OpenClaw Java — 用 Java 全栈实现一个 AI Agent Gateway

OpenClaw Java — 用 Java 全栈实现一个 AI Agent Gateway

项目简介

大家好,分享一下我最近在做的开源项目 OpenClaw Java —— 基于 Spring Boot 3.3 的 AI Agent Gateway 全栈实现,通过 WebSocket 自定义帧协议提供全功能 Agent 接口。

项目地址:https://github.com/yuenkang/openclaw-java

当前规模: 594 个 Java 源文件 + 17 个测试文件,约 88,500 行代码

为什么做这个项目?

目前 AI Agent 框架大多集中在 Python 和 TypeScript 生态,Java 社区相对缺少成熟的 Agent 运行时方案。OpenClaw Java 希望为 Java 开发者提供一个工程化的 AI Agent 运行时,支持多模型接入、多渠道对话、工具调用和会话管理等完整能力。

核心亮点

🤖 Agent 执行引擎

  • 多轮对话循环:用户 → 大模型 → 工具调用 → 大模型 → 回复
  • 多模型提供者:支持 Claude、GPT 系列、Ollama 本地模型、vLLM 等 OpenAI 兼容接口
  • 内置工具链:命令执行 (Exec)、文件读写 (File)、浏览器控制 (Browser)、图片分析 (Image)
  • 指令处理:快速回复、队列验证、Follow-up
  • Hooks 系统:内置 Hook + Workspace Hook + 优先级管理
  • Memory 系统:记忆索引、关键字搜索

📱 多渠道接入

支持通过即时通讯渠道与 AI Agent 对话,已实现的渠道适配器:

  • 即时通讯 Bot — 私聊/群聊、图片收发、流式输出、会话管理、白名单
  • 微信公众号 — SHA-1 签名验证、access_token 缓存、客服消息 API

渠道适配器采用插件化架构,方便扩展更多平台。

🌐 WebSocket 自定义协议

采用 req/res/event 三种帧类型的自定义协议:

// 请求帧{"type":"req","id":"1","method":"agent.message","params":{"message":"你好"}}// 响应帧{"type":"res","id":"1","ok":true,"payload":{...}}// 事件帧{"type":"event","event":"agent.streaming","payload":{...}}

支持三步安全握手、会话管理、Cron 定时任务、配置热重载等。

🔌 OpenAI 兼容 HTTP API

提供标准的 /v1/chat/completions/v1/models 接口,可作为现有 OpenAI 客户端的后端使用。

架构设计

┌────────────────────────────────────────────────────┐ │ openclaw-app │ │ Spring Boot 入口 + OpenAI 兼容 REST API │ ├──────────┬──────────┬──────────┬──────────────────┤ │ gateway │ agent │ channel │ plugin │ │ WebSocket│ 大模型 │ 渠道适配 │ SPI │ │ 会话管理 │ 工具链 │ 消息归一化│ 插件加载 │ │ Cron调度 │ Memory │ 出站投递 │ 注册中心 │ ├──────────┴──────────┴──────────┴──────────────────┤ │ common │ │ Config · Models · Protocol · Auth · Media · CLI │ └────────────────────────────────────────────────────┘ 

模块说明:

  • openclaw-common — 配置管理 (90+ 嵌套类型)、数据模型、协议、认证
  • openclaw-gateway — WebSocket 服务、会话管理、方法路由、Cron 调度
  • openclaw-agent — Agent 引擎、多模型提供者、内置工具、Hooks、Memory
  • openclaw-channel — 渠道适配器、消息归一化、出站投递
  • openclaw-plugin — SPI 插件加载器、注册中心
  • openclaw-app — Spring Boot 入口、模块桥接

技术栈

  • Spring Boot 3.3 — Web + WebSocket + Scheduling
  • Jackson — JSON 序列化
  • OkHttp — HTTP 客户端
  • Caffeine — 本地缓存
  • Lombok — 代码简化
  • docker-java — 沙箱执行
  • JUnit 5 + Mockito — 测试

快速体验

# 环境要求: Java 17+, Maven 3.8+# 克隆并构建git clone https://github.com/yuenkang/openclaw-java.git cd openclaw-java mvn clean install# 配置模型(二选一)exportOPENAI_API_KEY=sk-xxx exportOLLAMA_BASE_URL=http://127.0.0.1:11434/v1 # 启动服务 mvn spring-boot:run -pl openclaw-app 

服务启动后监听 ws://127.0.0.1:3578/ws,通过 WebSocket 客户端即可与 Agent 对话。

持久化设计

  • 会话历史 — JSONL 格式对话记录,Bot 重启自动恢复最近 50 条上下文
  • 用量追踪 — 多模型 token 用量统计和成本估算
  • 会话元数据 — JSON 原子写入,保证数据一致性

开发历程

项目经历了 33 个迭代 Phase:

  • Phase 1–6 — 基础框架 + Gateway + Agent + 渠道 + 测试
  • Phase 7–18 — Agent 高级功能 + Gateway 深度扩展
  • Phase 19–23 — 工具链 + 认证 + CLI + 渠道类型定义
  • Phase 24–28 — 编译修复 + 基础设施补齐
  • Phase 29–31 — 渠道 Bot 完整层 + 微信公众号
  • Phase 32–33 — 集成测试 + 浏览器控制 + 图片处理 + 持久化

未来计划

  • 更多渠道适配(飞书、钉钉等)
  • 向量数据库 Memory 后端
  • 插件市场
  • Web 管理面板
  • Docker 一键部署

总结

OpenClaw Java 致力于成为 Java 生态中功能完整的 AI Agent Gateway。无论你是想在生产环境部署 AI Agent,还是想学习 Agent 架构设计,都欢迎来看看源码。

欢迎 Star、提 Issue 和 PR!


License: MIT

Read more

URDF(Unified Robot Description Format)机器人领域中用于描述机器人模型的标准 XML 格式

URDF(Unified Robot Description Format),这是机器人领域中用于描述机器人模型的标准 XML 格式。 1. URDF 概述 URDF 是 ROS(Robot Operating System)中用于描述机器人结构的标准格式。它使用 XML 格式定义机器人的: * 连杆(Links):机器人的刚性部件 * 关节(Joints):连接连杆的运动副 * 运动学结构:连杆与关节的层级关系 * 物理属性:质量、惯性、碰撞体积等 * 视觉属性:3D 模型外观 2. URDF 核心元素详解 2.1 基本结构 <?xml version="1.0"?>

By Ne0inhk
Flutter 三方库 modular_core 大型应用级鸿蒙微服务化架构适配解析:纵深拆解路由控制组件化隔离网格,利用轻量级依赖注入中枢斩断应用深层耦合羁绊-适配鸿蒙 HarmonyOS ohos

Flutter 三方库 modular_core 大型应用级鸿蒙微服务化架构适配解析:纵深拆解路由控制组件化隔离网格,利用轻量级依赖注入中枢斩断应用深层耦合羁绊-适配鸿蒙 HarmonyOS ohos

欢迎加入开源鸿蒙跨平台社区:https://openharmonycrossplatform.ZEEKLOG.net Flutter 三方库 modular_core 大型应用级鸿蒙微服务化架构适配解析:纵深拆解路由控制组件化隔离网格,利用轻量级依赖注入中枢斩断应用深层耦合羁绊 在构建超大型、多业务线的鸿蒙应用时,代码的模块化分层与解耦是决定项目成败的关键。modular_core 作为 flutter_modular 的核心逻辑库,提供了一套纯粹的依赖注入(DI)和模块生命周期管理机制。本文将深入解析该库在 OpenHarmony 上的适配与应用实践。 前言 什么是 modular_core?它不是一个 UI 框架,而是一套管理“对象如何创建”和“模块如何组织”的底层协议。在鸿蒙操作系统这种强调模块化分发(HAP/HSP)和细粒度原子化服务的生态中,利用 modular_core 可以帮助开发者构建出高内聚、低耦合的系统底座。本文将指导你如何在鸿蒙端侧实现模块的动态注入与回收。 一、

By Ne0inhk
21m/s!UZH RPG组T-RO新作AC-MPC:微分MPC赋能强化学习,实现超人级无人机竞速

21m/s!UZH RPG组T-RO新作AC-MPC:微分MPC赋能强化学习,实现超人级无人机竞速

「MPC+RL」 目录 01 主要方法  1. 整体架构:RL决策 + MPC执行  2. Actor设计:学习代价而非动作 3. Critic设计与模型预测价值扩展 02  实验结果 1.训练效率与极限性能:学得更快,飞得更猛  2.鲁棒性:无惧风扰与参数偏差  3.可解释性:打开 RL 的黑盒  4.真实世界部署:零样本迁移的 21m/s 03  总结 在机器人控制领域,长期存在着模型驱动(MPC)与数据驱动(RL)的路线之争。前者理论完备但依赖人工调参,后者探索力强却受困于黑盒不可解释性。苏黎世大学 RPG 组的这项 T-RO 最新工作,为这一争论提供了一个优雅的融合解。 论文提出的

By Ne0inhk

OpenClaw实战系列01:OpenClaw接入飞书机器人全接入指南 + Ollama本地大模型

文章目录 * 引言 * 第一步:环境准备与核心思想 * 第二步:部署Ollama——把大模型“养”在本地 * 1. 安装 Ollama * 2. 拉取并运行模型 * 3. 确认API可用性 * 第三步:安装OpenClaw——AI大脑的“躯干” * 1. 安装Node.js * 2. 一键安装 OpenClaw * 3. 验证安装 * 第四步:打通飞书——创建并配置机器人 * 1. 创建飞书应用 * 2. 配置机器人能力 * 3. 发布应用 * 第五步:OpenClaw与飞书“握手” * 方法一:使用 onboard 向导重新配置(推荐最新版) * 方法二:手动添加渠道 * 批准配对 * 第六步:实战测试与玩法拓展

By Ne0inhk