🚀 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
📚 详细文档
- 使用指南 - 关于如何让 AI 助手有效使用 Aidderall 的全面指南。
- 技术规范 - 混合栈列表模型的详细技术规范。
- AI 助手演变 - 关于将 AI 从无状态神谕转变为专注工作者的愿景。
- 工作日志 - 开发历史和架构决策记录。
🔧 技术细节
架构
models.py- 核心数据结构（任务、主任务、子任务）。task_manager.py- 任务管理逻辑和状态处理。handlers.py- MCP 命令实现。server.py- MCP 服务器入口点。
开发相关
运行测试
pytest -v
代码覆盖率
pytest --cov=src tests/
代码格式化
black src tests
isort src tests
类型检查
mypy src
📄 许可证
本项目采用 GNU 通用公共许可证 v3.0 或更高版本许可 - 详情请参阅 LICENSE 文件。
版权所有 (C) 2024 Briam R. briamr@gmail.com