AI 集成设置

Backlog.md 支持两种 AI 集成方式：MCP 协议（推荐）和 CLI 指令文件。

MCP 协议（推荐）

MCP（Model Context Protocol）允许 AI 代理直接调用 Backlog.md 的功能工具，无需用户手动输入 CLI 命令。

Claude Code

claude mcp add backlog --scope user -- backlog mcp start

OpenAI Codex

codex mcp add backlog -- backlog mcp start

Codex 使用 -- 作为 stdio 命令分隔符。

Google Gemini CLI

gemini mcp add backlog -s user backlog mcp start

Kiro

kiro-cli mcp add --scope global --name backlog --command backlog --args mcp,start

Cursor

手动配置 mcpServers，添加：

{
  "mcpServers": {
    "backlog": {
      "command": "backlog",
      "args": ["mcp", "start"]
    }
  }
}

CLI 指令方式：Cursor 也会读取项目根目录的 AGENTS.md 作为通用代理指令。运行 backlog init 或 backlog agents --update-instructions 时，Cursor 对应的指令会写入 AGENTS.md，不再生成单独的 .cursorrules 文件。

CLI 指令文件

对于不支持 MCP 的 AI 工具，Backlog.md 可生成代理指令文件，指导 AI 如何使用 backlog 命令。

生成指令文件

在 backlog init 时选择 CLI 指令模式，或后续执行：

backlog agents --update-instructions

将生成以下文件：

  • CLAUDE.md — Claude Code / Claude Desktop
  • AGENTS.md — 通用代理指令（Cursor 亦读取此文件）
  • GEMINI.md — Gemini CLI
  • .github/copilot-instructions.md — GitHub Copilot

重复执行 backlog init 或 backlog agents --update-instructions 时，现有 AGENTS.md 内容会被保留，Backlog.md 只更新其中的标记区块。

指令文件内容

包含工作流指南、任务创建规范、验收标准格式等，让 AI 了解如何：

  • 创建带验收标准的任务
  • 使用 backlog 命令管理任务生命周期
  • 遵循项目规范（分支命名、提交格式等）

集成方式对比

方式 适用工具 优点 缺点
MCP Claude, Codex, Gemini, Kiro, Cursor AI 直接调用工具，更可靠、更安全 需要工具支持 MCP 协议
CLI 指令 GitHub Copilot, Cursor, 其他 AI 兼容性好，无需特殊协议支持 AI 需要解析 shell 输出，可靠性稍低

推荐的 AI 工作流

步骤 1：描述想法

告诉 AI 代理你想构建什么，让它拆分为小任务，每个任务包含清晰的描述和验收标准。

步骤 2：一次一个任务

每个代理会话只处理一个任务，一个任务一个 PR。确保任务足够小，能在单次对话中完成。

步骤 3：编码前写计划

在实施前让代理研究代码库并撰写实现计划（Implementation Plan），放在任务中。

步骤 4：实施与验证

让代理实施任务。完成后审查代码、运行测试、检查 lint，验证结果。

不满意时的重启循环

清除计划/备注/最终总结，细化任务描述和验收标准，然后在新的会话中重新运行。

results matching ""

    No results matching ""