Intro
作为滴答清单的重度J人用户，我长期依赖它来管理所有的日常任务与行程，但在高强度的使用过程中，我发现手动维护 To-Do List 的交互成本依然很高。既然现在的 AI 技术已经如此成熟，按理说我们完全可以构建更直观的场景：比如直接询问 AI “今天有哪些任务”，它就能自动规划出早晨写代码、下午健身的优先级建议；或者当我有诸如“周末和同事吃饭”这类临时安排时，只需一句自然语言，AI 就能自动识别时间、地点并归档。虽然官方目前尚未提供这种深度的 AI 整合，但我发现利用 TickTick 开放的 API，配合MCP协议，完全可以在本地构建这样一个智能且高效的中间件。
开始动手
在决定动手开发之前，我也调研过 GitHub 上现有的类似项目，但结果并不理想：它们要么未能适配最新的 API 接口，要么提供的工具集过于杂乱，导致大模型在进行决策时经常出现幻觉或调用失败。因此，我决定从零构建一个更符合直觉、体验更优的 MCP 工具。我的核心设计目标是“无缝集成”，这个本地 MCP 服务不仅可以自由加载到 Claude Code、Cherry Studio 等现代大模型应用中，还大幅简化了鉴权流程——用户只需在官方平台申请 Client ID 和 Secret，即可让模型接管后续的登录与鉴权，从而实现对日常事项全流程的自动化增删改查。
看看效果
这个简单的 MCP 项目带来的效果完全超出了我的预期，因为它真正深入并接管了我的日常生活。现在，我每天早上醒来的第一件事，就是打开对话框问它：“我今天要做什么？”它不仅能清晰列出全天的大小事项，还能根据任务性质进行智能分时规划：比如建议我上午精力好时写代码，下午去健身房，晚上则安排和朋友聚餐或打球。这种体验非常有趣，仿佛我有了一个能够理解我生活节奏的真实管家。
今天（2026-02-10）的日程：
运动（优先级高）
- 🏋 爬楼梯有能 - 8:30
- 🏋 力量训练
学习
- 📚 完成 React Native Section2 & 3 的学习（优先级高）
- 📚 写日记（含7个反思要点）
小红书发布
- 🎵 网易云音乐MCP：让Agent当你DJ
- 💻 Typeless + OpenCode 动动嘴就把bug修了
宣传任务
- 🐦 在推特宣传 ticktick-mcp
- 📝 在掘金宣传 ticktick-mcp
- 🇺🇸 在reddit发帖宣传 ticktick-mcp
共 9 个任务，其中 2 个高优先级。
第一个MCP项目，我学到了什么？
这虽然是我开发的第一个 MCP 项目，但作为一次轻量级的技术实践，它让我对“面向模型编程”有了更深的理解。我意识到 MCP 的消费者不仅是终端用户，更是大模型本身。因此，在开发过程中，我刻意保持了工具集的精简，为每一个 API 接口编写了极度清晰的 Prompt 定义，并补充了丰富的 Few-shot examples（少样本示例）。这种设计策略极大地降低了模型的理解门槛，使其能够更精准地命中用户意图，而不是在复杂的工具链中迷失。
展望未来
目前的这个MCP的配置虽然已经简化，但用户仍需手动填入参数。我理想中的状态是，用户只需将 MCP 的仓库链接粘贴给大模型应用，模型就能自动分析结构、完成环境安装与鉴权配置。虽然这需要大模型厂商、Agent 框架以及工具开发者的共同努力。
另外我已从中窥见了LLM应用更多的可能性，当你把繁杂的生活行程作为上下文喂给LLM，就会有奇妙的化学反应。比如，如果日程里有“与同事开会”，它会主动提醒我是否需要准备会议材料；更有趣的是，如果它识别到我有“和女朋友约会”的安排，它甚至能利用其知识库帮我策划全套流程——从看什么电影、去哪家餐厅吃饭，甚至连哪里拍照出片都能安排得明明白白。这种基于真实数据的联想能力，是传统 Todo 软件无法比拟的。
这在技术实现上其实并不复杂，核心在于打破了数据孤岛，让 AI 拥有了介入现实生活的权限。当大模型的能力与我们琐碎的日常事务产生交叉时，Claude Code这样的LLM 应用就不只是一个生产力工具了。虽然目前的 Agent 还需要我们主动去做一些复杂的配置，但我相信这就是未来的雏形：AI 不再只是等待指令的 Chatbot，而是将你的日常纳入上下文的贾维斯式私人助理。这种“人机共生”的流畅感，正是我开发这个 MCP 工具最大的惊喜。
