mobile-open-claw：基于 Google ADK 构建移动端 AI Agent 应用的全栈实践

GitHub 仓库：lechan775/mobile-open-claw ⚠️ 私有仓库
后端：Spring Boot 3.4.3 + Google ADK 0.5.0 + D Domain-Driven Design
前端：Android Jetpack Compose + Nginx 静态 Web 页面
核心能力：多智能体自动装配 · MCP 协议集成 · 并行/串行/循环工作流 · SSE 流式对话

---

一、项目定位

mobile-open-claw 是一套移动端 AI Agent 全栈应用，解决的核心问题是：如何在一套工程框架内，以声明式配置（YAML）快速定义、装配和运行多个 AI Agent，并通过统一的 REST API 对外暴露对话能力。

它的设计初衷是降低 AI Agent 应用的工程门槛——你只需要写一份 YAML 配置文件，就可以得到一个拥有 MCP 工具调用、多智能体协作能力、且同时支持 Web 和 Android 客户端的完整应用。

---

二、核心架构

2.1 整体分层

graph TB
    subgraph Clients["客户端层"]
        Web["🌐 Nginx 静态页面<br/>login.html + index.html"]
        Android["📱 Android App<br/>Jetpack Compose + Material3"]
    end

    subgraph Trigger["触发器层 (Trigger)"]
        Controller["AgentServiceController<br/>REST API + SSE Stream"]
    end

    subgraph App["应用编排层 (App)"]
        AutoConfig["AiAgentAutoConfig<br/>启动时自动装配 Agent"]
    end

    subgraph Domain["领域层 (Domain) - 核心"]
        Armory["🔧 ArmoryService<br/>Agent 装配流水线"]
        Chat["💬 ChatService<br/>会话管理与对话调度"]
        MCP["🔌 MCP 协议<br/>Stdio / SSE / Local"]
        Skills["📦 Skills 技能系统"]
        Workflow["⚙️ Agent 工作流<br/>Parallel / Sequential / Loop"]
    end

    subgraph Infra["基础设施层 (Infrastructure)"]
        DAO["MyBatis DAO"]
        Gateway["外部 Gateway"]
        Redis["Redis 缓存"]
    end

    Web --> Controller
    Android --> Controller
    Controller --> Chat
    AutoConfig --> Armory
    Armory --> Workflow
    Armory --> MCP
    Armory --> Skills
    Chat --> Armory
    Domain --> Infra

2.2 DDD 六模块划分

模块	职责	关键类
api	接口契约定义	IAgentService, DTOs
app	应用启动 & 自动装配	Application, AiAgentAutoConfig
domain	领域模型 & 核心逻辑	ArmoryService, ChatService, Agent 节点树
infrastructure	数据访问 & 外部集成	DAO, Gateway, Redis
trigger	HTTP 控制器 & 事件监听	AgentServiceController
types	公共枚举/常量/异常	ResponseCode, AppException

---

三、Agent 装配流水线：声明式配置 → 运行时 Agent

这是整个项目最核心的设计——基于责任链模式的 Agent 自动装配引擎。

3.1 YAML 配置示例

yaml
ai:
  agent:
    config:
      enabled: true
      tables:
        myAgent:
          app-name: MyAssistant
          agent:
            agent-id: 100001
            agent-name: 通用助手
            agent-desc: 支持百度搜索的通用对话助手
          module:
            ai-api:
              base-url: https://apis.xxx.cn
              api-key: sk-xxx
              completions-path: v1/chat/completions
            chat-model:
              model: gpt-4.1
              tool-mcp-list:               # MCP 工具列表
                - sse:
                    name: baidu-search
                    base-uri: http://appbuilder.baidu.com/v2/ai_search/mcp/
                    sse-endpoint: sse?api_key=xxx
                - local:
                    name: myToolCallbackProvider   # 本地工具
              tool-skills-list:             # Skills 技能
                - type: resource
                  path: agent/skills
            agents:
              - name: assistant
                description: 通用AI助手
                instruction: |
                  你是一个全能的AI助手，可以使用百度搜索获取最新信息。
            runner:
              agent-name: assistant

3.2 装配流水线

应用启动时，AiAgentAutoConfig 监听 ApplicationReadyEvent，触发以下装配流程：

flowchart LR
    Start(["🚀 应用启动"]) --> Config["读取 YAML 配置<br/>AiAgentAutoConfigProperties"]
    Config --> Factory["DefaultArmoryFactory<br/>构建责任链"]
    Factory --> AiApi["AiApiNode<br/>创建 OpenAI API 客户端"]
    AiApi --> ChatModel["ChatModelNode<br/>装配 ChatModel + MCP + Skills"]
    ChatModel --> Agent["AgentNode<br/>逐条注册 LlmAgent"]
    Agent --> Workflow{"存在 AgentWorkflow?"}
    Workflow -->|Parallel| PNode["ParallelAgentNode<br/>并行执行"]
    Workflow -->|Sequential| SNode["SequentialAgentNode<br/>串行执行"]
    Workflow -->|Loop| LNode["LoopAgentNode<br/>循环迭代"]
    Workflow -->|无| Runner["RunnerNode<br/>注册 InMemoryRunner"]
    PNode --> Runner
    SNode --> Runner
    LNode --> Runner
    Runner --> Done(["✅ Agent 就绪"])

3.3 责任链节点设计

java
// 每个 Node 继承 AbstractArmorySupport，实现策略路由
@Service
public class ChatModelNode extends AbstractArmorySupport {
    @Override
    protected AiAgentRegisterVO doApply(ArmoryCommandEntity param, DynamicContext ctx) {
        // 1. 构建 Spring AI ChatModel
        // 2. 注入 MCP 工具回调（Stdio/SSE/Local）
        // 3. 注入 Skills 技能
        // 4. 路由到下一个节点
        return router(requestParameter, dynamicContext);
    }

    @Override
    public StrategyHandler<...> get(...) {
        return agentNode;  // 下一站：AgentNode
    }
}

责任链模式来自 xfg-wrench-starter-design-framework（@小傅哥的设计模式框架），每个 Node 只关心自己的装配逻辑，通过 router() 传递到下一节点。

---

四、多智能体工作流

mobile-open-claw 支持三种 Agent 编排模式，直接封装自 Google ADK：

4.1 并行执行（Parallel）

多个子 Agent 同时运行，互不依赖，适用于多维度信息收集：

yaml
agent-workflows:
  - type: parallel
    name: ParallelResearch
    sub-agents:
      - RenewableEnergyResearcher    # 研究可再生能源
      - EVResearcher                 # 研究电动车技术
      - CarbonCaptureResearcher      # 研究碳捕获

4.2 串行执行（Sequential）

Agent 按顺序执行，后续 Agent 可引用前置 Agent 的输出（通过 output-key + {} 占位符）：

yaml
agent-workflows:
  - type: sequential
    name: ResearchAndSynthesis
    sub-agents:
      - ParallelResearch   # 先并行研究
      - SynthesisAgent     # 再汇总生成报告

4.3 循环执行（Loop）

子 Agent 迭代执行直到收敛或达到 maxIterations：

yaml
agent-workflows:
  - type: loop
    name: SelfImprovingWriter
    max-iterations: 3
    sub-agents:
      - DraftAgent
      - ReviewAgent

---

五、MCP 协议集成

支持三种 MCP (Model Context Protocol) 工具接入模式，覆盖本地到远程的全部场景：

模式	通信方式	实现类	适用场景
Stdio	标准输入输出进程	StdioToolMcpCreateService	本地命令行工具
SSE	HTTP Server-Sent Events	SSEToolMcpCreateService	远程 MCP Server
Local	JVM 直接调用	LocalToolMcpCreateService	Spring Bean 方法

java
// SSE 模式核心实现
HttpClientSseClientTransport transport = HttpClientSseClientTransport
    .builder(baseUri)
    .sseEndpoint(sseEndpoint)
    .build();

McpSyncClient client = McpClient.sync(transport)
    .requestTimeout(Duration.ofMillis(500000))
    .build();

ToolCallback[] callbacks = SyncMcpToolCallbackProvider.builder()
    .mcpClients(client)
    .build()
    .getToolCallbacks();

---

六、REST API 接口

基础路径：/api/v1/ | 端口：8091 | CORS：全部开放

方法	路径	说明
GET	/api/v1/query_ai_agent_config_list	获取可用 Agent 列表
POST	/api/v1/create_session	创建对话会话
POST	/api/v1/chat	提交对话（同步）
POST	/api/v1/chat_stream	流式对话（SSE）

统一响应结构：

json
{
  "code": "0000",
  "info": "成功",
  "data": { "content": "..." }
}

---

七、技术栈一览

层级	技术	版本
AI 编排引擎	Google ADK	0.5.0
AI 框架	Spring AI	1.1.0-M3
	LangChain4j	1.4.0
后端框架	Spring Boot	3.4.3
语言	Java	17
ORM	MyBatis	3.0.4
数据库	MySQL	8.x
缓存	Guava Cache	32.1.3-jre
Android UI	Jetpack Compose + Material3	—
Web 前端	原生 HTML/CSS/JS (Nginx)	—
容器化	Docker + Docker Compose	—

---

八、快速启动

环境要求

• Java 17+
• Maven 3.8+
• MySQL 8.x
• Docker（可选）

三步运行

bash
# 1. 克隆仓库
git clone https://github.com/lechan775/mobile-open-claw.git
cd mobile-open-claw/mobile-open-claw

# 2. 配置 application-dev.yml 中的数据库连接 & API Key

# 3. 启动
cd mobile-open-claw-app
mvn spring-boot:run -Dspring-boot.run.profiles=dev

访问 http://localhost:8091 即可使用。

Docker 一键部署

bash
cd docs/dev-ops
docker-compose -f docker-compose-environment.yml up -d  # MySQL 等基础设施
docker-compose -f docker-compose-app.yml up -d           # Nginx + 应用

---

九、项目结构

openclaw_andro/
├── mobile-open-claw/                    # 🔧 后端 (Spring Boot + DDD)
│   ├── mobile-open-claw-api/            #    API 接口契约层
│   ├── mobile-open-claw-app/            #    应用启动 & 自动配置
│   ├── mobile-open-claw-domain/         #    领域核心（Agent/Workflow/MCP/Skills）
│   ├── mobile-open-claw-infrastructure/ #    基础设施（DAO/Gateway/Redis）
│   ├── mobile-open-claw-trigger/        #    HTTP 控制器 & 事件触发
│   ├── mobile-open-claw-types/          #    公共类型 & 异常
│   └── docs/                            #    部署脚本 & 开发文档
│
└── mobileopenclawgateway/               # 📱 Android 前端 (Jetpack Compose)
    └── app/
        └── src/main/java/cn/bugstack/ai/mobileopenclawgateway/

---

十、致谢

• 后端 DDD 脚手架及设计模式框架来自 @小傅哥 的 xfg-frame-archetype v2.2
• Agent 编排能力基于 Google ADK
• AI 对话能力由 Spring AI & LangChain4j 社区驱动

---

🔗 相关链接

• GitHub 仓库：lechan775/mobile-open-claw
• 原作者博客：bugstack.cn
• Google ADK 文档：google.github.io/adk-docs

---

本文发布于 2026 年 5 月，项目持续迭代中。