ATLAS MCP Server：为 LLM Agent 打造的任务管理系统

背景：Agent 时代的工作记忆困境

当 GPT-4、Claude 等大语言模型的能力越来越强，一个核心问题浮出水面：Agent 如何记住自己在做什么？ 人类可以靠大脑记住任务清单，但 AI Agent 每次推理都是"从零开始"——上下文窗口再大，也装不下一个长期项目的全部细节。

cyanheads 开发的 ATLAS MCP Server 正是为解决这一问题而生。这是一个基于 Model Context Protocol（MCP）的任务管理服务器，将 Neo4j 图数据库作为"外部大脑"，让 LLM Agent 能够像人类一样管理项目、任务和知识。版本 2.8.15，已在 GitHub 获得 477 颗星。

技术架构：三明治式的分层设计

ATLAS 采用清晰的三层架构（Three-Tier Architecture），每一层各司其职：

第一层：传输层（Transports） 负责 MCP Server 与外部世界的通信。目前支持两种传输方式：

• Stdio Transport：通过标准输入输出通信，适合 CLI 场景和本地 MCP 客户端直连
• HTTP Transport：提供 HTTP API 接口，支持 JWT 认证和速率限制，适合远程部署

第二层：MCP 层（Server + Tools） 基于官方 @modelcontextprotocol/sdk 构建，版本 1.12.1。项目注册了 14 个 MCP 工具，覆盖项目管理、任务管理、知识管理的全生命周期：

第三层：数据层（Neo4j Services） 所有数据存储在 Neo4j 图数据库中，通过 Cypher 查询语言操作。三大核心服务：

• projectService.ts（40KB）：项目 CRUD + 批量操作
• taskService.ts（40KB）：任务管理 + 依赖关系追踪
• knowledgeService.ts（28KB）：知识条目存储与关联
• searchService.ts：跨实体的统一模糊搜索

// MCP Server 初始化核心逻辑（server.ts）
const server = new McpServer({
  name: "atlas-mcp-server",
  version: "2.8.15",
});

// 注册所有工具
registerAtlasProjectCreateTool(server);
registerAtlasTaskCreateTool(server);
registerAtlasKnowledgeAddTool(server);
registerAtlasDeepResearchTool(server);  // 深度研究工具 v2.5+ 新增
// ... 共 14 个工具

// 启动传输层
if (transportType === 'http') {
  await startHttpTransport(server);
} else {
  await connectStdioTransport(server);
}

核心亮点：Deep Research 与图数据库的结合

Deep Research 工具（v2.5+ 新增）

ATLAS 最具特色的功能是 Deep Research 工具。这不是一个普通的搜索工具，而是利用 Neo4j 图关系进行上下文感知的深度研究。它的工作流程：

1. Agent 提出研究问题（如"分析社区赠款项目 A 的所有关联任务和知识"）
2. Deep Research 工具通过 searchService 在图数据库中检索相关节点
3. 利用项目→任务→知识的三层关系，沿着边（edges）递归展开
4. 整合结果，以结构化格式返回给 Agent

图数据库的天然优势

将任务管理放在 Neo4j 中，而不是传统的关系型数据库（如 PostgreSQL），有几大优势：

• 关系即数据：项目→任务的依赖关系无需额外的关系表，直接用图边表达
• 多层嵌套查询：想找"所有包含'性能'标签、关联到活跃项目的、创建于近30天的任务"，一条 Cypher 查询搞定
• 可视化探索：Neo4j Browser 提供图形化界面直观查看项目-任务-知识网络

统一搜索

unified_search 工具支持跨 Project、Task、Knowledge 三类实体的模糊搜索，基于 fuzzysort 库提供相关性排序。Agent 只需一次调用，无需分别查询三个表。

部署体验：Neo4j 是门槛，但门槛不高

ATLAS 提供了 docker-compose.yml，一键启动 Neo4j 5 Community Edition：

services:
  neo4j:
    image: neo4j:5-community
    ports:
      - "7474:7474"   # Neo4j Browser
      - "7687:7687"   # Bolt 协议
    environment:
      NEO4J_AUTH: neo4j/password2
      NEO4J_PLUGINS: '["apoc"]'  # APOC 插件启用
      NEO4J_server_memory_heap_max__size: "1G"

部署流程：

1. git clone 仓库
2. docker-compose up -d 启动 Neo4j（含 APOC 插件）
3. npm install && npm run build 编译 TypeScript
4. 配置 .env（参考 .env.example）
5. npm run start:stdio 或 npm run start:http

唯一门槛：需要理解 Neo4j 的基本概念（节点、边、属性），以及 Bolt 协议的连接方式。但对于已经熟悉 Graph RAG 的 AI 开发者来说，这几乎是零学习曲线。

与主流方案的对比

局限与争议

1. Neo4j 运维成本：虽然 docker-compose 简化了部署，但 Neo4j 的监控、备份、调优需要一定经验
2. 仅支持 MCP 客户端：不支持 OpenAI ChatGPT Plugins 或 LangChain 直接调用，生态限于 MCP 生态圈
3. 中文社区资料少：文档主要为英文，中文开发者需要参考源码注释
4. v2.5 重构破坏性变更：三层架构替代旧结构，已有数据的迁移需要手动处理

行业意义

ATLAS 代表了一个新兴方向：Agent 记忆基础设施（Agent Memory Infrastructure）。随着 AI Agent 在编程、写作、分析等场景落地，如何让 Agent 管理复杂、长期的工程任务，成为核心需求。ATLAS 通过 MCP 协议将这一能力标准化，为 Agent 提供了一个即插即用的"外置大脑"。

Stars 趋势：477 ★（2026-06），月增长率 30.4%，增长势头稳健。随着 MCP 协议生态的扩张，预计这一方向会持续升温。