Dokumentation

Alles, was du über TensorPM wissen musst

Agenten-Integrationen

TensorPM ist für menschliche Projektarbeit und agentische Projektarbeit auf demselben Projektgraphen gebaut.

Es gibt drei Integrationsschichten:

  • externe MCP-Clients, die sich mit TensorPM verbinden
  • TensorPMs eigener Agent, der externe MCP-Tools nutzt
  • lokale Coding-Agenten, die Action Items übernehmen

Externe MCP-Clients

Externe MCP-Clients können sich mit TensorPM verbinden, damit sie Projektkontext lesen und schreiben können.

Die App kann Integrationen für gängige Clients erkennen und konfigurieren, zum Beispiel:

  • Claude Desktop
  • Claude Code
  • GitHub Copilot
  • Cursor
  • Windsurf
  • Zed
  • Continue
  • Cline
  • Antigravity
  • Codex

Öffne Einstellungen -> Integrationen oder die Connector-Übersicht, um konfigurierte Clients zu prüfen und TensorPM-MCP-Einträge zu installieren, wo es unterstützt wird.

Wofür MCP gedacht ist

Nutze MCP für typisierte Operationen, bei denen der Agent ein konkretes Tool aufrufen soll.

Beispiele:

  • Projekte listen
  • Projekt abrufen
  • Action Items listen
  • Action Items erstellen oder aktualisieren
  • Entscheidungen erfassen, superseden, withdrawen, verlinken oder listen
  • Workspaces listen oder wechseln
  • Provider-API-Keys setzen
  • Bug Reports oder Feedback senden
  • Billing- und Credit-Status prüfen

MCP ist am stärksten, wenn die gewünschte Zustandsänderung konkret ist.

Wofür A2A gedacht ist

Nutze A2A, wenn der Agent mit dem TensorPM-Projektagenten sprechen soll.

Beispiele:

  • Projekt-Level-Reasoning anfragen
  • kontextbewussten Plan anfordern
  • mehrschrittige Projektkonversation fortsetzen
  • den Projektagenten um zukünftige Erinnerung oder Review bitten
  • breitere Projektkontextänderungen vorschlagen

Der lokale A2A-Endpoint läuft auf http://localhost:37850, wenn die Desktop-App ihn bereitstellt.

MCP vs A2A als Faustregel

Nutze diese Trennung:

  • MCP für strukturierte CRUD-Operationen und typisierte Reads.
  • A2A für Absicht, Planung und Kontext-Reasoning.

Ein einzelnes Action Item zu erstellen ist MCP. Die Frage "Was sollten wir als Nächstes tun, um dieses Projekt zu retten?" ist A2A.

TensorPM als MCP-Client

TensorPMs eigener KI-Agent kann ebenfalls externe MCP-Server aufrufen.

Konfiguration kann kommen aus:

  • ~/.tensorpm/agent-mcps.json
  • .tensorpm/agent-mcps.json
  • .tensorpm/agent-mcps.local.json
  • TENSORPM_AGENT_MCP_CONFIG_FILE

Die Connector-UI kann Agent-MCP-Server ebenfalls verwalten. Sie unterstützt globale und projektbezogene Serverkonfigurationen.

Felder eines Agent-MCP-Servers

Ein Agent-MCP-Server kann enthalten:

  • Name
  • Transport (stdio oder streamable-http)
  • Scope (global oder project)
  • Projekt-ID bei projektbezogenen Servern
  • Enabled-Flag
  • Tool-Prefix
  • Command und Args für stdio
  • URL und Headers für HTTP
  • Environment-Variablen
  • Approval-Verhalten für Write-Tools

Nutze Tool-Prefixes, um Kollisionen zu vermeiden, wenn mehrere MCP-Server ähnliche Tool-Namen bereitstellen.

Approval-Verhalten

TensorPM unterscheidet Read-only-Tools von Tools, die schreiben, löschen oder Seiteneffekte auslösen können.

Für externe MCP-Tools, die TensorPMs eigener Agent nutzt:

  • Read-only-Tools können meist direkt genutzt werden
  • Write-Tools können Nutzerfreigabe erfordern
  • vertrauenswürdige Server können bei Bedarf freier erlaubt werden
  • private Netzwerk-HTTP-MCP-URLs sind gesperrt, außer sie werden für vertrauenswürdige lokale Tests explizit erlaubt

Lass Write-Approval für neue oder nicht vertrauenswürdige MCP-Server aktiviert.

Lokale Coding-Agenten

TensorPM kann lokale Coding-Agenten erkennen und aufrufen.

Aktuell unterstützte lokale Provider:

  • Codex
  • Claude Code

Die App kann außerdem den GitHub-Copilot-Status für externe Agentenverfügbarkeit anzeigen.

Lokale Coding-Agenten können Action Items als Agent-Assignees übernehmen. TensorPM kann sie starten, die Ausführung verfolgen und Completion-Signale sammeln.

Agent-Assignee-Rollen

Agent-Assignees können Rollen tragen wie:

  • developer
  • architect
  • reviewer

Nutze Rollen, um den Arbeitsauftrag zu klären. Weise zum Beispiel eine Coding-Aufgabe einem Developer-Agenten zu und ein Design-Review einem Reviewer-Agenten.

Runtime- und Permission-Einstellungen

Lokale Agenten können je nach Nutzerkonfiguration und Provider in Standard- oder erweiterten Berechtigungsmodi laufen.

Nutze Standardmodus für Routinearbeit. Nutze volle Berechtigungen nur, wenn der Agent wirklich breite lokale Änderungen durchführen muss und du das Risiko verstehst.

Git Commit Stories

TensorPM kann mit Repositories in Projektdateien arbeiten und mit lokalen Agenten Stories aus Commits erzeugen. Das ist nützlich, wenn Projektdokumentation Implementierungshistorie abbilden soll.

Nutze das, wenn:

  • ein Codeprojekt aussagekräftige Commit-Historie hat
  • Stakeholder narrative Fortschrittszusammenfassungen brauchen
  • der Projekt-Trail technische Arbeit mit Projektkontext verbinden soll

Empfohlener Setup-Ablauf

  1. TensorPM installieren und Projekt erstellen oder öffnen.
  2. KI-Zugriff in Einstellungen -> KI konfigurieren.
  3. Connector-/Integrations-Einstellungen öffnen.
  4. TensorPM MCP in den externen Clients installieren, die du wirklich nutzt.
  5. Externe MCP-Server für TensorPMs eigenen Agenten nur hinzufügen, wenn sie echten Projektwert haben.
  6. Write-Approvals aktiviert lassen, bis ein Server vertrauenswürdig ist.
  7. Mit einer sicheren Read-Operation testen, etwa Projekte listen.
  8. Mit einer kleinen Write-Operation testen, etwa ein risikoarmes Action Item erstellen.

Sicherheitsregeln für Agenten

  • Dauerhafte Entscheidungen im Trail erfassen, nicht nur im Chat.
  • MCP für exakte Updates nutzen und Ergebnisse nach Writes prüfen.
  • A2A für breiteres Reasoning nutzen.
  • Agenten nicht standardmäßig breite Filesystem- oder Write-Tool-Rechte geben.
  • Agenten dürfen nicht behaupten, dass Billing, Checkout oder Zahlung abgeschlossen sind, sofern der Nutzer das nicht außerhalb der Tool-Antwort bestätigt.
  • Generierte Action Items prüfen, bevor du sie für Ausführung nutzt.

Fehlerbehebung

Wenn ein MCP-Client TensorPM nicht sieht:

  • prüfen, ob die Desktop-App läuft
  • prüfen, ob die Integrationskonfiguration in die erwartete Client-Datei geschrieben wurde
  • MCP-Client nach Config-Änderungen neu starten
  • prüfen, ob der TensorPM-MCP-Server-Command auf die installierten App-Ressourcen zeigt
  • Connector-Status in TensorPM prüfen

Wenn TensorPMs eigener Agent einen externen MCP nicht aufrufen kann:

  • prüfen, ob der Server enabled ist
  • Transporttyp und Command/URL prüfen
  • Environment-Platzhalter und Secrets prüfen
  • Approval-Prompts prüfen
  • zuerst mit einem Read-only-Tool testen

Nächste Schritte

Vorherige
KI-Panel & Quick Actions
Nächste
Cloud Sync
War diese Seite hilfreich?