用 MCP 驾驭任务流：task-manager-mcp 全自动执行

用 MCP 驾驭任务流：task-manager-mcp 全自动执行

从“轻量指路”到“全程代办”

在上一篇 用 MCP 玩转任务管理：我的 task-manager-mcp 轻量方案 里，我们提到 task-manager-mcp 是项目中的“任务大脑”，能帮 MCP 精准定位——下一步该干啥。

但如果你想更进一步，不仅知道下一步，还希望它能自动帮你干完，再贴上结果标签、存好档案、循环调度，那么就需要一套更严谨的自动化执行流程。

今天，我就分享自己在真实项目中，如何用 task-manager-mcp 搭建一条“全自动任务执行流水线”：

• 从读取任务到落地归档
• 从人工点火到全程无人值守
• 从单机试用到多人协作可追溯

---

为什么要做自动化

做项目的人都知道——任务管理是隐形杀手。
任务多、依赖乱、状态不明，流程一断，整体就卡住。

而 MCP（模型上下文协议）进入场景后，这一切有了新的可能。
它不仅能理解上下文，还能在任务链条里精准接棒。
task-manager-mcp 则是那位不知疲倦的中场调度员，让流程像齿轮一样咬合。

---

关键入口：/task-manager-mcp:get-task-rules

结论先说：
想让 MCP 的任务流稳定高效，第一步就是跑这个命令：

mcp-client call /task-manager-mcp:get-task-rules

它会返回一份“任务管理说明书”，内容包括：

• 任务获取方法
• 状态变更规则
• 用户交互时机
• 最重要的：任务完成的强制检查点

这套规则，就是自动化执行的安全底线。

---

新功能补充

1. MCP 提示：get-task-rules

这是任务管理的总开关。它会根据任务配置，把占位符替换成实际值，输出完整的操作指导。

用法：
/task-manager-mcp:get-task-rules
→ 按提示执行任务管理操作（这是系统运转的主要入口，各类动作都要从这里触发）。

2. 任务配置新增日志目录

{
   
   
  "meta": {
   
   
    ...
    "tasksResultOutputDir": "src/task-results" // 可选，存放任务结果文件的目录
  },
  ...
}

这样，归档文件就有明确去处，可统一管理。

---

强制检查点：归档 ≠ 状态改 done

在 task-manager-mcp 里，任务“完成”的判定很严格：

1. 必须在 { {tasksResultOutputDir}} 下创建归档文件
2. 文件命名：YYYYMMDDHHmmss-[taskNumber]-[taskKey].md
   • 时间戳取 date '+%Y%m%d%H%M%S'（14 位数字）
3. 文件内容至少包含：
   • 任务编号、任务唯一Key、任务描述、任务详情
   • 完成时间
   • 改动内容、摘要、原因
   • 阻碍因素
   • 状态标注

归档失败 = 任务没完成。
这就等于给每个任务留下了一份“审计报告”，方便多人协作和溯源。

---

调度节奏：父子任务的分工

类型	启动方式	执行模式
父任务（顶级）	用户确认启动	递归执行所有子任务
子任务	自动执行	直接跑到结束

实战经验：

1. 用 next_task 先获取一个父任务
2. 用户确认 → 切换到自动执行模式
3. 顺序跑完其全部子任务
4. 回到等待状态，再取下一个父任务

next_task 会自动处理依赖，确保优先跑未完成的任务，实现真正的零人工干预。

---

四步执行法：状态 → 执行 → 留痕 → 归档

一次执行的循环步骤如下：

1. 状态更新
   • set_task_status → "in-progress"
   • 立即落盘，防止状态丢失
2. 准备执行内容
   • 如果 details 是文件路径 → 读文件
   • 否则直接用文本
   • 搭配 title/description 辅助理解
3. 执行并留痕
   • 全程记录执行日志，方便调试
4. 归档与检查
   • set_task_status → "done"
   • 创建归档文件并验证命名、内容、时间戳

文字太多不如一图看懂，下面这张就是 task-manager-mcp 从启动到结束的全自动任务管理总览图：

---

出错与延迟：明确状态

失败与延迟的状态处理逻辑如下：</