Skillget

kewei-ai-agent

mcp
Security Audit
Fail
Health Warn
  • No license — Repository has no license file
  • Description — Repository has a description
  • Active repo — Last push 0 days ago
  • Low visibility — Only 7 GitHub stars
Code Fail
  • network request — Outbound network request in kewei-ai-agent-frontend/package-lock.json
  • network request — Outbound network request in kewei-ai-agent-frontend/package.json
  • network request — Outbound network request in kewei-ai-agent-frontend/src/api/http.js
  • network request — Outbound network request in kewei-ai-agent-frontend/src/api/sse.js
  • exec() — Shell command execution in kewei-ai-agent-frontend/src/utils/markdown.js
Permissions Pass
  • Permissions — No dangerous permissions requested
Purpose
This project is an educational, full-stack AI agent designed as a learning template. It uses Spring Boot and Vue to demonstrate advanced AI engineering concepts, including Retrieval-Augmented Generation (RAG), multi-step reasoning, long-term memory, web research delegation, and MCP server integrations.

Security Assessment
The overall risk is Medium. The tool does not request overtly dangerous system permissions and no hardcoded secrets were detected. However, it does pose some operational risks. It makes multiple outbound network requests through its frontend API to handle chat interactions and Server-Sent Events (SSE). More critically, the codebase contains a shell command execution function (`code/exec()`) inside a frontend markdown utility. If this execution pathway is triggered by untrusted input, it could lead to a severe remote code execution vulnerability. It requires heavy sandboxing or strict input validation before deployment.

Quality Assessment
The project is actively maintained, with its most recent push happening today. That said, it is explicitly labeled as a personal learning project, not a production-ready framework. It has very low community visibility, currently sitting at only 7 GitHub stars. Additionally, the repository lacks a standard open-source license file, meaning the legal terms of use, modification, and distribution are ambiguous.

Verdict
Use with caution — it is an excellent educational template but requires a strict security review regarding its shell execution capabilities before any practical use.
SUMMARY

Spring Boot + Spring AI agent project with RAG, MCP tools, long-term memory, TodoWrite planning, OpenClaw research delegation, SSE streaming, and Vue.

README.md

Kewei AI Agent

一个基于 Spring Boot + Spring AI 的 AI Agent 学习型工程项目。
这个项目不是“调用一下大模型接口”的聊天 Demo，而是围绕 AI 应用后端常见能力，逐步把多模型接入、RAG、Tools、MCP、多步 Agent、流式交互、短期/长期记忆、外部调研委托和前后端联调做成一套可运行、可演示、可继续扩展的工程作品。

项目定位：学习项目，但按工程作品的标准去设计、实现和整理。
适合场景：练手、作为 Spring AI / AI Agent 实践模板继续扩展。
开发过程记录见：PROCEDURES.md
贡献流程见：CONTRIBUTING.md

我完成了什么

从后端工程角度，这个项目重点体现的是：

  • 基于 Spring Boot + Spring AI 组织 AI 应用基础设施
  • 把聊天、RAG、Tools、MCP、Agent 等能力统一收敛到可复用的应用层
  • 处理多数据源、多模型 Bean、会话状态、异常包装、SSE 事件流这些工程细节
  • 为复杂任务设计了 Manus 多步执行链路，支持 TodoWrite、用户补充信息、任务续跑
  • 新增长期记忆工具层，让 Agent 能把跨会话稳定事实写入 MEMORY.md 和 typed markdown memory files
  • 将网页调研任务委派给 OpenClaw 独立执行代理，主应用负责任务拆解、工具路由和结果汇总
  • 完整的测试覆盖和前后端联调，保证了代码的可验证性，健壮性和可演示性

技术栈

Java Spring Boot Spring AI Maven MyBatis-Plus MySQL Redis PostgreSQL / pgvector Ollama DashScope Vue 3 SSE MCP OpenClaw

功能图

模块 当前能力
模型接入 DashScope、Ollama
对话能力 同步、流式、结构化输出、多模态图片对话
会话记忆 file / mysql / redis 可切换
长期记忆 MEMORY.md 索引、typed markdown memory files、六个 memory tools
RAG Markdown 文档加载、向量化、检索增强、关键词增强、状态过滤
Tools 文件读写、网页搜索、网页抓取、资源下载、PDF 转图、邮件发送、时间查询、PPT 生成、长期记忆读写
MCP 图片搜索 MCP Server、图片生成 MCP Server
Agent ReAct、多步 Tool Calling、终止机制、TodoWrite、AskUserQuestion、Skills 模式
Research Spring AI 主控 + OpenClaw 调研执行代理
前端联调 聊天界面、流式渲染、问题补充、Todo 进度展示

项目架构

flowchart TB
    subgraph Frontend["Frontend"]
        UI["Vue Frontend"]
    end

    subgraph API["API Layer"]
        AIC["AiController"]
        HEAL["HealController"]
        RESP["BaseResponse / ResponseBodyAdvice"]
        EX["GlobalExceptionHandler"]
    end

    subgraph APP["Application Layer"]
        LOVE["LoveApp"]
        TODOAPP["TodoDemoApp"]
    end

    subgraph AGENT["Agent Layer"]
        MSS["ManusSessionService"]
        STORE["ManusSessionStore"]
        MANUS["KeweiManus"]
        TCA["ToolCallAgent"]
        REACT["ReActAgent"]
        STATE["AgentState / TodoSnapshot"]
    end

    subgraph INFRA["Infrastructure Layer"]
        MODEL_CFG["AiModelPrimaryConfig"]
        MODEL["DashScope / Ollama"]
        MEMORY_CFG["ChatMemoryConfig"]
        MEMORY["File / MySQL / Redis ChatMemory"]
        LTM_CFG["LongTermMemoryConfig"]
        LTM_PROMPT["LongTermMemoryPromptService"]
        VECTOR_CFG["LoveAppVectorStoreConfig"]
        DOCLOAD["LoveAppDocumentLoader"]
        QUERY["QueryPreprocessor"]
        RAG["pgvector / Retrieval Advisor Factory"]
    end

    subgraph EXT["Extensions"]
        TOOL_REG["ToolRegistration"]
        TOOLS["File / Search / Scrape / PDF / Mail / PPT / Time"]
        MEMORY_TOOLS["Memory Tools"]
        ASK["AskQuestion / TodoWrite / Terminate"]
        MCP["MCP Clients"]
        OPENCLAW_TOOL["OpenClawResearchTool"]
        OPENCLAW["OpenClaw Research Agent"]
    end

    UI --> AIC
    UI --> HEAL

    AIC --> LOVE
    AIC --> TODOAPP
    AIC --> MSS
    HEAL --> RESP
    AIC --> RESP
    AIC -. error .-> EX

    LOVE --> MODEL_CFG
    LOVE --> MEMORY_CFG
    LOVE --> LTM_PROMPT
    LOVE --> VECTOR_CFG
    LOVE --> TOOL_REG
    LOVE --> MCP
    TODOAPP --> LOVE

    MODEL_CFG --> MODEL
    MEMORY_CFG --> MEMORY
    LTM_CFG --> LTM_PROMPT
    VECTOR_CFG --> DOCLOAD
    VECTOR_CFG --> QUERY
    VECTOR_CFG --> RAG

    MSS --> STORE
    MSS --> MANUS
    STORE --> STATE
    MANUS --> TCA
    MANUS --> REACT
    MANUS --> ASK
    MANUS --> MEMORY_TOOLS
    TCA --> TOOL_REG
    TCA --> MCP
    REACT --> TOOL_REG
    REACT --> MCP

    TOOL_REG --> TOOLS
    TOOL_REG --> MEMORY_TOOLS
    TOOL_REG --> ASK
    TOOL_REG --> OPENCLAW_TOOL
    OPENCLAW_TOOL --> OPENCLAW

核心模块

1. 应用层

2. Agent 与会话状态

3. RAG 与检索增强

这部分负责文档加载、向量写入、查询预处理和检索增强配置。

4. 记忆系统

5. 工具与外部能力接入

工程亮点

1. 不只堆功能，也处理工程问题

  • 多 Provider 并存时的 Bean 优先级和装配冲突
  • ChatMemory 的 file / mysql / redis 切换
  • 短期 ChatMemory 与长期 Memory Tools 的职责分层
  • pgvector 数据源与主应用数据源分离
  • SSE 流式事件扩展到 question 和 todo
  • 全局异常处理和统一响应包装

2. 不只做一次性 Demo，也考虑可验证性

  • 有较完整的单测和集成测试
  • Agent、Tools、RAG、Controller 都有对应测试代码
  • 支持前后端联调

3. 不只接模型，也做能力编排

  • 基础聊天能力
  • 检索增强问答
  • 工具调用
  • MCP 服务编排
  • 多步 Agent 任务执行
  • TodoWrite 任务规划
  • AskUserQuestion 两段式用户补充信息
  • 外部研究代理协作

我在这个项目里的收获

  • 更系统地理解了 Spring AI 在 Java 后端里的落地方式
  • 不只是“调用模型”，而是开始关注状态、上下文、工具、检索、短期/长期记忆和任务执行链路
  • 对 AI 应用工程化的认识更完整，包括接口设计、异常处理、流式输出、测试和模块边界

项目结构

kewei-ai-agent
├── src/main/java/com/kiwi/keweiaiagent
│   ├── agent
│   ├── app
│   ├── controller
│   ├── rag
│   ├── tools
│   └── config
├── src/main/resources/prompts
├── src/test/java/com/kiwi/keweiaiagent
├── kewei-ai-agent-frontend
├── kewei-image-search-mcp-server
├── kewei-image-generation-mcp-server
└── PROCEDURES.md

关键能力使用方式

TodoWrite 任务规划

  • 最小 demo：GET /ai/love_app/chat/sse_emitter?option=todo-demo&chatId=demo-1&message=帮我拆解一个三步任务
  • Manus 集成：GET /ai/manus/chat?chatId=manus-1&message=帮我完成一个复杂任务
  • 当模型调用 TodoWrite 后，Manus SSE 流会增加 event:todo，前端可以实时展示当前 todo 快照。

OpenClaw 调研代理

  • 默认研究链路采用“Spring AI 主控 + OpenClaw 执行代理”分层。
  • Spring AI / Manus 负责任务拆解、工具选择、状态管理和最终汇总。
  • OpenClaw 负责网页调研执行，并通过 openclaw agent --json 返回最终调研文本。
  • 当前 PPT 与 research 类任务默认注入 delegateResearchToOpenClaw。

长期记忆 Memory Tools

  • 长期记忆使用 MEMORY.md 作为索引，配合 typed markdown memory files 保存跨会话稳定事实。
  • 当前支持 MemoryView、MemoryCreate、MemoryStrReplace、MemoryInsert、MemoryDelete、MemoryRename。
  • memory tools 受 app.long-term-memory.dir 指定目录约束，默认写入 tmp/agent-memory。
  • LoveApp 和 KeweiManus 都会注入长期记忆 prompt / tools，但不会把临时对话内容自动写成长期事实。

部署步骤

1. 准备运行环境

  • JDK 21
  • Maven 3.9+（或直接使用仓库自带 ./mvnw）
  • Node.js 18+，npm 9+
  • PostgreSQL 15+，并安装 pgvector
  • MySQL 8.x（当 app.chat-memory.type=mysql 时需要）
  • Redis 7.x（当 app.chat-memory.type=redis 时需要）
  • Ollama（当使用本地模型 ollama profile 时需要）

2. 修改配置

默认配置文件在 src/main/resources/application.yml 和本地私有的 application-local.yml。

因为安全性考虑，application-local.yml 中的敏感配置项没有提交到仓库，需要自行补充。
模板如下

search-api:
  api-key: "${SEARCH_API_KEY}"

spring:
  data:
    redis:
      host: "${REDIS_HOST:127.0.0.1}"
      port: "${REDIS_PORT:6379}"

  datasource:
    url: "${POSTGRES_URL}"
    username: "${POSTGRES_USERNAME}"
    password: "${POSTGRES_PASSWORD}"
    driver-class-name: org.postgresql.Driver

  sql:
    init:
      mode: never

  ai:
    dashscope:
      api-key: "${DASHSCOPE_API_KEY}"
      chat:
        options:
          model: "qwen-plus"

mybatis-plus:
  configuration:
    map-underscore-to-camel-case: true
  global-config:
    banner: false

app:
  chat-memory:
    # 可选值: file / mysql / redis
    type: mysql
    file-dir: "${CHAT_MEMORY_DIR:${user.dir}/tmp/chat-memory}"
    redis:
      key-prefix: "chat:memory:"
  long-term-memory:
    dir: "${LONG_TERM_MEMORY_DIR:${user.dir}/tmp/agent-memory}"
  datasource:
    mysql:
      url: "${MYSQL_URL}"
      username: "${MYSQL_USERNAME}"
      password: "${MYSQL_PASSWORD}"
      driver-class-name: com.mysql.cj.jdbc.Driver

mail:
  smtp:
    host: "${MAIL_HOST}"
    port: "${MAIL_PORT:465}"
    username: "${MAIL_USERNAME}"
    password: "${MAIL_PASSWORD}"
    from: "${MAIL_FROM}"
    ssl: true

openclaw:
  agent:
    command: "${OPENCLAW_COMMAND}"
    id: "main"
    timeout-seconds: 120
    session-prefix: "spring-ai-research"

主要看这几项：

  • spring.ai.ollama.base-url：Ollama 服务地址，默认 http://localhost:11434
  • spring.datasource.*：pgvector 使用的 PostgreSQL 连接
  • app.datasource.mysql.*：MySQL 会话记忆连接
  • spring.data.redis.*：Redis 连接
  • app.long-term-memory.dir：长期记忆根目录
  • spring.ai.dashscope.api-key：DashScope Key
  • mail.smtp.*：邮件工具配置
  • openclaw.agent.*：研究代理命令路径

说明：

  • src/main/resources/mcp-servers.json 只保留可公开的示例配置
  • 其中的 AMAP_MAPS_API_KEY 是占位值，使用前请替换成你自己的 key 或改成私有本地配置

3. 初始化依赖服务

  1. 创建 PostgreSQL 数据库
  2. 在 PostgreSQL 中安装 vector 扩展
  3. 如果使用 MySQL 会话记忆，创建数据库 kewei_ai_agent
  4. 如果使用 Redis 会话记忆，启动 Redis 实例
  5. 如果使用 Ollama，先拉取配置里对应模型
ollama pull qwen3.5:35b
ollama pull mxbai-embed-large:latest

第二个命令用于下载 embedding 模型。

如果需要本地 MCP 服务，再构建这两个子项目：

cd kewei-image-search-mcp-server
./mvnw clean package -DskipTests
cd ..

cd kewei-image-generation-mcp-server
./mvnw clean package -DskipTests
cd ..

对应 jar 路径在 src/main/resources/mcp-servers.json 里配置。

4. 启动后端服务

./mvnw spring-boot:run

或者直接运行 jar：

java -jar target/kewei-ai-agent-0.0.1-SNAPSHOT.jar
  • 服务地址：http://localhost:8123/api
  • Swagger：http://localhost:8123/api/swagger-ui.html

5. 启动前端

前端项目位于 kewei-ai-agent-frontend，默认通过 VITE_API_BASE_URL 指向后端，未配置时使用 http://localhost:8123/api。

cd kewei-ai-agent-frontend
npm install
npm run dev

cd kewei-ai-agent-frontend
npm install
npm run build

构建产物在 kewei-ai-agent-frontend/dist，可交给 Nginx 或任意静态资源服务托管。

协作方式

  • 日常开发请不要直接 push 到 main
  • 推荐流程：issue -> branch -> commit -> test -> PR -> review -> merge
  • 详细约束见 CONTRIBUTING.md

后续可以继续扩展的方向

  • 增加任务观测面板，展示 Agent 每一步的思考、工具调用和状态变化
  • 为长期记忆增加更细粒度的权限、审计和同步策略
  • 补充权限控制、限流、审计日志等更贴近生产的能力
  • 给不同任务域继续拆分独立 Agent 或独立 MCP 服务
  • 完善部署文档，把项目升级为可直接在线演示的作品

Reviews (0)

No results found