AI导哈

规范驱动MCP服务器

一款通用、规范驱动的工程MCP服务器，适用于所有MCP兼容的AI编码助手，强制执行需求-设计-任务三阶段结构化工作流。

  • by ahmedelpannann
  • Python
  • 本地部署
  • 1 星标
  • 更新于
在 GitHub 查看 ahmedelpannann/universal-spec-mcp

使用说明

通用规范架构——MCP服务器

一个通用的、规范驱动的工程MCP服务器，可与任何兼容MCP的AI编码助手配合使用。它在编写单行实现代码之前，强制执行结构化的三阶段工作流——需求、设计和任务。

支持的助理

助手 配置文件 状态
IBM 鲍勃 .bob/mcp.json 支持
光标 .cursor/mcp.json 支持
VS代码（GitHub副本） .vscode/mcp.json 支持
帆板运动 ~/.codeium/windsurf/mcp_config.json 支持
克劳德桌面版 claude_desktop_config.json 支持
Cline（VS代码扩展） cline_mcp_settings.json 支持

三阶段工作流程

阶段 文件 内容
1.要求 requirements.md EARS符号中的用户故事(WHEN... THE SYSTEM SHALL...)
2.设计 design.md 架构、序列图、数据模型、错误处理
3.任务 tasks.md 离散、可跟踪的实施任务

项目结构

universal-spec-mcp/
├── src/
│   └── universal_spec_mcp/
│       ├── __init__.py
│       └── server.py              # The MCP server — all tools defined here
├── tests/
│   └── test_server.py             # Full test suite (9 tests)
├── configs/
│   ├── cursor/
│   │   └── mcp.json               # Copy to .cursor/mcp.json
│   ├── vscode/
│   │   └── mcp.json               # Copy to .vscode/mcp.json
│   ├── windsurf/
│   │   └── mcp_config.json        # Merge into ~/.codeium/windsurf/mcp_config.json
│   ├── claude/
│   │   └── claude_desktop_config.json  # Merge into Claude Desktop config
│   └── cline/
│       └── cline_mcp_settings.json     # Merge into Cline MCP settings
├── .bob/
│   ├── mcp.json                   # IBM Bob MCP configuration
│   ├── modes/
│   │   └── spec-architect.json    # IBM Bob custom mode
│   ├── rules/
│   │   └── spec-workflow.md       # IBM Bob workflow rules
│   └── steering/
│       ├── product.md             # Fill in: product context
│       ├── tech.md                # Fill in: technology stack
│       └── structure.md           # Fill in: project structure
├── .specs/                        # Generated spec artifacts
├── SETUP_GUIDE.md                 # Per-assistant setup instructions
├── pyproject.toml
└── README.md

安装

先决条件： Python 3.11+， uv 安装。

pip install fastmcp pydantic
# Or install as a package
pip install -e .

快速设置（任何助手）

步骤1 --为您的助手复制正确的配置文件（见上表和 SETUP_GUIDE.md).

步骤2 --填写转向文件 .bob/steering/ 了解项目的产品、技术栈和结构细节。

步骤3 --启动你的助手，让它构建一个功能。MCP服务器将执行要求→ 设计→ 编写任何代码之前的任务。

MCP工具参考

工具 说明
initialize_spec(feature_name, workflow_variant) 创建 .specs/{feature}/ 目录和元数据。
write_requirements(feature_name, requirements_data) 写作 requirements.md.验证EARS符号；拒绝违规行为。
write_design(feature_name, design_data) 写作 design.md 具有结构化的部分。
write_tasks(feature_name, tasks_data) 写作 tasks.md 具有可跟踪的任务。
update_task_status(feature_name, task_id, new_status) 实时更新任务的状态。
run_hook(hook_name, context) 执行一个命名钩子(pre_task, post_task, post_save).

内置安全：隐私过滤器

服务器包括一个内置 隐私过滤器 自动清除所有人工智能生成内容中的敏感数据 之前 它是写给 .specs/ 目录。这可以防止助手意外地将凭据泄漏到项目的git存储库中。

它会自动检测和编辑：

  • AWS访问和密钥
  • GitHub代币
  • OpenAI和Anthropic API密钥
  • 通用API密钥和承载令牌
  • 密码和SSH私钥
  • 数据库连接字符串
  • 内部IP地址

运行测试

python3 tests/test_server.py

EARS符号参考

每个需求都必须遵循需求语法简易方法（EARS）：

[WHEN <trigger>] [WHILE <precondition>] THE <system> SHALL <response>

有效期： WHEN a user submits valid credentials THE SYSTEM SHALL grant access

无效（被拒绝）： Users should be able to log in --失踪应

根据助理设置

看 SETUP_GUIDE.md 有关每个支持的助手的详细分步说明。

致谢

上下文注入和合规门模式的灵感来自 大象AI/大象 --用于AI代理的本地第一持久内存引擎。Elefante在存储前进行秘密清理的方法也为隐私过滤器的设计提供了信息。

相关 MCP