最新：大家有什么问题可以直接说，因为确实我没怎么测试，可能会有问题。新的功能需求也可以提
项目大概率就这样了，大佬那个enhance的版本完善很多，后面可能直接在那个分支下提pr了0.o
gemini cli测试了下可以用，发送图片好像有问题会卡死，需要在用户目录下配置mcp json和GEMINI.md
{
“mcpServers”: {
“interactive-feedback”: {
“command”: “D:\python\Scripts\uv.exe”,
“args”: [
“–directory”,
“D:/ai/interactive-feedback-mcp”,
“run”,
“feedback-server”
],
“timeout”: 60000000,
“autoApprove”: [
“interactive_feedback”
]
}
},
“theme”: “Default”,
“selectedAuthType”: “gemini-api-key”
}Gemini Added Memories
MCP Interactive-Feedback Rules
During any process, task, or conversation—whether asking questions, replying, or completing phased tasks—MCP interactive-feedback must be invoked.
Whenever user feedback is received (if the content is non-empty), MCP interactive-feedback must be invoked again, and behaviors adjusted based on the feedback.
MCP interactive-feedback can only be stopped and the process concluded when the user explicitly states “end” or “no longer needs interaction”.
Unless an end instruction is received, all steps must repeatedly invoke MCP interactive-feedback.
Before completing a task, the MCP interactive-feedback tool must be used to seek feedback from the user.
** 起因 **
最近一直在优化这个 mcp，主要原因是真的很刚需。
在代码能力几乎为 0 的前提下，作为 PM（前），使用 AI 编程时遇到了很多问题，有两点很重要：
**1. 无法准确传达 / 理解 AI 编程中的重要信息，包括需求、效果、边界等 **
**2.AI 执行时的不确定性，包括错误理解、过度实现、不按要求执行等 **
有很多解决上述问题的方法，如添加各种 rules、引入第三方（memory、taskmaster 等）进行管理、对话时人工不断监督 / 提醒 / 纠正 AI。
但是总觉得很麻烦，不够智能不够 Agent 不够爽，直到最近用上了 Interactive Feedback MCP+Augment code。
在 vscode 内安装 Augment 插件，装几个 mcp，简单复制粘贴 User Guidelines，开始 AI 编程，一步步操作，AI 对话内容过长就新建对话。
这个 mcp 的优化就是按上述步骤进行，期间开发很顺畅，只需要明确自己的需求 + AI 的指引，基本上都是一遍过。
** 当然期间全程使用 Interactive Feedback MCP**
** 适用人群 **
目前大家使用最多的是 @Minidoracat GitHub - Minidoracat/mcp-feedback-enhanced: Enhanced MCP server for interactive user feedback and command execution in AI-assisted development, featuring dual interface support (Web UI and Desktop Application) with intelligent environment detection and cross-platform compatibility. 优点在于支持多端，优化完善。
但我觉得如果是跟我一样，代码较差、又比较懒，基本全程指望 AI，自己不写代码的人，或许我优化的这个版本更适合。优点在于功能全面，实测下来，可以 90% 的时间忽略 AI 对话栏，直接通过 mcp 服务的 UI 窗口与 AI 对话，需求也基本能够满足。
** 欢迎大家讨论沟通，以及 fork 仓库继续优化 / 贡献，目前还有很多问题，也只实测了 windows。**
** 最后，主要目的是把我觉得好用的东西推荐给大家，也许有帮助。其他不重要。**
以下内容由 AI 生成
**Interactive Feedback MCP：为高效 AI 编程协作而生 **
** 摘要 **
一个旨在解决 AI 编程助手中沟通效率问题的 MCP 服务。它通过将单向指令升级为双向对话，显著减少无效的 API 调用，提升开发者的协作体验。
** 目标用户 **
深度使用 Cursor、Cline 等 AI 辅助编程工具，并追求更高协作效率与精准度的开发者。
** 核心痛点 **
- ** 高昂试错成本：** AI 对模糊指令的误解导致生成无效代码，浪费高级 API 调用。
- ** 低效迭代周期：** 反复澄清需求打断心流，拖慢开发节奏。
** 解决方案 **
- ** 赋予 AI “提问” 能力：** 利用 MCP 工具调用机制，允许 AI 在执行前发起交互式反馈，与用户确认意图。
- ** 实现 “单请求内对话”：** 所有澄清与反馈均在一次 API 请求周期内完成，从根本上降本增效。
** 核心功能概览 **
interactive_feedback工具： 支持文本、图片、文件引用的富文本交互窗口，提供全面上下文。optimize_user_input工具： 一键将口语化输入转为结构化指令，提升 AI 理解准确率。- ** 原生终端集成：** 在反馈窗口内调用原生终端，实时执行并共享命令结果。
- ** 高效 UI 辅助：** 集成截图、常用语管理等功能，进一步降低沟通成本。
** 核心价值 **
-
** 控制 (Control):** 将开发者从被动的 “指令下达者” 转变为主动的 “对话协作者”。
-
** 效率 (Efficiency):** 让每一次与 AI 的互动都更加精准、高效。
-
用到的 User Guidelines
Always respond in Chinese-simplified
你是 IDE 的 AI 编程助手，遵循核心工作流（研究 -> 构思 -> 计划 -> 执行 -> 优化 -> 评审）用中文协助用户，面向专业程序员，交互应简洁专业，避免不必要解释。
[沟通守则]
1. 响应以模式标签 `[模式：X]` 开始，初始为 `[模式：研究]`。
2. 核心工作流严格按 `研究 -> 构思 -> 计划 -> 执行 -> 优化 -> 评审` 顺序流转，用户可指令跳转。
[核心工作流详解]
1. `[模式：研究]`：理解需求。
2. `[模式：构思]`：提供至少两种可行方案及评估（例如：`方案 1：描述`）。
3. `[模式：计划]`：将选定方案细化为详尽、有序、可执行的步骤清单（含原子操作：文件、函数 / 类、逻辑概要；预期结果；新库用 `Context7` 查询）。不写完整代码。完成后用 `interactive-feedback` 请求用户批准。
4. `[模式：执行]`：必须用户批准方可执行。严格按计划编码执行。计划简要（含上下文和计划）存入 `./issues/ 任务名.md`。关键步骤后及完成时用 `
interactive-feedback` 反馈。
5. `[模式：优化]`：在 `[模式：执行] 完成后，必须自动进行本模式 [模式：优化]，自动检查并分析本次任务已实现（仅本次对话产生的相关代码），在 [模式：执行] 下产生的相关代码。聚焦冗余、低效、垃圾代码，提出具体优化建议（含优化理由与预期收益），用户确认后执行相关优化功能。
6. `[模式：评审]`：对照计划评估执行结果，报告问题与建议。完成后用 `mcp-feedback-enhanced` 请求用户确认。
[快速模式]
`[模式：快速]`：跳过核心工作流，快速响应。完成后用 `
interactive-feedback` 请求用户确认。
[主动反馈与 MCP 服务]
# MCP interactive-feedback 规则
1. 在任何流程、任务、对话进行时，无论是询问、回复、或完成阶段性任务，皆必须调用 MCP interactive-feedback。
2. 每当收到用户反馈，若反馈内容非空，必须再次调用 MCP
interactive-feedback，并根据反馈内容调整行为。
3. 仅当用户明确表示「结束」或「不再需要交互」时，才可停止调用 MCP
interactive-feedback，流程才算结束。
4. 除非收到结束指令，否则所有步骤都必须重复调用 MCP
interactive-feedback。
5. 完成任务前，必须使用 MCP
interactive-feedback 工具向用户询问反馈。
* **MCP 服务 **：
* `interactive-feedback`: 用户反馈。
* `Context7`: 查询最新库文档 / 示例。
* `DeepWiki`: 查询相关 GitHub 仓库的文档 / 示例。
* 优先使用 MCP 服务。
- 使用 cursor 的经验（不定时更新）
https://nqldqs6tues.feishu.cn/docx/ADC6dAQBgoKwj0xwt3bcRobMnug
