MPM-Coding MCP

把 AI 编程从“会演示”拉回“能交付”

中文 | English

在真实项目中存活的 AI 编程

AI 写代码一直是一件很好玩的事……直到你把它放进一个真实的业务仓库里：

• 模型经常忘记上下文（“刚刚我要改的代码在哪来着？”）
• 靠猜来“盲改”（“我觉得这样改应该没问题”）
• 长任务很容易跑偏、跳步，或者中途死掉
• 隔天你根本无法回答“当初改了什么，为什么要这么改？”

MPM 并不是试图让 LLM 变得“更聪明”或者“更会聊天”，那是模型自己的工作。 MPM 的目的是让工作能做完（finishable）：先精确查代码 (code_search)，再查影响范围 (code_impact)，对于长任务使用带验收门控的流程链 (task_chain)，最后把所有的“为什么”固化下来 (memo)。

在 AI 编程的语境里，“聪明”通常意味着稳如老狗：能解决真问题、留痕迹、能随时续传，少一点盲猜，少一点失误。

哪怕你的 Git 历史变成了一坨乱麻（或者你想重建整个仓库），AI 留下的思考路径依然可以保存完好：memo 会把“为什么”写进 .mpm-data/。 备份好 .mpm-data/，你用 AI 重构通常会更快、也更干净。

30 秒上手

1) initialize_project
2) 把生成的 _MPM_PROJECT_RULES.md 放进客户端系统规则
3) 直接提任务：帮我修复 XXX，并按规则执行

如果你一开始就遵循这三步，你就可以立刻开启高效工作流，而无需提前学习每一个工具的用法。

与众不同的核心机制：

快速实战参考

这里提供一个复制即用的例子，贴进 MCP 客户端即可运行：

标准模式（新手推荐）

先调用 initialize_project 获取上下文，读取规则并严格遵守。

核心任务：帮我在 User 服务里加一个获取个人资料的 getProfile 接口。
如果你遇到不确定的地方（或者找不到应该改哪个文件），必须要停下来问我。不要自己乱猜。
完成后，你必须调用 memo 工具记录此次修改的原因和结论，并且语言使用中文。

快速开始

1. 编译

# Windows
powershell -ExecutionPolicy Bypass -File scripts\build-windows.ps1

# Linux/macOS
./scripts/build-unix.sh

2. 配置 MCP

让客户端指向：mcp-server-go/bin/mpm-go(.exe)

3. 开始使用

初始化项目
帮我定位并修复一个具体问题，并按规则执行

初始化后会自动生成 _MPM_PROJECT_RULES.md。它相当于这个项目给 LLM 的本地操作规程，建议每次新会话都先读取。

4. 本地打包

python package_product.py

输出目录固定为 mpm-release/MyProjectManager。

文档入口

• QUICKSTART.md - 中文快速接入
• docs/MANUAL.md - 中文完整手册
• README_EN.md - English overview
• QUICKSTART_EN.md - English quickstart
• docs/MANUAL_EN.md - English manual

发布包会保留主文档与手册，但不会再携带 opencode-agents，也不会打包 docs/wiki/。

常见问题

• 如何在改代码前先看影响范围？ -> 用 code_impact
• 如何快速看懂一个模块主链？ -> 用 flow_trace
• 如何快速找到某个函数/类？ -> 用 code_search
• 大型仓库索引进度怎么看？ -> 用 index_status
• 如何强制全量索引？ -> initialize_project(force_full_index=true)

联系方式

• 问题反馈：GitHub Issues
• 邮箱：halflifezyf2680@gmail.com

许可证

MIT License