对比
AI4Kanban vs.
Task Master
两者都用任务列表代替聊天窗，把活交给 coding agent。Task Master 接收你写好的需求文档，把它拆成有依赖顺序的任务。AI4Kanban 从更前面一步开始：你只说一句粗略的话，它不断提问，直到问出一个值得开工的需求。
仓库里的 Markdown 看板。智能体自主提出任务，遇到定不了的就问你，做完则归档。
面向各类 AI 编辑器的任务引擎。解析 PRD，展开为子任务，再逐个消化待办。
区别在于：你必须先拿出什么。
Task Master（官方文档写作 Taskmaster）是面向 coding agent 最知名的任务管理工具，也确实称职：读入一份产品需求文档，拆成带依赖关系的任务，为每个任务的复杂度打分，把重的展开成子任务，再把下一个没有阻塞的任务交给你。如果你本来就会写需求文档，这基本够用了。
AI4Kanban 假设你还没有需求文档。你只给一句话，它去读代码和项目记忆，能自己定的就自己定，只把真正悬而未决的问题抛回给你，如此反复，直到卡片具体到可以开工。提问本身就是产品。看板则是答案留存的地方。
2026 年 8 月 10 日核实：Task Master 最新版本是 0.43.1（2026 年 3 月 31 日），main 分支最后一次提交在 2026 年 4 月 23 日，同一团队正在开发托管产品 Hamster。它每月仍有约 78,000 次安装——这是一个使用广泛、但仓库趋于安静的工具，而不是一个已被废弃的项目。
在两者能帮上忙之前，你得先拿出什么
目标是一样的：产出一个 coding agent 不用猜就能做完的任务。区别在于起步时各自要求你先准备什么——这几乎就是全部差异。
一句话就够
说出粗略的想法。不限格式，不用文档，也没有模板。
智能体读代码、读项目过往的决策，能定的自己定，只把仍然悬而未决的问题拿来问你。
它写出卡片，按价值和依赖关系排进看板，并把你的答案留给下一次。
先写好一份文档
先写需求文档。官方指南建议先和聊天模型一起把它写出来，再保存为
.taskmaster/docs/prd.txt。parse-prd把它拆成带依赖关系的任务，expand展开为子任务，analyze-complexity打分找出还需要继续拆的部分。next把当前没有阻塞、优先级最高的任务交给你。
两条路都不难。但如果文档本身含糊，Task Master 拆出来的也是含糊的任务——你当然可以用 update-task 补充上下文，research 模型也能去查资料，但整个流程里没有一步会主动问你到底想要什么。
AI4Kanban vs. Task Master
表示这一项更适合谁；横杠表示取决于你的工作方式。Task Master 更强的是覆盖面、批量执行和联网调研；AI4Kanban 更强的是把模糊想法变成真正的需求，并把已经定下的结论留住。
你的一句粗略描述；也可以是智能体读过代码和看板之后自己提出的提案。
你先写好的需求文档，解析成任务；也可以用一段提示逐个新增任务。
澄清循环先用记忆和代码回答能回答的，剩下的问你；只要还有问题悬着，卡片就不算就绪。
文档有多具体，任务就有多具体。你可以更新任务、展开任务，或让 research 模型去查资料。
`docs/kanban/` 下一张卡片一个 Markdown 文件，外加纯文本的记忆文件。diff 读起来就是人话。
一个 `.taskmaster/tasks/tasks.json` 装下全部任务和子任务；`generate` 还能为每个任务另写一份文本文件。
一条 prompt。不需要 MCP 服务，不需要 API key，也不需要配置模型——思考由你的 coding agent 自己的模型完成。
MCP 服务或 CLI，外加 main、research、fallback 三个模型角色。Claude Code 和 Codex 这两个 provider 不需要额外的 key，其余大多需要。
由你的智能体实现卡片并归档。没有批量执行器，也不强制某一种测试流程。
`loop` 会连续开启全新的 Claude Code 会话，自带测试、lint、去重等预设；`autopilot` 在独立分支上跑 red-green-commit 的 TDD 循环。
按模块保存的记忆：决策、被否决的想法、设计纠偏和已交付的工作。下次提案前先读一遍，所以否决过的不会再被提出来。
追加到子任务上的带时间戳的笔记、保存下来的调研文件，以及用 tag 区隔的多份任务列表。
目前是 Claude Code、Codex、Cursor、OpenCode、DeepSeek Harness、ZCode 和 Grok Build。看板就是纯文件，换一个 harness 不需要新格式，只需要接上。
Cursor、Windsurf、VS Code、Claude Code、Codex、Kiro、Amazon Q 等，通过 MCP 或 CLI 接入，支持十五种以上的模型 provider。
协作方式就是 git：开分支、在 pull request 里评审计划、合并。没有实时同步。
开源版同样是本地的，但同一团队还提供托管产品 Hamster，含共享 brief 与同步，每位 creator 每月 40 美元起。
Apache-2.0。可以使用、可以 fork，也可以拿它做出来的东西去卖，没有附加条件。
MIT 附带 Commons Clause：个人、商业和学术使用均免费，但不得出售 Task Master 本身，也不得把它作为托管服务对外提供。
一个 JSON 文件，还是一张卡片一个文件
两块看板都放在仓库里，都随代码一起进版本管理。区别在于 diff 给人看到的是什么。
AI4Kanban
docs/kanban/todo/features/142-warn-on-a-huge-card.md147-name-the-next-card.mdskill/151-two-runs-at-once.mdmemory/site/decisions.md
一张卡片一个 Markdown 文件。pull request 里看到的是计划本身在变，是你能读、也能反驳的文字。
Task Master
.taskmaster/docs/prd.txttasks/tasks.jsonreports/task-complexity-report.jsonstate.json
一个文件装下整个待办列表。diff 里是 JSON——准确，但本来就不是写给人读的。
Task Master 在 0.42.0 加入了跨进程文件锁，避免两个进程同时写入导致数据丢失。分成多个文件就没有这种争用：只有两次运行改到同一张卡片时才会撞上。
各自的长处
Task Master 覆盖更广、能在无人值守下跑更久，还能联网查资料。AI4Kanban 刻意更窄：它要赢的是「还没有任务之前」的那一段。
AI4Kanban
先问，再动手
智能体把一句粗略的话变成一串问题，能从代码和过往决策里找到答案的自己解决，只把别人替不了的交给你。
计划就是能读的文字
每张卡片都是一个 Markdown 文件。评审计划和评审代码一样——在 diff 里、用文字、在写下第一行代码之前。
它记得你否决过什么
决策、被否决的想法和设计纠偏按模块保存，下次提案前先读，所以看板不会把同一件事提第二遍。
没有东西需要搭
不用 MCP 服务，不用 API key，不用配置模型角色，也不会在每次对话里塞进一堆工具定义。一条 prompt 就装进仓库。
Task Master
几乎在哪都能跑
Cursor、Windsurf、VS Code、Claude Code、Codex、Kiro 等，通过 MCP 或 CLI 接入，支持十五种以上的模型 provider，含本地模型。
自带联网调研
独立的 research 角色可以在写任务或展开任务时引入最新资料，并把查到的内容保存在任务旁边。
你睡觉时它也能干活
`loop` 为每个任务开启全新的智能体会话，自带测试、lint、去重和坏味道等预设；`autopilot` 在独立分支上跑严格的 TDD 循环。
大家已经在用的那一个
约 28,000 个 GitHub star，每月约 78,000 次 npm 安装，还有文档、Discord 和多年沉淀下来、可以照抄的工作流。
哪一个更适合你？
选 AI4Kanban，如果
- 你的想法往往只有一句话，卡住你的正是把需求写清楚这一步。
- 你希望计划和它背后的理由都能在 diff 里评审，就放在代码旁边。
- 你希望看板记住已有的决策和否决，别再来回问同样的问题。
- 你不想再多跑一个 MCP 服务、多管一批 API key、多配一套模型。
选 Task Master，如果
- 你本来就会写需求文档，只想把它拆好、排好顺序。
- 你在 Cursor、Windsurf、VS Code 或 Kiro 里工作，希望看板就在编辑器里。
- 你需要开箱即用的批量无人值守执行，或者严格的测试先行流程。
- 你希望规划过程自带联网调研，或者要用我们尚未支持的某个模型 provider。
Task Master 从你的需求文档写完的地方开始；AI4Kanban 从它之前开始——它要做的就是从一个模糊想法到一个值得交给智能体的任务这一段。如果你文档写得好，Task Master 今天就能帮你多做完一些事；如果那份文档永远也写不出来，那这一段才是该先补上的。
两者并不互斥：拿一张打磨好的 AI4Kanban 卡片去写 PRD，解析起来一样顺。但任务状态必须由其中一块看板说了算，否则你就得同时维护两块。