AI导哈

Linear模型上下文协议

该协议通过整合Linear GraphQL API，为大型语言模型提供结构化、可操作的上下文，支持路线图生成、问题创建和可视化分析。

  • by nlondhe-clio
  • 本地部署
  • 更新于
在 GitHub 查看 nlondhe-clio/vigilant-happiness

使用说明

🧠 线性模型上下文协议（Python）

该项目定义了 模型上下文协议（MCP） 它与 线性GraphQL API 为大型语言模型（LLM）提供结构化、可操作的上下文。目标是实现高级路线图生成、差距分析、问题创建和可视化——所有这些都由团队的实时线性数据驱动。

🚀 目的

该协议使LLM能够：

  • 了解当前的工作状态（问题、项目、周期）
  • 识别差距、技术债务和新兴主题
  • 提出或创建新的问题和倡议
  • 可视化进度并计划未来的工作

非常适合使用Linear+LLM的产品、平台和战略团队。

📦 功能范围

✅ 读取操作（上下文摄入）

功能 说明
get_assigned_issues(user_id=None) 获取分配给用户的问题
get_all_issues(filters=None) 检索所有问题（使用可选筛选器）
get_issue_details(issue_id) 问题的完整详细视图
get_all_projects() 列出所有项目
get_project_details(project_id) 元数据和项目进度
get_current_user() 获取经过身份验证的用户信息
get_team_members(team_id) 用于基于能力和团队的规划
get_all_cycles() 用于冲刺/迭代分析
get_roadmaps() （可选）线性路线图集成

✍️ 写操作（LLM操作）

功能 说明
create_issue(data) 创建新问题
update_issue(issue_id, updates) 修改问题内容/状态
assign_issue(issue_id, user_id) 设置所有权
move_issue_to_cycle(issue_id, cycle_id) 进度问题
create_project(data) 启动LLM建议的项目

📊 分析函数

功能 说明
group_issues_by_project() 按计划汇总工作视图
get_unassigned_issues() 需要分流的地面工作
get_stale_issues(days_old=30) 识别被忽视的问题
get_backlog_items() 低优先级或计划外工作
get_issues_by_label(label) 用于基于主题的分组
get_dependencies(issue_id) 追踪上游/下游工作

🧠 LLM上下文格式

LLM收到结构化摘要，如：

{
  "team_goals": "...",
  "current_projects": [...],
  "issues_by_theme": {
    "AI Enablement": [...],
    "Tech Debt": [...]
  },
  "gaps_identified": [...],
  "suggested_initiatives": [...]
}

相关 MCP