmaster-ai": {
      "command": "npx",
      "args": ["-y", "--package=task-master-ai", "task-master-ai"],
      "env": {
        "ANTHROPIC_API_KEY": "YOUR_ANTHROPIC_API_KEY_HERE",
        "PERPLEXITY_API_KEY": "YOUR_PERPLEXITY_API_KEY_HERE",
        "OPENAI_API_KEY": "YOUR_OPENAI_KEY_HERE",
        "GOOGLE_API_KEY": "YOUR_GOOGLE_KEY_HERE",
        "MISTRAL_API_KEY": "YOUR_MISTRAL_KEY_HERE",
        "OPENROUTER_API_KEY": "YOUR_OPENROUTER_KEY_HERE",
        "XAI_API_KEY": "YOUR_XAI_KEY_HERE",
        "AZURE_OPENAI_API_KEY": "YOUR_AZURE_KEY_HERE",
        "OLLAMA_API_KEY": "YOUR_OLLAMA_API_KEY_HERE"
      }
    }
  }
}

在cursor里面配置MCP Server, 参考：taskmaster-ai的github

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

"taskmaster-ai": {
      "command": "npx",
      "args": ["-y", "--package=task-master-ai", "task-master-ai"],
      "env": {
        "ANTHROPIC_API_KEY": "YOUR_ANTHROPIC_API_KEY_HERE",
        "PERPLEXITY_API_KEY": "YOUR_PERPLEXITY_API_KEY_HERE",
        "OPENAI_API_KEY": "YOUR_OPENAI_KEY_HERE",
        "GOOGLE_API_KEY": "YOUR_GOOGLE_KEY_HERE",
        "MISTRAL_API_KEY": "YOUR_MISTRAL_KEY_HERE",
        "OPENROUTER_API_KEY": "YOUR_OPENROUTER_KEY_HERE",
        "XAI_API_KEY": "YOUR_XAI_KEY_HERE",
        "AZURE_OPENAI_API_KEY": "YOUR_AZURE_KEY_HERE",
        "OLLAMA_API_KEY": "YOUR_OLLAMA_API_KEY_HERE"
      }
    }

配好后，enable taskmaster-ai MCP server，当左下角显示绿点时，表示配好并运行成功了。