MCP Kanban Memory 是什么？
🛠️ 一个为大语言模型工作流设计的轻量级看板工具，用来管理 AI 代理的任务状态。它不提供复杂的自动化编排，也不集成模型推理能力，而是专注解决一个具体问题：让多个并行或分阶段的 AI 任务保持可见、有序、可恢复。
为什么需要它？
以往运行多个 AI 代理任务时，开发者通常依赖临时文件、笔记或浏览器标签来跟踪进度。比如你让一个代理写代码、另一个做数据清洗、第三个生成报告，很快就会遇到问题——谁在做什么不清楚，任务卡在哪一环难追溯，中断后再回来还得重新梳理上下文。
MCP Kanban Memory 的作用就是把这些散落的状态收拢到一个统一视图里。你不再需要靠记忆或外部文档去“重建”当前进展。每次打开界面，所有任务的位置一目了然，就像查看一份实时更新的工作日志。
核心能力速览
看板式任务组织：支持自定义列（如“待处理”、“进行中”、“已完成”），每个任务以卡片形式在列间移动。你可以直观看到哪些任务正在推进，哪些已被搁置。
在制品限制（WIP Limits）：每列可设置最大任务数。当某一列接近容量上限时，系统会提示你先清理或推进现有任务，而不是继续添加新条目。这能减少任务堆积，迫使你做出优先级判断。
SQLite 持久化存储：所有看板状态自动存入本地数据库。关闭页面或重启环境后，任务进度不会丢失。你不需要手动导出或保存快照，恢复上下文是默认行为。
即开即用的 Web UI：提供简洁的前端界面，无需配置即可启动。预设常用提示词模板，点击即可创建新任务或恢复旧会话。操作路径极短，适合高频切换场景。
适合谁？怎么用？
⚡ 如果你是后端或全栈开发者，正在构建包含多个 LLM 节点的工作流，可以用它来监控各环节执行情况。比如在一个数据处理流水线中，用看板标记“原始数据解析 → 清洗 → 结构化输出”的每一步状态。
💡 对研究人员也实用。当你反复调试 prompt 并观察不同输出时，可以把每次运行作为一个卡片记录下来，附上参数和结果摘要，方便后续对比。
建议从单人本地项目开始尝试：启动服务后，把当前手头的三个任务放进看板，体验一下状态迁移和自动保存的效果。如果发现减少了上下文重建的时间，说明它已经发挥了价值。
