ai-dev-manager-mcp

AI开发经理 MCP服务

一个基于FastMCP框架的智能开发经理服务，帮助AI有条不紊地完成从需求分析、迭代规划、任务拆解到生成开发报告的完整软件开发生命周期。

🎯 项目概述

本MCP服务扮演AI的"开发经理"角色，提供：

• 项目状态机: 作为项目元数据的唯一、可靠的数据源
• AI引导者: 为AI提供结构清晰的工具集和上下文感知的引导提示

核心特性

• ✅ 自动感知工作目录: 基于当前工作目录进行项目管理
• ✅ 版本化迭代管理: 支持语义化版本号和完整的迭代生命周期
• ✅ 结构化数据存储: 所有数据存储在.cursor/devplan/目录
• ✅ 智能引导系统: 根据开发阶段提供针对性指导
• ✅ 原子性操作: 确保数据一致性和操作安全性
• ✅ 多种使用方式: 支持MCP服务器和CLI两种模式

📦 安装方式

方式一：PyPI安装（推荐）

# 全局安装
pip install ai-dev-manager-mcp

# 或使用pipx（推荐）
pipx install ai-dev-manager-mcp

方式二：使用uvx（一次性运行）

# 直接启动MCP服务器
uvx ai-dev-manager-mcp

# 在指定项目目录启动
uvx ai-dev-manager-mcp -p /path/to/your/project

方式三：源码安装

git clone https://github.com/yourusername/ai-dev-manager-mcp.git
cd ai-dev-manager-mcp
pip install -e .

🚀 使用方式

MCP服务器模式（主要用法）

使用uvx（推荐）

{
  "mcpServers": {
    "ai-dev-manager": {
      "command": "uvx",
      "args": ["ai-dev-manager-mcp", "-p", "/your/project/directory"]
    }
  }
}

使用pipx安装后

{
  "mcpServers": {
    "ai-dev-manager": {
      "command": "ai-dev-manager-mcp",
      "args": ["-p", "/your/project/directory"]
    }
  }
}

基本使用流程

配置好Claude Desktop后，直接在对话中使用MCP工具：

1. 获取项目上下文 - 调用 get_project_context()
2. 开始新迭代 - 调用 start_new_iteration("1.0.0", "项目需求描述")
3. 拆解需求 - 调用 decompose_goal_into_requirements(goal_id, requirements_list)
4. 生成任务 - 调用 generate_tasks_for_requirement(requirement_id, tasks_list)
5. 跟踪进度 - 调用 update_task_status(task_id, "done")

🛠️ 主要功能

MCP工具（Claude Desktop中使用）

类别一：上下文与引导工具

• get_project_context() - 获取项目根目录、计划目录和当前活动迭代
• get_guidance(phase) - 根据开发阶段提供引导建议

类别二：迭代管理工具

• start_new_iteration(version, prd) - 创建新的开发迭代
• list_iterations() - 列出所有历史迭代
• complete_iteration(version) - 完成并归档指定迭代

类别三：规划与拆解工具

• decompose_goal_into_requirements(goal_id, requirements) - 将目标拆解为功能需求
• generate_tasks_for_requirement(requirement_id, tasks) - 为需求生成具体任务

类别四：执行与报告工具

• update_task_status(task_id, status) - 更新任务完成状态
• update_development_report(content, mode) - 更新开发报告

类别五：查询与视图工具

• view_current_iteration_plan() - 查看当前迭代的完整计划
• view_development_report() - 查看当前迭代的开发报告

📁 数据存储结构

.cursor/devplan/
├── active_iteration.json      # 当前活动迭代
├── iterations_index.json      # 迭代索引
├── v1.0.0/                    # 版本目录
│   ├── iteration.json          # 迭代数据
│   └── report.md              # 开发报告
└── v1.1.0/
    ├── iteration.json
    └── report.md

🔧 配置选项

环境变量

• 无需特殊环境变量配置
• 自动使用当前工作目录作为项目根目录

自定义项目根目录

# 使用uvx
uvx ai-dev-manager-mcp -p /custom/path

# 在Claude Desktop配置中指定
{
  "args": ["ai-dev-manager-mcp", "-p", "/custom/path"]
}

📚 使用场景

1. 个人开发者

# 启动MCP服务器进行开发
uvx ai-dev-manager-mcp -p ~/my-blog-project

2. 团队协作

# 团队成员配置Claude Desktop指向同一项目目录
# 在配置中设置项目路径，确保所有人使用相同的项目状态

3. AI助手集成

在Claude Desktop中配置MCP服务器，让AI助手自动管理开发流程。

🤝 贡献

欢迎提交Issue和Pull Request！

📄 许可证

MIT License - 详见 LICENSE 文件

---

自我挑战:

这个AI开发经理MCP服务的设计有什么潜在的改进空间？

1. 数据持久化: 当前使用JSON文件存储，对于大型项目可能需要考虑数据库支持
2. 并发控制: 多人协作时可能需要更强的锁机制
3. 模板系统: 可以为不同类型的项目提供预定义的需求和任务模板
4. 集成能力: 可以考虑与Git、CI/CD系统的集成
5. 可视化: 可以增加进度图表、甘特图等可视化功能
6. AI学习: 可以基于历史数据为AI提供更智能的建议

这些改进点可以根据实际使用反馈逐步实现，确保服务始终满足实际开发需求！