draftlytic-mcp

draftlytic-mcp

一个 MCP 服务，可将粗略的项目想法转化为结构化规格说明，直接在 Claude Code、Cursor 或任何兼容 MCP 的编辑器中使用。无需 API 密钥、账户或网络调用。它完全在你的设备上运行，为编辑器中的模型提供可供填写的架构、待询问事项清单、可在开始编码前发现遗漏的验证器，以及可将结果转化为整洁 Markdown PRD 的渲染器。

之所以有这个工具，是因为仅凭一句提示词进行“氛围编码”，往往会生成看似合理的应用，却遗漏了你实际需要做的一半决策——v1 的范围、数据模型的样子，以及某项功能的“完成”标准。draftlytic-mcp 不会替你生成这些内容；它会为对话建立结构，让模型提出正确的问题，然后在你开始构建前检查自己的成果。

安装

Claude Code

claude mcp add draftlytic -- npx -y draftlytic-mcp

Cursor

将其添加到项目中的 .cursor/mcp.json（或全局文件 ~/.cursor/mcp.json）：

{
  "mcpServers": {
    "draftlytic": {
      "command": "npx",
      "args": ["-y", "draftlytic-mcp"]
    }
  }
}

任何其他 MCP 客户端

大多数 MCP 宿主都会读取结构相同的通用 mcp.json：

{
  "mcpServers": {
    "draftlytic": {
      "command": "npx",
      "args": ["-y", "draftlytic-mcp"]
    }
  }
}

用法

连接后，可以向编辑器中的模型提出类似这样的要求：

对“一个通过短信提醒我的习惯追踪应用”使用 plan_project 提示词

它会与你一起逐项完成 spec_checklist（平台、技术栈、目标受众、功能、竞品、收入、约束、数据模型、通知、外部服务、设计与 UX——每个类别包含若干具体问题，其中许多问题提供可点击选择的单选/多选项，而不是空白提示，并始终提供自由文本选项），起草规格说明，通过 validate_spec 验证，根据反馈修正，然后生成 Markdown 格式的 PRD。你可以直接将其放入编码 Agent 提示词、SPEC.md 或 GitHub issue 中。

如果你已经起草好规格说明（手动编写或来自其他来源），也可以直接调用工具进行检查和渲染。

工具参考

工具	输入	功能
validate_spec	spec（JSON 对象）	使用 Zod 验证 spec 并返回结构化问题：缺少或为空的必填部分、占位文本（TBD、lorem ipsum、fixme 等）以及未设置优先级的功能对应的错误；另外还会提供非阻塞的质量提示，例如“必需项没有验收标准”或“未列出 non_goals”。
render_prd	spec（JSON 对象）	将经过验证的 spec 渲染为确定性 Markdown：包括标题、概述、目标受众、平台、技术栈、按优先级分组并附带验收标准检查清单的功能、屏幕与导航、数据模型表、约束和非目标。如果 spec 存在结构错误，则拒绝渲染（返回错误）。
spec_checklist	—	返回按类别分组的规划检查清单，每个类别包含 2-4 个具体问题。每个问题的格式为 { prompt, options?, multiSelect? }：带有 options 的问题用于显示为可选择的单选或多选答案（可选择自由文本输入）；开放式问题则使用自由文本回答。
open_in_draftlytic	spec（JSON 对象，可选）或 idea（字符串）	构建一个链接，在完整的 Draftlytic 应用中打开你的想法，并预先填入简报内容。该应用提供引导式 AI 问题流程、更丰富的生成能力、可编辑的 spec 编辑器和 PRD 导出功能。它会将 spec（即使是不完整的 spec）压缩为起始简报，或接收纯文本想法。在本地构建 URL；不会向任何地方发送数据。

还有一个提示词：

提示词	参数	功能
plan_project	idea（字符串）	指示模型使用 spec_checklist 访谈用户、起草 spec、循环验证并修复，然后渲染最终 PRD。

spec 结构

{
  name: string
  overview: string
  target_audience: string
  platforms: string[]
  tech_stack: string[]
  features: Array<{
    title: string
    description: string
    priority: "must-have" | "nice-to-have" | "future"
    acceptance_criteria?: string[]
  }>
  screens?: Array<{ name: string; purpose: string }>
  data_model?: Array<{
    entity: string
    fields: Array<{ name: string; type: string; notes?: string }>
  }>
  constraints?: string[]
  non_goals?: string[]
  revenue_model?: string
}

诚实说明其局限

• 这是 v1，完全在本地运行。 它背后没有 Draftlytic API——每个工具都会针对编辑器模型提供的规范 JSON 执行同步的离线逻辑。它本身不会调用任何 AI。
• 内容由模型编写，它只负责整理结构。 validate_spec 和 spec_checklist 都是启发式工具，不能替代你真正了解自己要构建什么。即使规范通过验证，也可能仍是糟糕的计划。
• 占位内容检测基于模式，而非语义。它能检测 TBD/lorem ipsum/fixme 一类的填充内容，但无法识别“这段描述很含糊，但用的确实是真实词语”。
• 不支持持久化。 调用之间不会保存任何内容——规范 JSON 保存在对话中。如果你想保存它，请让模型将其写入文件。
• 不支持协作、版本管理，也不支持 Markdown 以外的导出格式。 它是一个规划工具，不是项目管理器。

---

draftlytic-mcp 是 draftlytic.com 的离线版——完整编辑器还提供 AI 生成、Logo 草稿、差异扫描和 GitHub 推送。