🤖 LLM 驱动的智能任务管理 MCP 服务器

一个基于 Model Context Protocol (MCP) 的真正智能的任务管理系统，专为医疗营销任务设计。核心特性是通过 LLM 自动理解自然语言并生成 SQL 语句，无需预设模板，真正做到智能化。

✨ 核心特性

🧠 LLM 驱动的 SQL 生成

• 自然语言理解：LLM 直接理解用户意图，无需关键词匹配
• 动态 SQL 生成：根据数据库 schema 和业务逻辑自动生成完整的 SQL 语句序列
• 多 LLM 支持：支持 OpenAI GPT、Claude、本地 LLM 等多种模型

🎯 真正的智能化

• 无预设模板：不依赖硬编码的业务逻辑，完全由 LLM 理解和生成
• 上下文感知：LLM 理解完整的数据库结构和业务约束
• 自适应处理：能够处理复杂的业务场景和边界情况

📊 全面的任务管理

• 16 种业务类型：覆盖患教审核、科普视频、调研问卷等医疗营销场景
• 完整生命周期：项目创建 → 计划上传 → 任务分配 → 状态跟踪
• 智能分析：任务执行统计、性能分析、改进建议

🛡️ 安全可靠

• SQL 安全验证：自动检测和防止 SQL 注入
• 执行预览：支持 dry-run 模式，先预览 SQL 再执行
• 详细日志：完整的执行记录和错误处理

🚀 快速开始

安装

# 克隆项目
git clone <repository-url>
cd task-management-mac

# 安装依赖
npm install

# 配置数据库连接
cp env.example .env
# 编辑 .env 文件，配置你的数据库连接信息

# 构建项目
npm run build

# 启动服务
npm start

基本使用

1. LLM 智能任务创建（推荐方式）

// 🎯 最简单的方式 - 自然语言直接创建
create_task_with_llm({
  natural_language_input:
    "请帮我创建一个科普视频的任务分配给用户id为123的，预算300元，时间限制10天",
  llm_provider: "openai",
  llm_api_key: "your-openai-api-key",
});

// 🔍 调试模式 - 只生成SQL不执行
create_task_with_llm({
  natural_language_input: "创建一个调研问卷项目，需要20个医生参与",
  llm_provider: "claude",
  llm_api_key: "your-claude-api-key",
  dry_run: true, // 只预览SQL，不执行
});

// 🏠 本地LLM支持
create_task_with_llm({
  natural_language_input: "给用户456分配一个科普文章写作任务，500元预算",
  llm_provider: "local",
  llm_base_url: "http://localhost:1234",
  llm_model: "llama-2-7b-chat",
});

2. LLM SQL 调试

// 🔧 调试LLM生成的SQL语句
debug_llm_sql({
  natural_language_input: "我想创建一个学术会议的任务",
  llm_provider: "openai",
  llm_api_key: "your-api-key",
});

// 输出：显示LLM理解的意图和生成的具体SQL语句

3. 数据库结构查询

// 📊 查看所有表
get_database_schema();

// 📋 查看特定表结构
get_database_schema({
  table_name: "marketing_task",
});

🤖 支持的 LLM 提供商

OpenAI GPT

{
  llm_provider: "openai",
  llm_api_key: "sk-...",
  llm_model: "gpt-4"  // 或 gpt-3.5-turbo
}

Anthropic Claude

{
  llm_provider: "claude",
  llm_api_key: "claude-...",
  llm_model: "claude-3-sonnet-20240229"  // 或其他Claude模型
}

本地 LLM（Ollama、LM Studio 等）

{
  llm_provider: "local",
  llm_base_url: "http://localhost:1234",
  llm_model: "llama-2-7b-chat",
  llm_api_key: "dummy"  // 本地模型通常不需要
}

📚 自然语言示例

LLM 可以理解各种自然语言表达方式：

任务创建示例

✅ "请帮我创建一个科普视频的任务分配给用户id为123的，预算300元，时间限制10天"
✅ "创建糖尿病科普文章项目，分配给医生456，预算500元"
✅ "我需要一个调研问卷任务，针对心血管疾病，给用户789"
✅ "帮我建立一个学术会议的项目，邀请20个专家参与"
✅ "制作一个患者教育的视频任务，要求高质量"

复杂场景示例

✅ "创建一个多阶段临床研究项目，包括观察组和对照组，分别分配给不同的医生"
✅ "建立一个病例征集的任务，要求收集100个糖尿病案例，每个案例奖励50元"
✅ "创建一个学术拜访计划，需要拜访10家三甲医院的内分泌科主任"

🎯 LLM 工作原理

1. 上下文理解

LLM 获得完整的数据库 schema 和业务逻辑说明：

• 表结构和字段定义
• 业务类型和约束关系
• 默认值和配置规则

2. 意图解析

LLM 分析用户的自然语言输入：

• 识别业务类型（科普视频、调研问卷等）
• 提取关键参数（用户 ID、预算、时间限制）
• 理解业务约束和依赖关系

3. SQL 生成

LLM 根据理解生成完整的 SQL 执行序列：

• 创建项目（marketing_project）
• 创建任务（marketing_task）
• 创建业务数据（如 marketing_video_task）
• 创建任务详情（marketing_task_detail）
• 分配用户任务（marketing_user_task）

4. 安全执行

系统验证和执行 LLM 生成的 SQL：

• SQL 注入检测
• 语法验证
• 按顺序执行
• 详细日志记录

🛠️ 传统工具支持

除了 LLM 驱动的智能功能，系统仍保留传统的手动工具：

// 传统方式创建项目
create_project({
  name: "Q1科普视频项目",
  description: "第一季度科普视频制作项目",
  business_type: 4,
  start_time: "2024-01-01 00:00:00",
  end_time: "2024-03-31 23:59:59",
  plan_total_money: 100000000, // 100万分 = 10万元
});

📊 支持的业务类型

🔧 高级功能

1. SQL 预览模式

// 先预览LLM生成的SQL，确认无误后再执行
create_task_with_llm({
  natural_language_input: "创建一个复杂的临床研究项目",
  dry_run: true,
});

2. 多模型对比

// 使用不同的LLM模型对比生成效果
debug_llm_sql({
  natural_language_input: "创建科普视频任务",
  llm_provider: "openai",
  llm_model: "gpt-4",
});

debug_llm_sql({
  natural_language_input: "创建科普视频任务",
  llm_provider: "claude",
  llm_model: "claude-3-sonnet-20240229",
});

3. 数据库结构探索

// 了解完整的数据库结构，帮助更好地使用系统
get_database_schema({
  table_name: "marketing_project",
});

🌟 核心优势

1. 真正的智能化

• 无需学习：不需要记忆复杂的 API 参数
• 自然交互：用自然语言描述需求即可
• 上下文理解：LLM 理解业务逻辑和约束关系

2. 强大的适应性

• 多样化表达：同一需求可以用多种方式表达
• 复杂场景：能处理多步骤、多依赖的复杂业务流程
• 边界情况：LLM 能理解和处理特殊情况

3. 安全可靠

• 预览机制：可以先查看生成的 SQL 再决定是否执行
• 安全验证：自动检测和防止潜在的安全问题
• 完整日志：详细的执行记录便于调试和审计

4. 开发者友好

• 多 LLM 支持：可以选择最适合的模型
• 本地部署：支持私有化部署的本地 LLM
• 调试工具：丰富的调试和分析功能

📈 使用建议

1. LLM 选择

• OpenAI GPT-4：理解能力最强，适合复杂场景
• Claude：逻辑推理能力强，适合业务流程
• 本地 LLM：隐私保护，适合敏感数据

2. 提示词优化

• 提供清晰的业务描述
• 明确指定用户 ID、预算等关键参数
• 使用业务领域的专业术语

3. 开发调试

• 使用dry_run模式验证 SQL
• 通过debug_llm_sql了解 LLM 理解过程
• 查看数据库 schema 优化提示词

🔮 未来规划

• 支持更多本地 LLM 模型
• 增加 SQL 执行计划分析
• 添加任务模板学习功能
• 支持批量操作和事务管理
• 集成更多数据分析和可视化功能

📄 许可证

MIT License

🎉 体验真正的 LLM 驱动的智能任务管理系统，让 AI 理解您的需求并自动生成精确的 SQL 语句！