對於剛接觸 AI Agent 的工程師弟妹來說，你們可能會覺得 AI Agent 就是一個會聊天、能呼叫 API 的 LLM 封裝。但如果你要把 AI Agent 投入生產環境，你會發現一個巨大的痛點：如果 AI 執行一個需要跑一小時的任務，中途網路斷了怎麼辦？如果 AI 需要在明天早上八點提醒我開會，它怎麼記得？如果任務失敗了，要如何自動重試？
大多數的 AI 框架專注於對話流，而忽略了後台任務的持久化與穩定性。這就是為什麼 JobRunr 團隊推出了 ClawRunr。簡單來說，ClawRunr 是一個開源的 Java AI Agent 框架，它將 AI 的推理能力與工業級的背景任務處理能力結合在一起。
核心概念：讓 AI 擁有記憶與執行力
ClawRunr 的核心目標是將重試機制、狀態持久化、任務排程以及監控，變成 AI Agent 的一等公民。它不再只是單次請求的對話，而是一個能處理長週期任務的系統。
為了達成這個目標，它整合了 JobRunr。JobRunr 是一個 Java 的背景任務處理庫，專門解決非同步任務的執行與追蹤。當你要求 ClawRunr 執行一個定時任務或長期任務時，它會將該任務持久化到資料庫中，確保即使伺服器重啟，任務依然能繼續執行或在指定時間觸發。
技術棧與架構分析
這套系統使用了非常現代化的 Java 技術棧，對想學習 Spring 生態的工程師來說很有參考價值。它基於 Java 25、Spring Boot 以及 Spring AI 構建。
其中最值得關注的是 Spring Modulith。這是一個讓開發者在單一應用程式中實現模組化設計的工具，解決了單體架構容易變成亂成一團的 spaghetti code 問題。ClawRunr 將系統分為三個模組：base 模組處理核心 Agent 邏輯、工具與通道；app 模組負責進入點與 UI；plugin 模組則提供如 Discord、Telegram 或瀏覽器自動化等外掛功能。
在 AI 實作層面，它使用了 Model Context Protocol (MCP)。MCP 是一個開放標準，旨在讓 AI 能夠以統一的方式連接不同的外部工具與數據源，而不需要為每個工具寫死對接代碼。
任務管理與技能擴展
ClawRunr 處理任務的方式非常直觀。它將任務儲存在 Markdown 檔案中，並定義了一套生命週期：待處理 (todo) 到 執行中 (in_progress)，最後是完成 (completed) 或等待人類輸入 (awaiting_human_input)。這種設計讓開發者可以輕鬆地追蹤 AI 執行到哪一步，甚至在 AI 拿不定主意時介入。
關於技能擴展，它採用了基於檔案的技能系統。你不需要重新編寫代碼或重新部署，只要在指定的 skills 目錄下建立一個包含 SKILL.md 的資料夾，寫入指令，Agent 在運行時就會自動掃描並習得這項新技能。
為了避免在對話中一次餵給 AI 太多工具定義導致 Token 浪費或干擾，它引入了動態工具發現模式。利用 Lucene 關鍵字搜尋，系統只會在需要時才將相關的工具定義放入 Prompt 中，這在工具數量極多時能顯著提升 AI 的準確度。
實務應用與隱私
對於注重隱私的企業，ClawRunr 支援 Ollama。這意味著你可以將 LLM 運行在本地硬體上，所有的數據處理都在內部完成，完全不需要將資料傳送到雲端。
在功能面上，它透過 Playwright 實現了瀏覽器自動化，可以讓 AI 幫你導航網頁、點擊元素甚至截圖。同時，它支援多種對話通道，無論是透過 Web 介面、Telegram 還是 Discord，你都可以與這個 Agent 互動。
總結
ClawRunr 給我們的啟示是：一個成熟的 AI Agent 不應該只是一個對話視窗，而應該是一個具備可靠執行能力的後台系統。透過將 Spring AI 的靈活性與 JobRunr 的穩定性結合，Java 工程師現在有了一個強大的工具來構建真正能落地、可監控且能自我排程的 AI 助手。
來源：infoq.com
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。