Go+Electron+MCP：打造AI协作任务看板

为什么需要一个专为AI协作设计的任务看板

随着AI辅助编程的普及，越来越多的个人开发者和小团队开始在项目中使用Markdown文件维护任务清单，再把这份清单交给AI Agent辅助开发。这种方式上手简单、几乎零成本，但长期使用下来，弊端会越来越明显。

首先，Agent只能读取原始文本，无法一次性精确地获取某条任务的结构化信息。文件中大量的冗余内容会持续消耗token，既拖慢开发效率，也增加成本。这里涉及到一个核心的效率问题：当AI Agent读取Markdown文件时，文件中的每一个字符都会被分词器（Tokenizer）切分为token——这是大语言模型处理文本的基本单位。主流模型如GPT-4、Claude等虽然上下文窗口已扩展到128K甚至更长，但token的消耗直接关联API调用成本（通常按每百万token计费）和推理延迟。一个包含数百条任务的Markdown文件可能轻松占用数千token，而Agent真正需要的可能只是其中某一条任务的状态信息。结构化接口的优势在于，Agent可以精确请求所需数据，将无关信息的token开销降至最低。

其次，对我们人类而言，一大堆纯文字的清单很难直观地掌握整个项目的进度全貌——你需要滚动、搜索、心算，才能大致判断项目走到了哪一步。

正是针对这一痛点，这位B站UP主开发了一款任务看板工具，专门用于解决「AI与人协同开发」场景下的任务管理难题。它的核心思路是：让人和AI用各自最舒服的方式，操作同一份任务数据。

一份数据两种视图：人机协作的最佳实践

这款工具最巧妙的设计，是把同一份任务数据以两种截然不同的形态呈现给两类「使用者」。

面向人类：可视化看板界面

对开发者来说，工具提供了一个可视化的看板界面。你可以一键导入项目中已有的Markdown任务文件，工具会自动解析并把任务导入到看板中。相比翻阅纯文本清单，看板能让你直观地规划任务、查看进度，卡片式的呈现方式天然适合把握项目的整体状态。

面向AI Agent：结构化接口

另一边则是为AI Agent准备的。工具支持通过CLI、MCP（Model Context Protocol）等多种方式对任务进行管理操作。这意味着Agent不再需要去解析一大段自由格式的Markdown文本，而是可以通过标准化的接口精确地读取、创建、修改任务，避免了token的浪费和信息提取的歧义。

更关键的是，两种视图共享同一份底层数据。当AI修改了某个任务的状态后，看板界面会立即同步展示这一变化。人和AI的操作实时互通，不存在「信息孤岛」。

MCP协议：让AI原生接入任务管理

这个项目值得关注的一点，是它对MCP协议的运用。MCP（Model Context Protocol）是由Anthropic于2024年底提出并开源的标准化协议，旨在解决大语言模型与外部工具、数据源之间的互操作性问题。在MCP之前，每个AI应用都需要为不同的外部服务编写定制化的集成代码，导致生态碎片化严重。MCP借鉴了LSP（Language Server Protocol）的设计思想——正如LSP统一了IDE与编程语言服务器之间的通信，MCP统一了AI模型与外部能力之间的接口。协议采用JSON-RPC 2.0作为传输格式，定义了Tools（工具调用）、Resources（资源读取）和Prompts（提示模板）三大原语。目前Cursor、Claude Desktop、Windsurf等主流AI编程工具已原生支持MCP，使得任何实现了MCP Server的工具都能被这些客户端中的AI Agent直接调用。

通过MCP，AI Agent可以「原生地」把这个任务看板当作一个可调用的工具集：查询待办任务、更新任务状态、拆解子任务等操作，都变成了Agent可以理解和执行的结构化调用。这比让AI去读写一个Markdown文件要可靠得多，也更符合当前Agent工作流的最佳实践。

在资源占用上，作者也做了轻量化设计：APP不需要一直在前台运行。当AI需要操作任务时，后台的服务进程会被直接唤起来响应请求，处理完即可，避免长期占用系统资源。

本地优先存储与Git团队协作

数据存储策略是这款工具的另一个亮点。所有数据完全本地离线存储，不依赖云端，隐私和可控性更有保障。

这里体现的是近年来软件架构领域兴起的「本地优先」（Local-first）设计哲学，由Ink & Switch实验室在2019年的同名论文中系统阐述。其核心主张是：用户数据应首先存储在本地设备上，应用在完全离线的情况下也能正常工作，同步只是可选的附加能力。与传统的云优先SaaS模式相比，本地优先架构在数据所有权、隐私保护、离线可用性和响应速度方面具有明显优势。

同时，原始数据直接存储在项目目录中，这带来一个非常实用的好处：任务数据可以像代码一样提交到Git仓库，随着代码一起进行版本管理，并与其他项目成员同步。这样一来，任务状态就成了项目的一部分，团队成员拉取代码时就能看到最新的任务进度，无需额外的协作平台。

这种「本地优先+Git同步」的模式，对个人开发者和小团队尤为友好——既保留了轻量、无外部依赖的特性，又利用开发者已经熟悉的版本控制工具实现了多端协作，解决了多人协作时的数据一致性问题。

技术栈与跨平台使用体验

从技术选型看，这款工具采用了Go + Electron + MCP的组合：

• Go负责后端服务与数据处理。Go（Golang）由Google设计，以编译速度快、运行性能高、并发模型优雅著称。其goroutine和channel机制天然适合处理并发请求，非常适合作为后台服务进程。Go编译产出的是静态链接的单一二进制文件，无需额外的运行时依赖，这使得跨平台分发变得极为简单——只需为不同操作系统交叉编译即可。在本项目中，Go后端负责数据的持久化读写、CLI命令解析以及MCP Server的实现，其轻量级的进程特性也契合了「不需要常驻前台」的设计目标。

• Electron承载可视化看板界面，快速构建跨平台桌面应用。Electron是由GitHub开发的开源框架，允许使用Web技术（HTML/CSS/JavaScript）构建跨平台桌面应用。它将Chromium浏览器引擎和Node.js运行时打包在一起，使得前端开发者可以快速交付Windows、macOS和Linux三端一致的应用体验。VS Code、Slack、Discord、Notion等知名应用均基于Electron构建。其主要优势在于开发效率高、UI表现力强、生态丰富；常见的批评则集中在内存占用较大。不过对于本项目而言，由于看板界面不需要常驻运行，Electron的资源开销在可接受范围内。

• MCP作为与AI Agent通信的桥梁，实现原生协作。

目前项目已经开源，并打包成了安装包，Windows和Mac均可开箱即用，仓库地址放在了视频简介中。对于正在被「Markdown任务清单」困扰的开发者来说，这是一个值得一试的方案。

小结

这个项目的价值，不在于炫技，而在于它精准地抓住了当前AI协同开发中的一个真实痛点：人与AI需要共享任务上下文，但双方的最佳交互形态截然不同。通过「一份数据、两种视图」加上MCP协议的加持，它让人看得懂进度、让AI精确操作任务，同时保持本地优先和Git可同步的工程友好特性。

对于探索AI Agent工作流的开发者而言，这个开源项目既是一个可以直接使用的工具，也是一个关于「如何为AI协作设计工具」的很好范例。它预示着一个趋势：未来的开发工具将越来越多地需要同时服务人类用户和AI Agent两类使用者，而MCP等标准化协议将成为连接二者的关键桥梁。