Claude Task-Master

Para la división granular de tareas utilizaremos Claude Task Master, un sistema de gestión de tareas impulsado por IA que se integra con Cursor, Lovable, Windsurf y otros editores de código avanzados. Esta herramienta opera mediante Model Context Protocol (MCP), permitiendo ejecutar comandos de gestión de tareas directamente desde el editor sin cambiar de contexto.

Repositorio y documentación

• GitHub: eyaltoledano/claude-task-master
• Licencia: MIT License with Commons Clause
• Instalación MCP: Disponible a través de Smithery.ai

Configuración del sistema

Modelos de IA requeridos

La configuración requiere definir tres tipos de modelos para máxima eficiencia:

Tipo de modelo	Modelo recomendado	Propósito
Main model	Claude Sonnet 4	Procesamiento principal de tareas
Research model	Claude Sonnet 4 / Perplexity	Generación respaldada por investigación
Fallback model	Claude Sonnet 3.7	Respaldo en caso de fallas

Configuración de API keys

Para cursor (MCP)

// .cursor/mcp.json
{
  "mcpServers": {
    "task-master-ai": {
      "command": "task-master-ai",
      "env": {
        "ANTHROPIC_API_KEY": "tu-api-key-aqui",
        "PERPLEXITY_API_KEY": "tu-api-key-aqui"
      }
    }
  }
}

Para CLI local

# .env
ANTHROPIC_API_KEY=tu-api-key-aqui
PERPLEXITY_API_KEY=tu-api-key-aqui
OPENAI_API_KEY=tu-api-key-aqui

Flujo de trabajo completo

1. Inicialización del proyecto

# Inicializar nuevo proyecto
task-master init

# Configurar modelos de IA
task-master models --setup

2. Generación de tareas desde PRD

# Parsear PRD y generar tareas granulares
task-master parse-prd .taskmaster/docs/prd.txt

# Verificar tareas generadas
task-master list

3. Gestión de tareas granulares

# Identificar siguiente tarea prioritaria
task-master next

# Generar archivos de implementación
task-master generate

# Mover tareas entre posiciones
task-master move --from=10 --to=16

Capacidades de división inteligente

Descomposición automática

La herramienta permite descomposición inteligente de tareas complejas mediante comandos naturales:

• "Please break down task 5 into subtasks"
• "Please break down all pending tasks into subtasks"
• "Task 5 seems complex. Can you break it down with security considerations?"
• "Please break down task 5 using research-backed generation"

Análisis de complejidad

# Analizar complejidad de tareas existentes
task-master analyze-complexity

# Identificar tareas que requieren división
task-master identify-complex-tasks

Comandos principales

Comando	Descripción	Uso típico
task-master init	Inicializar proyecto	Setup inicial
task-master parse-prd	Generar tareas desde PRD	Planificación
task-master list	Listar todas las tareas	Visualización
task-master next	Siguiente tarea prioritaria	Desarrollo
task-master generate	Generar archivos de implementación	Codificación
task-master move	Reorganizar tareas	Gestión

Integración con editores

Cursor AI

• Activación: Automática con MCP configurado
• Uso: Comandos de lenguaje natural en el chat
• Ejemplo: "What tasks are available to work on next?"

Visual studio code

• Extensión: Task Master MCP
• Configuración: A través de settings.json
• Integración: Claude Code compatible

Estructura de archivos

proyecto/
├── .taskmaster/
│   ├── config/
│   │   └── settings.json     # Configuración de modelos
│   ├── docs/
│   │   └── prd.txt          # Product Requirements Document
│   ├── tasks/
│   │   └── tasks.json       # Tareas generadas
│   └── templates/
│       └── example_prd.txt  # Template de PRD
└── .cursor/
    └── mcp.json            # Configuración MCP

Beneficios de la implementación

Precisión en división de tareas

• Granularidad óptima: Tareas de 2-4 horas de trabajo
• Dependencias claras: Identificación automática de prerequisitos
• Priorización inteligente: Basada en complejidad y dependencias

Trazabilidad completa

• Historial de división: Registro de cómo se descomponen tareas complejas
• Justificación de decisiones: IA explica la lógica de división
• Métricas de progreso: Seguimiento granular del avance

Optimización del flujo AI-driven

• Contexto preservado: Mantiene contexto entre tareas relacionadas
• Generación de código dirigida: Cada tarea genera scaffolding específico
• Iteración continua: Refinamiento basado en feedback de implementación

Casos de uso específicos para el proyecto PROMPTS

1. División de módulos complejos: Descomposición del sistema de secuencias de prompts
2. Tareas de integración: División granular de integraciones con modelos de IA
3. Implementación UI/UX: Separación de componentes y estados
4. Testing y validación: Creación de tareas específicas por tipo de prueba