大模型狂飙两年，如果在你眼里Java还只能写个“套壳聊天页面”，那真得更新下认知了。

当OpenClaw在海外开发者圈层引发地震，Python、Rust甚至Go社区都在疯狂卷AI原生应用时，Java阵营曾一度陷入失语。但局面在最近被彻底撕开——两套重量级开源方案几乎同时闯入视野：

其一是RuoYi-AI v3.0，这个国内广泛使用的脚手架熬了小半年，终于从“陪聊”进化到了“干活”； 其二是JavaClaw，由知名开源项目JobRunr的作者Ronald Dehuysser亲自操刀，硬生生在Java世界里平替了OpenClaw的底层逻辑。

今天我们不念PPT，直接把这俩项目的底裤扒掉，看看用Java构建真正的“自驱型AI程序”，到底需要几步。

上篇：RuoYi-AI v3.0 —— 告别“复读机”的三级跳

要理解v3.0有多猛，得先看它踩过了哪些坑。

阶段一：缝合怪时期 早期大家怎么玩AI？前端画个框，后端透传一下接口。用户发问，大模型回答。除了能说话，它对企业毫无价值——看不到公司内部的报表，也点不动任何按钮。这就是个复读机。

阶段二：外挂大脑时期 后来RAG（检索增强）和MCP（模型上下文协议）火了。大模型终于能翻阅企业知识库，能调取外部接口了。但痛点依然致命：流程是死的。想让AI查数据->画图表->发邮件，你得用代码把这几个节点死死焊在一起。一旦中间出岔子，或者用户临时改需求，整个流水线直接瘫痪。

阶段三：自驱执行时期（v3.0的答案） RuoYi-AI 3.0直接抛弃了死板的流水线，引入了业界公认的推理-执行闭环（ReAct范式）。

什么是ReAct？把它当成一个懂业务的老员工

别被学术名词吓到，你可以把它想象成一个真实员工的做事逻辑：

1. 接活与琢磨：老板让查个数据，员工不会立刻敲键盘，而是先想“我该去哪张表查？需要什么权限？”
2. 动手尝试：打开数据库客户端，敲SQL。
3. 看结果调整：发现报错了，或者字段不对，看一眼报错信息，换个写法继续敲。
4. 交付闭环：数据跑通了，整理成Excel交给老板。

在代码层面，这套逻辑被封装进了SupervisorAgent（大管家）和一群专职小弟（SqlAgent、ChartAgent等）的协作中：

// 这不是普通的接口，这是给AI发的“岗位说明书”
public interface SqlAgent {
    @SystemMessage("""
        你是个资深DBA。
        核心原则：先想清楚再动手，看结果再决策，别瞎猜。
        """)
    @UserMessage("搞定这个需求: {{query}}")
    @Agent("资深数据库查询助手...")
    String getData(@V("query") String query);
}

// 大管家统筹全局
SupervisorAgent supervisor = AgenticServices.supervisorBuilder()
    .chatModel(plannerModel)
    .subAgents(skillsAgent, searchAgent, sqlAgent, chartGenerationAgent)
    // 注入记忆，防止它转头就忘
    .chatMemoryProvider(memoryId -> createChatMemory(sessionId))
    .build();

实战透传：它到底是怎么“自己干活”的？

场景A：老板说“把chat_model表拉个饼图出来”

如果是以前，你得写个接口查数据，再用ECharts配置项拼JSON。现在呢？你在对话框输入这句话，后台发生了这些暗箱操作：

• [琢磨] AI判断需要图表，先摸清家底。
• [动手] 调用 queryAllTables工具，发现真有这张表。
• [动手] 调用 queryTableSchema看字段结构。
• [动手] 自动拼装 SELECT vendor, COUNT(*)...并执行。
• [协同] 数据到手，大管家直接把活丢给 ChartAgent，生成ECharts配置。
• [交付] 页面直接渲染出饼图。

全程0行业务代码，完全靠AI根据上下文自主决策调用哪个工具。

场景B：用Python技能造Excel

这里有个极为精妙的设计——Skills系统。RuoYi-AI不需要你写Java代码去集成POI，它直接让AI写Python脚本！

// 技能助手：它本身不干活，它是个“包工头”
public interface SkillsAgent {
    @SystemMessage("""
        你是个文档处理包工头。手下有处理docx、pdf、xlsx的兄弟。
        干活前，必须先调用 activate_skill 把人叫来。
        """)
    @UserMessage("{{query}}")
    String process(@V("query") String query);
}

当你说“做个工资表”，AI会先激活xlsx技能，然后自己生成openpyxl的Python代码，在沙箱里执行完，直接把文件链接甩给你。这就是“延迟加载”的威力——平时不占Token，用到时再拉起。

⚠️ 避坑指南：这种让AI直接跑Shell脚本的方式很爽，但也极其危险。千万别把这套直接暴露在公网，务必做好容器隔离，否则黑客一句“rm -rf /”就能让你重新装系统。

下篇：JavaClaw —— 用Spring思维重塑AI骨架

如果说RuoYi-AI是拿来做企业级落地的，那JobRunr大佬写的JavaClaw，则是一份写给Java开发者的“AI原生应用教科书”。

它没用任何偏门技术，纯纯的 Spring Boot 4 + Spring AI 2 + JobRunr。但正是这种“正统”，让它成了拆解Agent原理的最佳标本。

一句话看透本质：模型是引擎，代码是底盘

HashiCorp的创始人提过一个概念叫“载体工程”，套用在JavaClaw上再合适不过：

你不是大模型，你就是造底盘的。

LLM再聪明，也只是个V8发动机。你得给它接上油管、装上方向盘、配上刹车片，它才能变成一辆能上路的跑车。JavaClaw干的事，就是用Spring生态造了一套极其优雅的底盘。

核心解剖：没有while循环的“心跳机制”

看开源项目，直接找主循环。但你在JavaClaw里翻遍代码，绝对找不到一个while(true)去控制AI的思考与行动。

为什么？因为它用的是Spring AI最精髓的Advisor拦截器链。

chatClientBuilder
    .defaultAdvisors(new SimpleLoggerAdvisor()) // 最外层：监控探头
    .defaultAdvisors(
        ToolCallAdvisor.builder().build(),      // 中间层：变速箱（执行工具）
        MessageChatMemoryAdvisor.builder(chatMemory).build() // 最内层：记忆中枢
    );

这其实是个套娃结构：

1. 记忆中枢在底层，负责调用前把历史聊天记录塞进去，调用后把新对话存下来。
2. 变速箱在中间，它盯紧大模型的输出。如果大模型说“我要调用某个工具”，它立马截停，执行对应的Java @Tool 方法，把结果再塞回给大模型，逼着大模型继续想。
3. 这个过程自动递归，直到大模型觉得“活干完了”，输出纯文本为止。

这就是ReAct在Java中的最优解——不写死循环，用声明式的管道拦截代替命令式的代码控制。极度Spring，极度优雅。

为什么任务管理不用数据库？

这是我看完源码最意外的点。做任务调度，不上MySQL，不用Redis，居然直接写本地Markdown文件！

---
task: 调研 Spring AI 最新版本特性
createdAt: 2026-04-10T10:00:00Z
status: todo
---

初看很土，但细品绝了。对于这种单机版的个人AI助手，文件系统的“人机共读”属性是数据库给不了的。你可以直接用VS Code打开那个.md文件，看AI把它拆解成了什么样子，甚至你能手动把状态改成completed。你跟AI看的是同一份实体文件，这种掌控感是黑盒数据库做不到的。

技能弹药匣与万能插座

技能：在workspace/skills/下丢个.md文件，AI就自动学会了一门新手艺。为了防止几百个技能把大模型的上下文窗口撑爆，它搞了个“目录机制”——平时只把技能名字加载进去，等真要用到了，才把具体的指令文档拉到内存里。

MCP（Model Context Protocol）：被称为AI界的USB-C。JavaClaw直接把这个协议接入了Spring Boot。你可以通过配置文件接外部工具，甚至能在聊天时让AI动态去拉起一个新的MCP服务。改完配置不用重启整个服务，它有个监听器会自动重载Spring上下文（虽然粗暴，但对个人工具来说足够好用）。

彩蛋：白嫖Claude Code的凭证

如果你电脑上装了Claude Code，JavaClaw有个极其骚的操作：在配置API Key的地方填上<claude-code-bearer-token>，它就会自动去你的系统钥匙串里偷Claude Code的OAuth鉴权。直接省去了自己去Anthropic官网申请Key的麻烦。

终局思考：Javaer的反击战

把这两个项目放在一起看，你会发现Java社区正在走出一条不同于Python的Agent之路。

Python有极致的灵活性，TS有庞大的前端生态，但Java有企业级应用最看重的“确定性”。当别人还在用脚本语言写玩具时，Spring AI的@Tool注解、JobRunr的后台调度、Advisor的强类型拦截，已经为AI应用搭起了一座钢铁大厦。

大模型的下半场，拼的不再是“谁能写出最花的Prompt”，而是“谁能用工程化的手段，把大模型不可控的创造力，关进安全、可观测、可审计的笼子里”。

从这个角度看，RuoYi-AI和JavaClaw，仅仅是Java反击的开始。

附：多语言Agent生态版图（截至发文） 除了文中提到的Java双雄，目前各语言阵营的排位如下：

• TS/JS：OpenClaw（霸主，349k+ Star）与NanoClaw（轻量化）
• Rust：内卷最严重，IronClaw（强调安全沙箱）、OpenCrust（单文件16MB）、MicroClaw三足鼎立
• Go：GoClaw主打高并发多租户隔离
• **C#**：微软官方下场维护Windows原生套件
• Python：CowAgent领跑，但正面临其他语言的强力围剿