Skate: Agent AI zarządza tablicą kanban

AI-agent zarządza tablicą kanban Mattermost za pomocą narzędzia CLI Skate

Agenty AI, takie jak Claude Code, generują kod efektywnie, ale ignorują śledzenie projektów: statusy zadań nie są aktualizowane, czas nie jest rejestrowany, kontekst tracony jest między sesjami. Rozwiązaniem jest Skate: narzędzie CLI w Go z serwerem MCP, integrujące agentów bezpośrednio z API Mattermost Boards. Agent samodzielnie przegląda zadania, zmienia statusy, uruchamia timery, komentuje zmiany i zamyka zgłoszenia.

Skate eliminuje przepaść między rzeczywistą pracą w terminalu a stanem tablicy. Polecenie skate tasks wyświetla priorytetową listę:

ID                           TITLE                        STATUS       PRIORITY   ASSIGNEE
c4cf6f4wzbjgxdm3hpa7iygtjdo  Task translation middleware  Not Started  2. Medium
cuppcm819atnixx71qg9i485jsr  listing tasks                In Progress  1. High 🔥

Agent analizuje wyjście, bierze zadanie według priorytetu, aktualizuje status przez API i wykonuje cykl bez przełączania.

Konfiguracja i podstawowy workflow

Statyczny binarnik Skate działa przez żądania HTTP z tokenem Bearer Mattermost. Brak zależności od bazy danych lub kontenerów.

Inicjalizacja:

• skate init — wprowadzenie URL serwera i tokenu.
• skate local-init — wybór tablicy dla projektu.
• skate setup claude-code — rejestracja serwera MCP z 9 narzędziami: boards, tasks, task details, status update, create task, comments, timer start/stop, time log.

Wyjście wspiera JSON/YAML do analizy:

skate tasks --json | jq '.[] | select(.Priority | test("High"))'

Uprawnienia dziedziczone są od użytkownika: widzisz tablicę w przeglądarce — dostępne w CLI.

Tłumaczenie zadań dla zespołów wielojęzycznych

Middleware tłumaczy opisy zadań na angielski dla agenta, nie zmieniając oryginału na tablicy. Aktywacja w ~/.config/skate.yaml:

translate:
  enabled: true
  provider: ollama
  model: gpt-oss:latest
  base_url: http://localhost:11434/v1

Heurystyka: tekst ASCII jest pomijany, nie-ASCII tłumaczony przez API zgodne z OpenAI (Ollama, OpenRouter). Przydatne dla rozproszonych zespołów z zadaniami w różnych językach.

Pełny cykl rozwoju pod kontrolą agenta

Rozwój Skate prowadzony był przez własny workflow: tablica Mattermost z zadaniami, Claude brał następne zadanie według priorytetu.

Kroki agenta:

• skate tasks — lista.
• skate task <ID> — szczegóły.
• Status: In Progress.
• Start timera.
• Wykonanie (kod, testy, dokumentacja).
• Komentarz ze zmianami.
• Stop timera.
• Status: Completed.
• Zapytanie: next task?

30 zadań zamkniętych z timestampami i komentarzami. Powtarzające się zadania (aktualizacja README, testy) są przeciągane z Completed do Not Started — agent analizuje diffs i aktualizuje.

Integracja agenta w proces zespołowy

Tworzenie zadań z terminala: skate create z opisem z czatu. Dla złożonych funkcji agent generuje plan Markdown, dołącza do zgłoszenia, ustawia Blocked. Zespół recenzuje asynchronicznie, agent integruje feedback przed kodowaniem.

Rezultat: AI jako pełnoprawny uczestnik na tablicy — plany widoczne, czas zarejestrowany, decyzje udokumentowane.

Zarządzanie przez SKILL.md: Wbudowany plik Markdown z instrukcjami (statusy, timery, wzmianki, załączniki). Agent przestrzega ich ściślej niż ludzie: sprawdza powiązane zadania, ponownie czyta komentarze, loguje wszystkie kroki.

Co ważne

• Skate daje AI bezpośredni dostęp do Mattermost Boards bez przeglądarki, skupiając się na pamięci zespołu, a nie agenta.
• Pełny cykl: od priorytetu do zamknięcia ze śledzeniem czasu i tłumaczeniami.
• Powtarzające się zadania zautomatyzowane — agent sam diffuje pliki.
• Integracja zespołowa: plany na tablicy dla human review przed kodem.
• Minimalistyczny stos: binarnik Go, REST API, narzędzia MCP.

— Editorial Team