AI Task Master

by @eyaltoledano, enhanced by [skindhu]

一个用于AI驱动开发的通用任务管理系统，使用Google Gemini模型，专为与Cursor AI无缝协作而设计。

项目背景

AI Task Master 是对原始 claude-task-manager 项目的增强和改进版本。分析了原始项目的设计理念和能力后，发现其具有以下不足：

模型限制：项目使用的Claude模型API费用高昂（输入$3/百万token，输出$15/百万token），且Claude风控极其严格，API在国内容易被封禁。
知识融合不足：任务拆分完全依赖PRD文档，缺乏对业务知识的深入理解。
语言单一：输出仅限英文，需要二次翻译才能便于中文用户理解。
操作繁琐：任务管理主要依赖CLI命令，缺乏直观的可视化呈现。
拆分不灵活：任务和子任务拆分必须指定固定数量，不够智能和灵活。

基于以上问题，我们对系统进行了全方位的改进：

模型升级：将所有Claude调用替换为Gemini 2.5 Pro，不仅免费且更稳定。
知识库集成：支持在拆分任务时传递业务知识库路径，让AI参考业务背景进行更准确的任务拆解。
中英双语支持：通过USE_CHINESE环境变量，支持同时生成英文指令和中文描述，既保证指令执行质量，又提升阅读体验。
可视化管理：新增web服务器功能，提供直观的中文界面管理任务，同时支持一键复制英文指令。
智能拆分：优化任务拆分逻辑，可以根据任务复杂度自动决定适合的拆解粒度。

这些改进使Task Master成为一个更强大、更友好的AI任务管理工具，特别适合中文开发者使用。

系统截图

Task Master Web界面展示了任务列表和详细信息，支持中英双语显示和状态管理

核心优势

免费稳定的AI模型: 使用Gemini 2.5 Pro，无需支付高昂的API费用
业务知识融合: 任务拆分时可引入业务知识背景，提高任务理解质量
中英双语支持: 同时生成英文指令和中文描述，兼顾使用体验和执行质量
可视化界面: 提供Web界面进行任务管理，摆脱繁琐的命令行操作
灵活任务拆分: 智能决定最适合的任务拆解粒度

系统要求

Node.js 14.0.0 或更高版本
Google API key (用于Gemini API访问)
OpenAI SDK (可选，用于Perplexity API集成)

配置

通过项目根目录下的.env文件中的环境变量进行配置：

必需配置

GOOGLE_API_KEY: 用于Gemini访问的Google API密钥(主要要求)

可选配置

MAX_TOKENS: 模型响应的最大令牌数 (默认: 8192)
TEMPERATURE: 模型响应的温度 (默认: 0.7)
GEMINI_BASE_URL: Google Gemini的自定义API端点 (可选)
PERPLEXITY_API_KEY: 用于研究支持的子任务生成的Perplexity API密钥
PERPLEXITY_MODEL: 指定要使用的Perplexity模型 (默认: "sonar-pro")
DEBUG: 启用调试日志 (默认: false)
LOG_LEVEL: 日志级别 - debug, info, warn, error (默认: info)
DEFAULT_SUBTASKS: 展开时的默认子任务数量 (默认: 3)
DEFAULT_PRIORITY: 生成任务的默认优先级 (默认: medium)
PROJECT_NAME: 覆盖tasks.json中的默认项目名称
PROJECT_VERSION: 覆盖tasks.json中的默认版本
USE_CHINESE: 设置后将生成任务的中文翻译字段 (如titleTrans, descriptionTrans等)
GEMINI_BASE_URL: 支持配置GEMINI访问代理

安装

# 全局安装
npm install -g ai-task-manager

# 或在项目中本地安装
npm install ai-task-manager

初始化新项目

# 如果全局安装
task-manager init

# 如果本地安装
npx task-manager-init

这将提示您输入项目详细信息，并设置一个具有必要文件和结构的新项目。

重要说明

本包使用ES模块。您的package.json应包含"type": "module"。
您需要一个具有适当权限的有效Google API密钥才能使用Gemini Pro 2.5。

全局命令快速入门

全局安装软件包后，您可以从任何目录使用这些CLI命令：

# 初始化新项目
task-manager init

# 从PRD解析并生成任务
task-manager parse-prd your-prd.txt

# 从PRD解析并生成任务，同时参考业务知识库
task-manager parse-prd your-prd.txt -k docs/

# 列出所有任务
task-manager list

# 显示下一个要处理的任务
task-manager next

# 生成任务文件
task-manager generate

# 启动Web界面进行任务管理
task-manager server

任务结构

tasks.json中的任务具有以下结构：

id: 任务的唯一标识符 (例如: 1)
title: 任务的简短描述性标题 (例如: "Initialize Repo")
titleTrans: 任务标题的中文翻译 (例如: "初始化仓库") (当设置USE_CHINESE时生成)
description: 任务内容的简明描述 (例如: "Create a new repository, set up initial structure.")
descriptionTrans: 任务描述的中文翻译 (例如: "创建新仓库，设置初始结构。") (当设置USE_CHINESE时生成)
status: 任务的当前状态 (例如: "pending", "done", "deferred")
dependencies: 必须在此任务之前完成的任务的ID (例如: [1, 2])
- 依赖项显示带有状态指示器 (✅ 表示已完成, ⏱️ 表示待处理)
- 这有助于快速识别哪些先决任务正在阻止工作
priority: 任务的重要性级别 (例如: "high", "medium", "low")
details: 深入的实现说明 (例如: "Use GitHub client ID/secret, handle callback, set session token.")
detailsTrans: 实现细节的中文翻译 (当设置USE_CHINESE时生成)
testStrategy: 验证方法 (例如: "Deploy and call endpoint to confirm 'Hello World' response.")
testStrategyTrans: 测试策略的中文翻译 (当设置USE_CHINESE时生成)
subtasks: 构成主任务的更小、更具体的任务列表 (例如: [{"id": 1, "title": "Configure OAuth", ...}])

业务知识集成

Task Master现在支持在任务生成过程中引入业务知识库：

# 使用知识库目录解析PRD
task-manager parse-prd your-prd.txt -k docs/

# 使用特定知识文件解析PRD
task-manager parse-prd your-prd.txt -k docs/domain_knowledge.md

# 生成子任务时使用知识库(如果parse-prd时已使用知识库，则无需再次指定)
task-manager expand --id=3 -k docs/

业务知识集成的优势：

任务拆分更贴合业务实际需求
提高任务描述的准确性和相关性
减少AI对业务理解不足导致的错误
知识库一旦在PRD解析时引入，会自动用于后续的子任务拆分

中英双语支持

设置USE_CHINESE=true环境变量后，系统会同时生成英文指令和中文描述：

英文字段用于AI执行，确保指令执行质量
中文字段用于人工查看，提高理解效率
Web界面默认显示中文字段（如果存在）

中文字段包括：

titleTrans: 任务标题的中文翻译
descriptionTrans: 任务描述的中文翻译
detailsTrans: 实现细节的中文翻译
testStrategyTrans: 测试策略的中文翻译

Web界面

Task Master包含内置的Web界面，用于任务可视化和管理。

启动Web服务器

# 在默认端口(3002)上启动Web服务器
task-manager server

# 使用自定义端口
task-manager server --port=4000

# 指定替代tasks.json文件
task-manager server --file=custom-tasks.json

# 启动并显示调试路径信息
task-manager server --debug-paths

Web界面功能

任务列表视图: 浏览所有任务，可按状态筛选
任务详情视图: 查看每个任务的综合信息
子任务管理: 查看和交互子任务
状态更新: 直接从Web界面更改任务状态
本地化支持: 通过locale参数在英文和中文内容之间切换
API访问: 通过RESTful端点以编程方式访问任务数据

API端点

Web服务器提供以下RESTful API端点：

GET /api/tasks: 获取所有任务及其子任务

# 使用默认语言(中文)获取任务
curl http://localhost:3002/api/tasks

# 以英文获取任务
curl http://localhost:3002/api/tasks?locale=en

GET /api/tasks/:taskId: 通过ID获取特定任务

# 以英文获取ID为1的任务
curl http://localhost:3002/api/tasks/1?locale=en

PUT /api/tasks/:taskId: 更新任务属性

# 更新任务状态
curl -X PUT http://localhost:3002/api/tasks/1 -H "Content-Type: application/json" -d '{"status":"done"}'

PUT /api/tasks/:taskId/subtasks/:subtaskId: 更新子任务属性

# 更新子任务状态
curl -X PUT http://localhost:3002/api/tasks/1/subtasks/2 -H "Content-Type: application/json" -d '{"status":"done"}'

与Cursor AI集成

Task Master专为与Cursor AI无缝协作而设计，为AI驱动的开发提供结构化工作流。

使用Cursor设置

初始化项目后，在Cursor中打开它
.cursor/rules/dev_workflow.mdc文件被Cursor自动加载，向AI提供有关任务管理系统的知识
将PRD文档放在scripts/目录中(例如，scripts/prd.txt)
打开Cursor的AI聊天并切换到Agent模式

在Cursor中设置MCP

要使用模型控制协议(MCP)直接在Cursor中启用增强的任务管理功能：

转到Cursor设置
导航到MCP部分
点击"添加新MCP服务器"
使用以下详细信息进行配置：
- 名称："Task Master"
- 类型："Command"
- 命令："npx -y --package task-manager-ai task-manager-mcp"
保存设置

配置完成后，您可以直接通过Cursor的界面与Task Master的任务管理命令交互，提供更集成的体验。

初始任务生成

在Cursor的AI聊天中，指示代理从您的PRD生成任务：

请使用task-manager parse-prd命令从我的PRD生成任务。PRD位于scripts/prd.txt。

代理将执行：

task-manager parse-prd scripts/prd.txt

或者，如果您想要利用业务知识库：

task-manager parse-prd scripts/prd.txt -k docs/

这将：

解析您的PRD文档
生成具有任务、依赖项、优先级和测试策略的结构化tasks.json文件
由于Cursor规则，代理将理解此过程

AI驱动的开发工作流

通过Cursor代理预配置（通过规则文件），可以遵循以下工作流程：

1. 任务发现和选择

询问代理可用的任务：

有哪些任务可以进行处理？

代理将：

运行task-manager list查看所有任务
运行task-manager next确定下一个要处理的任务
分析依赖关系，确定哪些任务已准备好进行处理
基于优先级和ID顺序对任务进行优先排序
建议下一个要实现的任务

2. 任务实现

在实现任务时，代理将：

参考任务的详细信息部分了解实现细节
考虑对先前任务的依赖关系
遵循项目的编码标准
基于任务的testStrategy创建适当的测试

您可以询问：

让我们实现任务3。它涉及什么？

3. 任务验证

在将任务标记为完成之前，根据以下内容进行验证：

任务指定的testStrategy
代码库中的任何自动测试
必要时进行手动验证

4. 任务完成

当任务完成时，告诉代理：

任务3现在已完成。请更新其状态。

代理将执行：

task-manager set-status --id=3 --status=done

5. 处理实现偏差

如果在实现过程中，您发现：

当前方法与计划的有显著不同
由于当前实现选择，未来任务需要修改
出现了新的依赖项或需求

告诉代理：

我们改变了方法。我们现在使用Express而不是Fastify。请更新所有未来任务以反映这一变化。

代理将执行：

task-manager update --from=4 --prompt="现在我们使用Express而不是Fastify。"

这将重写或重新调整tasks.json中的后续任务，同时保留已完成的工作。

6. 分解复杂任务

对于需要更细粒度的复杂任务：

任务5看起来很复杂。能将它分解为子任务吗？

代理将执行：

task-manager expand --id=5 --num=3

您可以提供额外的上下文：

请分解任务5，重点关注安全考虑因素。

代理将执行：

task-manager expand --id=5 --prompt="重点关注安全方面"

您还可以展开所有待处理的任务：

请将所有待处理的任务分解为子任务。

代理将执行：

task-manager expand --all

对于使用Perplexity AI的研究支持的子任务生成：

请使用研究支持的生成方式分解任务5。

代理将执行：

task-manager expand --id=5 --research

命令参考

以下是所有可用命令的综合参考：

解析PRD

# 解析PRD文件并生成任务
task-manager parse-prd <prd-file.txt>

# 限制生成的任务数量
task-manager parse-prd <prd-file.txt> --num-tasks=10

# 使用业务知识库解析PRD
task-manager parse-prd <prd-file.txt> -k docs/

# 使用特定知识文件解析PRD
task-manager parse-prd <prd-file.txt> -k docs/domain_knowledge.md

列出任务

# 列出所有任务
task-manager list

# 列出具有特定状态的任务
task-manager list --status=<status>

# 列出带有子任务的任务
task-manager list --with-subtasks

# 列出具有特定状态并包含子任务的任务
task-manager list --status=<status> --with-subtasks

显示下一个任务

# 根据依赖关系和状态显示下一个要处理的任务
task-manager next

显示特定任务

# 显示特定任务的详细信息
task-manager show <id>
# 或
task-manager show --id=<id>

# 查看特定子任务（例如，任务1的子任务2）
task-manager show 1.2

更新任务

# 从特定ID更新任务并提供上下文
task-manager update --from=<id> --prompt="<prompt>"

生成任务文件

# 从tasks.json生成单独的任务文件
task-manager generate

设置任务状态

# 设置单个任务的状态
task-manager set-status --id=<id> --status=<status>

# 设置多个任务的状态
task-manager set-status --id=1,2,3 --status=<status>

# 设置子任务的状态
task-manager set-status --id=1.1,1.2 --status=<status>

当将任务标记为"done"时，其所有子任务也将自动标记为"done"。

展开任务

# 使用子任务展开特定任务
task-manager expand --id=<id> --num=<number>

# 使用额外上下文展开
task-manager expand --id=<id> --prompt="<context>"

# 展开所有待处理的任务
task-manager expand --all

# 强制为已有子任务的任务重新生成子任务
task-manager expand --all --force

# 为特定任务进行研究支持的子任务生成
task-manager expand --id=<id> --research

# 为所有任务进行研究支持的生成
task-manager expand --all --research

清除子任务

# 清除特定任务的子任务
task-manager clear-subtasks --id=<id>

# 清除多个任务的子任务
task-manager clear-subtasks --id=1,2,3

# 清除所有任务的子任务
task-manager clear-subtasks --all

分析任务复杂度

# 分析所有任务的复杂度
task-manager analyze-complexity

# 将报告保存到自定义位置
task-manager analyze-complexity --output=my-report.json

# 使用特定的LLM模型
task-manager analyze-complexity --model=claude-3-opus-20240229

# 设置自定义复杂度阈值（1-10）
task-manager analyze-complexity --threshold=6

# 使用替代的任务文件
task-manager analyze-complexity --file=custom-tasks.json

# 使用Perplexity AI进行研究支持的复杂度分析
task-manager analyze-complexity --research

查看复杂度报告

# 显示任务复杂度分析报告
task-manager complexity-report

# 查看自定义位置的报告
task-manager complexity-report --file=my-report.json

管理任务依赖

# 向任务添加依赖
task-manager add-dependency --id=<id> --depends-on=<id>

# 从任务中移除依赖
task-manager remove-dependency --id=<id> --depends-on=<id>

# 验证依赖而不修复它们
task-manager validate-dependencies

# 自动查找并修复无效的依赖
task-manager fix-dependencies

添加新任务

# 使用AI辅助添加新任务
task-manager add-task --prompt="<task description>"

# 添加带有依赖和优先级的任务
task-manager add-task --prompt="<task description>" --dependencies=1,2 --priority=high

服务器命令

# 启动任务可视化和管理的Web服务器
task-manager server

# 使用自定义端口（默认为3002）
task-manager server --port=4000

# 指定替代的tasks.json文件
task-manager server --file=custom-tasks.json

# 调试服务器路径解析问题
task-manager server --debug-paths

vueadmin/AI-TASK-MANAGER

AI Task Master

by @eyaltoledano, enhanced by [skindhu]

相关文章介绍

项目背景

系统截图

核心优势

系统要求

配置

必需配置

可选配置

安装

初始化新项目

重要说明

全局命令快速入门

任务结构

业务知识集成

中英双语支持

Web界面

启动Web服务器

Web界面功能

API端点

与Cursor AI集成

使用Cursor设置

在Cursor中设置MCP

初始任务生成

AI驱动的开发工作流

1. 任务发现和选择

2. 任务实现

3. 任务验证

4. 任务完成

5. 处理实现偏差

6. 分解复杂任务

命令参考

解析PRD

列出任务

显示下一个任务

显示特定任务

更新任务

生成任务文件

设置任务状态

展开任务

清除子任务

分析任务复杂度

查看复杂度报告

管理任务依赖

添加新任务

服务器命令

变更日志

最新增强功能

若希望了解更多AI探索相关的内容，可关注作者公众号