使用说明

发布看板MCP服务器

具有内置线束工程和持久内存的AI原生问题看板-- 每一项已完成的任务都会使下一项任务更快、更安全、更智能。

为什么存在

大多数AI编码代理在没有内存的情况下逐个问题地工作。他们犯同样的错误，错过同样的边缘案例，忘记同样的陷阱——每一次。

这个项目解决了这个问题。它结合了多界面看板（Web UI、TUI、CLI）带着一个主控程序 AI代理连接到的服务器，一 持久存储器系统 （FTS5全文搜索，BM25排名），a 时态知识图 （具有时间范围有效性的主谓宾语三元组），以及实施的操作手册 工程利用：结构化质量门、人在环检查点和复合学习系统跨问题积累项目知识。

结果：随着时间的推移，你的人工智能代理在你的项目上表现得越来越好-- 而无需你付出任何额外的努力。

运作原理

You create issues ──► AI agent picks them up ──► Quality improves automatically

                    ┌─────────────────────────────────────┐
                    │         The Compound Loop            │
                    │                                      │
                    │  [pending]                            │
                    │     │  Load LEARNINGS.md              │
                    │     │  Search memory (BM25)           │
                    │     │  Check past mistakes + context  │
                    │     ▼                                 │
                    │  [doing]                              │
                    │     │  Research → Implement → Review  │
                    │     │  Two-pass quality gate          │
                    │     ▼                                 │
                    │  [finished]                           │
                    │     │  Capture learnings ◄── gotchas  │
                    │     │  Store memories ◄── context     │
                    │     │  Knowledge persists             │
                    │     ▼                                 │
                    │  ──► Next issue inherits knowledge    │
                    └─────────────────────────────────────┘

看板 pending → doing → finished 状态流直接映射到复合工程循环： Plan → Work → 评估→ 复合物.学习步骤是使每个循环在最后复合的原因。

快速开始

# Docker (recommended)
docker pull ghcr.io/alexiachen/issue-kanban-mcp:latest
docker run -d -p 9292:9292 -v kanban-data:/app/data ghcr.io/alexiachen/issue-kanban-mcp:latest

# Or build from source
git clone https://github.com/AlexiaChen/issue-kanban-mcp.git
cd issue-kanban-mcp
make build-all    # builds server + tui + cli → ./bin/
make run           # starts server on :9292

打开http://localhost:9292--你在跑。

四个接口，一个后端

接口	二进制	最适合
Web用户界面	（嵌入服务器中）	浏览器中的可视化看板管理
文本用户界面	`issue-kanban-tui`	带有键盘导航的终端原生看板
命令行界面	`issue-kanban-cli`	脚本编写、CI/CD集成、快速操作
主控程序	（内置于服务器中）	AI代理（Claude、Copilot、Gemini等）

所有四个接口都使用相同的REST API和SQLite数据库。1的变化在其他人身上立即可见。

Web用户界面

打开http://localhost:9292.带有拖放功能的完整看板、项目管理、，问题创建/编辑、优先级管理和5秒自动刷新。

文本用户界面

./bin/issue-kanban-tui --server http://localhost:9292

终端中的三列看板。创建、编辑、删除和确定优先级在不离开命令行的情况下出现问题。

命令行界面

./bin/issue-kanban-cli projects list
./bin/issue-kanban-cli issues list 1 --status=pending
./bin/issue-kanban-cli issues create 1 --title="Fix auth bug" --priority=high
./bin/issue-kanban-cli issues prioritize 3   # move to front

MCP（用于AI代理）

服务器通过STDIO或HTTP/SSE传输公开16个MCP工具（8个看板+4个内存+4个三元组）和4个MCP资源。 AI代理自主连接和处理问题。

利用：人工智能质量如何复合

本节解释了当AI代理处理问题时，幕后会发生什么。您不需要配置任何这些——它内置于代理指令中。

该项目附带了 作战行动手册 (instructions/copilot-instructions.md) 它实现了三层线束工程：

1.质量门（每期）

在将任何问题标记为“已完成”之前，代理会运行 两次通过自我审查:

通过1（关键）：SQL注入、竞争条件、XSS、未验证的输入， LLM输出信任边界违规
通行证2（信息）：死代码、测试缺口、幻数、完整性缺口

机械问题是自动修复的。审判的呼唤归于人类。

2.人在环路检查站

代理人从不标记未经人工批准的问题已完成：

Agent: "Issue #42 — review complete."
  → ✅ Mark as finished
  → 🔧 Improvements needed (describe what to change)

这不是一个建议，而是工作流程中的一道硬门。

3.知识复合（LEARNINGS.md）

每个问题完成后，代理都会评估所学到的内容：

可能重复出现的错误模式
图书馆浪费时间
基于非显而易见推理的架构决策
人类纠正了什么（代理人的盲点）

学习内容记录在 LEARNINGS.md 带有触发关键字。开始之前这 下一个 问题，代理加载此文件并将关键字与新一期的标题和描述。相关学习会自动应用。

超过50个问题，这可以防止数小时的重复错误——你无需付出任何努力。

4.持久内存（BM25搜索）

除了基于文件的学习，代理还有 持久存储器系统 由...支持 SQLite FTS5，BM25排名。这提供了一种不同的知识：

LEARNINGS.md	存储系统
错误驱动模式	丰富的上下文知识
关键字触发匹配	全文BM25搜索
Git跟踪，人工可编辑	数据库存储，可通过MCP查询
结构化条目（触发器→ 行动）	自由形式（决定、事实、偏好、事件）

它们如何在循环中协同工作：

每期发行前：代理加载LEARNINGS.md以避免gotcha，并且搜索内存(memory_search)相关上下文——过去的决策、代码库事实、用户偏好、架构模式。
每期之后：代理在learnings.md中捕获错误驱动的学习 AND存储更广泛的背景（做出的决定、发现的事实、记录的偏好）通过 memory_store.

存储系统支持6类： decision, fact, event, preference, advice, general --每个都有优先级检索的重要性评分（1-10）。

5.时态知识图（三元组）

代理可以存储和查询 主谓宾语三元组 具有时间语义：

(auth-module, depends_on, jwt-library)  valid: 2024-01-01 → ∞ (active)
(auth-module, status, "needs-refactor")  valid: 2024-03-15 → 2024-04-01 (superseded)
(auth-module, status, "refactored")      valid: 2024-04-01 → ∞ (active)

时态查询：“3月20日的情况如何？”→ 时间点查找
自动失效：与一起储存时 replace_existing=true，老三人组 valid_to 设置为新的三元组 valid_from （交易）
[valid_from, valid_to) 语义学：封闭的开放区间防止双重匹配

这为代理提供了一个结构化的、可查询的项目发展模型-- 不仅是现在的真实情况，还有当时的真实情况。

四层知识

层	文件	范围	它如何增长
知识图	SQLite数据库（通过MCP）	每个项目	代理存储时间三元组（实体关系）
持久内存	SQLite数据库（通过MCP）	每个项目	代理在每次问题后存储上下文
工作记忆	`LEARNINGS.md`	每个项目	代理捕获错误驱动的模式
项目惯例	`AGENTS.md`	每个项目	由LEARNINGS.md推广（≥3场比赛）
全球剧本	`~/.copilot/copilot-instructions.md`	所有项目	跨项目模式

每次晋升都是人为控制的。代理人提议；你决定。

安装

Docker（推荐）

docker pull ghcr.io/alexiachen/issue-kanban-mcp:latest

docker run -d \
  --name issue-kanban-mcp \
  -p 9292:9292 \
  -v kanban-data:/app/data \
  ghcr.io/alexiachen/issue-kanban-mcp:latest

来源

git clone https://github.com/AlexiaChen/issue-kanban-mcp.git
cd issue-kanban-mcp
make build-all   # server + tui + cli → ./bin/

服务器二进制文件是静态编译的(CGO_ENABLED=0)没有动态依赖关系。

运行模式

模式	命令	你得到什么
HTTP	`./bin/issue-kanban-mcp -mcp=http`	Web用户界面+REST API+MCP SSE
工作室	`./bin/issue-kanban-mcp -mcp=stdio`	MCP over stdin/stdout（用于本地AI客户端）
两者皆有	`./bin/issue-kanban-mcp -mcp=both`	以上所有

只读模式（默认）

默认情况下，MCP服务器仅公开 6安全工具: project_list, issue_list, issue_update, memory_search, memory_list, triple_query这意味着AI代理可以读取问题，更新状态、搜索记忆和查询知识图，但不能创建或删除任何内容。

要公开所有16个工具（包括创建/删除问题、内存和三元组）：

./bin/issue-kanban-mcp -readonly=false

MCP集成

克劳德桌面版

添加 ~/Library/Application Support/Claude/claude_desktop_config.json （macOS）：

{
  "mcpServers": {
    "issue-kanban": {
      "command": "/path/to/issue-kanban-mcp",
      "args": ["-mcp=stdio", "-db=/path/to/tasks.db"]
    }
  }
}

GitHub Copilot命令行界面

添加 ~/.copilot/mcp-config.json:

STDIO（本地二进制）：

{
  "mcpServers": {
    "issue-kanban": {
      "type": "stdio",
      "command": "/path/to/issue-kanban-mcp",
      "args": ["-mcp=stdio", "-db=/path/to/tasks.db"],
      "tools": ["*"]
    }
  }
}

SSE（Docker或远程）：

{
  "mcpServers": {
    "issue-kanban": {
      "type": "sse",
      "url": "http://localhost:9292/sse",
      "tools": ["*"]
    }
  }
}

或者使用交互式设置： copilot mcp add

部署Agent操作手册

为了使复合工程循环发挥作用，部署操作手册：

mkdir -p ~/.copilot
cp instructions/copilot-instructions.md ~/.copilot/copilot-instructions.md

然后告诉你的AI代理： “处理项目X中的所有问题” --它处理其余的事情。

MCP工具

看板工具

工具	参数	模式
`project_list`	--	只读
`issue_list`	`project_id`, `status?`	只读
`issue_update`	`task_id`, `status`	只读
`project_create`	`name`, `description?`	管理员
`project_delete`	`project_id`	管理员
`issue_create`	`project_id`, `title`, `description?`, `priority?`	管理员
`issue_delete`	`task_id`	管理员
`issue_prioritize`	`task_id`	管理员

内存工具

工具	参数	模式
`memory_search`	`project_id`, `query`, `category?`, `limit?`	只读
`memory_list`	`project_id`, `category?`, `limit?`	只读
`memory_store`	`project_id`, `content`, `category?`, `summary?`, `tags?`, `importance?`	只读
`memory_delete`	`project_id`, `memory_id`	管理员

三重工具（时态知识图）

工具	参数	模式
`triple_query`	`project_id`, `subject?`, `predicate?`, `active_only?`, `at_time?`, `limit?`, `offset?`	只读
`triple_store`	`project_id`, `subject`, `predicate`, `object`, `valid_from?`, `confidence?`, `source_memory_id?`, `replace_existing?`	只读
`triple_invalidate`	`project_id`, `triple_id`	管理员
`triple_delete`	`project_id`, `triple_id`	管理员

MCP资源

URI	描述
`project://list`	所有有统计数据的项目
`project://{id}`	项目详情
`project://{id}/issues`	项目中的所有问题
`issue://{id}`	问题详细信息

REST API

项目

方法	端点	描述
得到	`/api/projects`	列出所有项目
职位	`/api/projects`	创建项目
得到	`/api/projects/{id}`	获取项目
删除	`/api/projects/{id}`	删除项目
得到	`/api/projects/{id}/issues`	获取项目问题
得到	`/api/projects/{id}/stats`	获取项目统计信息

问题

方法	端点	描述
职位	`/api/issues`	创建问题
得到	`/api/issues/{id}`	获取问题
补丁	`/api/issues/{id}`	更新状态
PUT	`/api/issues/{id}`	编辑问题（仅待定）
删除	`/api/issues/{id}`	删除问题
职位	`/api/issues/{id}/prioritize`	移到前面

回忆

方法	端点	描述
职位	`/api/projects/{id}/memories`	存储内存
得到	`/api/projects/{id}/memories`	列出回忆(`category?`, `limit?`)
得到	`/api/projects/{id}/memories/search`	搜索记忆(`q`, `category?`, `limit?`)
删除	`/api/projects/{id}/memories/{mid}`	删除内存

Triples（时态知识图）

方法	端点	描述
职位	`/api/projects/{id}/triples`	三人店(`replace_existing?` 自动失效）
得到	`/api/projects/{id}/triples/{tid}`	获得三倍
得到	`/api/projects/{id}/triples`	查询三元组(`subject?`, `predicate?`, `active_only?`, `at_time?`)
补丁	`/api/projects/{id}/triples/{tid}`	使三元组无效
删除	`/api/projects/{id}/triples/{tid}`	删除三元组

配置

标志/环境变量	默认值	描述
`-port` / `PORT`	`9292`	HTTP服务器端口
`-db` / `DB_PATH`	`./data/tasks.db`	SQLite数据库路径
`-mcp` / `MCP_MODE`	`http`	`stdio` / `http` / `both`
`-readonly` / `MCP_READONLY`	`true`	`false` 公开管理MCP工具

项目结构

cmd/
├── server/main.go           # MCP + HTTP server
├── tui/main.go              # Terminal UI
└── cli/main.go              # Command-line interface
internal/
├── api/handlers.go          # REST API (23 endpoints)
├── apiclient/client.go      # Shared REST client (TUI & CLI)
├── mcp/
│   ├── server.go            # MCP server setup
│   ├── tools.go             # 16 MCP tools (8 kanban + 4 memory + 4 triple)
│   └── resources.go         # 4 MCP resources
├── memory/
│   ├── models.go            # Memory data model, categories, DTOs
│   ├── storage.go           # Storage interface (6 methods)
│   ├── manager.go           # Business logic (validation, dedup, BM25 search)
│   ├── mock_storage.go      # Mock for unit tests
│   ├── triple_models.go     # Triple (KG) data model, temporal semantics
│   ├── triple_storage.go    # TripleStorage interface (6 methods)
│   ├── triple_manager.go    # Triple business logic (validation, temporal)
│   └── mock_triple_storage.go # Mock for triple unit tests
├── queue/
│   ├── manager.go           # Kanban business logic layer
│   ├── models.go            # Project/Issue data models
│   └── mock_storage.go      # Mock storage for tests
├── storage/sqlite.go        # SQLite (pure Go, no CGO) — implements queue + memory + triple storage
├── tui/                     # Bubbletea TUI
└── web/static/              # Embedded SPA
instructions/
└── copilot-instructions.md  # Agent operational playbook
AGENTS.md                    # Project knowledge base
LEARNINGS.md                 # Compound learning memory

发展

make test             # Unit tests (mock storage, no DB required)
make test-coverage    # Coverage report (HTML)
make e2e              # End-to-end tests (starts server automatically)
make lint             # golangci-lint
make fmt              # gofmt
make dev              # Auto-reload with air

示例

make example-stdio    # STDIO client demo
make example-client   # SSE client demo (start server first with make run)

智力根源

本项目中的线束工程方法来自：

复合工程 --这个想法每个工作单元都应该通过明确的知识捕获使下一个更容易。
堆栈 --煮湖（AI制造完整性低）、构建前搜索、用户主权、证据优先审查。
宫殿 --有史以来得分最高的AI记忆系统。而且它是免费的。
宫殿书籍 -AI记忆的第一原则。
脑 -Garry's Opinionated OpenClaw/Hermes Agent Brain。

这些原则直接嵌入代理工作流程中，而不是作为哲学-- 作为操作步骤，代理自动执行。

许可证

麻省理工学院