KI-Agent verwaltet Mattermost-Kanban-Board mit Skate-CLI-Tool
KI-Agenten wie Claude Code sind Spitze beim Code-Generieren, übersehen aber oft die Projektverfolgung: Aufgabenstatus bleiben unberührt, Zeit wird nicht protokolliert, und Kontext geht zwischen Sitzungen verloren. Hier kommt Skate ins Spiel: Ein Go-basiertes CLI-Tool mit MCP-Server, das Agenten direkt mit der Mattermost-Boards-API verbindet. Der Agent schaut selbstständig Aufgaben an, aktualisiert Status, startet Timer, kommentiert Änderungen und schließt Tickets.
Skate schließt die Lücke zwischen Terminal-Arbeit und Board-Status. Der Befehl skate tasks zeigt eine priorisierte Liste:
ID TITLE STATUS PRIORITY ASSIGNEE
c4cf6f4wzbjgxdm3hpa7iygtjdo Task-Übersetzungs-Middleware Not Started 2. Medium
cuppcm819atnixx71qg9i485jsr Aufgaben auflisten In Progress 1. High 🔥Der Agent parst die Ausgabe, greift sich die höchste Prioritätsaufgabe, aktualisiert ihren Status über die API und läuft im Loop ohne Kontextwechsel.
Einrichtung und grundlegender Workflow
Skates statisches Binary arbeitet über HTTP-Requests mit einem Mattermost-Bearer-Token. Keine Datenbank oder Container nötig.
Initialisierung:
skate init— Server-URL und Token eingeben.skate local-init— Board für das Projekt wählen.skate setup claude-code— MCP-Server mit 9 Tools registrieren: Boards, Aufgaben, Aufgabendetails, Status-Update, Aufgabe erstellen, Kommentare, Timer starten/stoppen, Zeiterfassung.
Ausgabe unterstützt JSON/YAML für einfaches Parsen:
skate tasks --json | jq '.[] | select(.Priority | test("High"))'Berechtigungen erben vom Benutzer: Wenn du das Board im Browser siehst, ist es auch im CLI zugänglich.
Aufgabenübersetzung für internationale Teams
Middleware übersetzt Aufgabenbeschreibungen ins Englische für den Agenten, ohne das Original auf dem Board zu ändern. In ~/.config/skate.yaml aktivieren:
translate:
enabled: true
provider: ollama
model: gpt-oss:latest
base_url: http://localhost:11434/v1Heuristik: ASCII-Text überspringt die Übersetzung; Nicht-ASCII geht über eine OpenAI-kompatible API (Ollama, OpenRouter). Perfekt für verteilte Teams mit mehrsprachigen Aufgaben.
Vollständiger Entwicklungszyklus unter Agentenkontrolle
Skate selbst wurde mit diesem Workflow gebaut: Ein Mattermost-Board mit Aufgaben, bei dem Claude die nächste Höchstpriorität greift.
Agentenschritte:
skate tasks— Liste holen.skate task <ID>— Details anschauen.- Status: In Bearbeitung.
- Timer starten.
- Ausführen (Code, Tests, Docs).
- Mit Änderungen kommentieren.
- Timer stoppen.
- Status: Abgeschlossen.
- Nächste Aufgabe?
30 Aufgaben mit Zeitstempeln und Kommentaren geschlossen. Wiederkehrende Aufgaben (README-Updates, Tests) werden von Abgeschlossen nach Nicht gestartet gezogen — Agent analysiert Diffs und aktualisiert passend.
Agenten in Team-Workflows integrieren
Aufgaben aus dem Terminal erstellen: skate create mit Beschreibung aus dem Chat. Bei komplexen Features erzeugt der Agent einen Markdown-Plan, hängt ihn ans Ticket und setzt es auf Blockiert. Das Team prüft asynchron; der Agent baut Feedback ein, bevor er codet.
Ergebnis: KI agiert als vollwertiges Teammitglied auf dem Board — Pläne sichtbar, Zeit protokolliert, Entscheidungen dokumentiert.
Steuerung via SKILL.md: Eingebettete Markdown-Datei mit Anweisungen (Status, Timer, Mentions, Anhänge). Agenten halten sich zuverlässiger dran als Menschen: Sie prüfen verlinkte Aufgaben, lesen Kommentare neu, loggen jeden Schritt.
Wichtige Erkenntnisse
- Skate gibt KI direkten Zugriff auf Mattermost-Boards ohne Browser und zapft Teamgedächtnis statt Agentenspeicher an.
- Voller Zyklus: Von Priorität bis Abschluss mit Zeittracking und Übersetzungen.
- Wiederkehrende Aufgaben automatisiert — Agent diffed Dateien selbst.
- Team-Integration: Pläne auf dem Board zur menschlichen Prüfung vor dem Coden.
- Minimaler Stack: Go-Binary, REST-API, MCP-Tools.
— Editorial Team
Noch keine Kommentare.