xxl-job已正式接入AI

01 前言 定时任务 + AI = 把“跑批”变成“跑智能” 最近有球友反馈说：他们试过在定时任务里直接调大模型API，但问题很多。 API Key硬编码在代码里、失败了没有重试机制、任务跑没跑成功也不知道。 后来想搞个专门的AI任务调度系统，又觉得太重了。 我问他：“你们没考虑过用XXL-JOB的AI执行器？” 他愣了一下：“XXL-JOB还能跑AI任务？” 能。而且是从v3.1.0就开始了。 XXL-JOB从v3.1.0版本正式引入了AI执行器，内置了多个AI任务Handler，与Spring AI、Ollama、Dify等集成打通。 到v3.4.0版本，又进一步集成了OpenClaw，新增了openClawJobHandler。 这意味着什么？ 你不需要为AI任务单独搭一套调度系统。AI任务和普通任务在同一个调度体系里管理，用同一套重试机制、同一套告警、同一套日志。 今天这篇文章，我就把XXL-JOB的AI能力从头到尾给你拆解一遍。 希望对你会有所帮助。 02 XXL-JOB的AI执行器到底是什么？ 有些小伙伴可能会说：“XXL-JOB不是个定时任务调度框架吗？跑AI任务是不是有点不务正业？” 恰恰相反。 定时任务调度框架跑AI任务，是回归本质。 定时任务的核心使命是什么？ 在正确的时间，用正确的方式，执行正确的逻辑。 普通任务是这样，AI任务也是这样。 过去你要做一个“每天生成业务洞察”的任务，得自己写代码：调模型API、处理失败重试、记录执行日志、配置告警。 这些事XXL-JOB本来就在做，你只是把“执行逻辑”从“查数据库”换成了“调大模型”。 XXL-JOB AI执行器的核心思路是：把AI调用封装成标准的Bean模式Handler，让AI任务和普通任务用同一套调度、同一套重试、同一套日志。 一句话说清：AI执行器 = 内置的AI任务Handler + 统一的调度管理。 03 XXL-JOB AI执行器的架构 关键理解：调度中心不关心你执行的是AI任务还是普通任务。 它只管“什么时候触发、触发哪个Handler、传什么参数”。 AI执行器负责“怎么调AI”。 04 底层原理 3.1 Bean模式Handler XXL-JOB的任务Handler有两种模式：Bean模式和GLUE模式。 Bean模式是推荐的方式：你写一个Java类，用@XxlJob("handlerName")注解标记，XXL-JOB会自动把它注册为一个可调度的任务Handler。 AI执行器就是基于这个机制实现的。 ollamaJobHandler、difyWorkflowJobHandler、openClawJobHandler都是标准的Bean模式Handler。 3.2 ollamaJobHandler 它是调用本地模型的标准化封装。 ollamaJobHandler的核心逻辑非常简洁： // 简化后的逻辑 @XxlJob("ollamaJobHandler") publicvoidollamaJobHandler()throws Exception {     // 1. 从任务参数中解析prompt和input     String param = XxlJobHelper.getJobParam();     JSONObject json = JSON.parseObject(param);     String input = json.getString("input");     String prompt = json.getString("prompt");          // 2. 调用Ollama API     String result = ollamaClient.chat(prompt, input);          // 3. 记录执行结果     XxlJobHelper.log("AI任务执行完成，结果：{}", result);     XxlJobHelper.handleSuccess(result); } 关键设计：prompt和input从任务参数中动态获取，不是硬编码在执行器里。 这意味着同一个执行器可以跑不同的AI任务，只需要在调度中心配置不同的任务参数。 3.3 difyWorkflowJobHandler 它能触发Dify工作流。 difyWorkflowJobHandler的逻辑类似，但对接的是Dify的工作流引擎： @XxlJob("difyWorkflowJobHandler") publicvoiddifyWorkflowJobHandler()throws Exception {     String param = XxlJobHelper.getJobParam();     JSONObject json = JSON.parseObject(param);     String inputs = json.getString("inputs");     String user = json.getString("user");          // 调用Dify工作流API     String result = difyClient.runWorkflow(inputs, user);          XxlJobHelper.handleSuccess(result); } Dify配置的优化：早期版本中，baseUrl和apiKey等Dify配置信息需要放在执行器侧的文件里。 后续版本优化为从调度中心“任务参数”动态配置，支持多Dify应用集成，提升了研发效率。 05 代码实战 4.1 前置准备 假设你已经部署了XXL-JOB调度中心和Ollama服务。 如果还没部署，参考官方文档即可。 4.2 配置AI执行器 在调度中心新建执行器： INSERTINTO`xxl_job_group`(`app_name`, `title`, `address_type`, `address_list`, `update_time`) VALUES ('xxl-job-executor-sample-ai', 'AI执行器Sample', 0, NULL, now()); AppName必须是xxl-job-executor-sample-ai，因为AI执行器的示例代码用这个AppName注册。 4.3 在Spring Boot项目中引入AI执行器 <dependency>     <groupId>com.xuxueli</groupId>     <artifactId>xxl-job-core</artifactId>     <version>3.4.0</version> </dependency> 配置执行器： xxl:   job:     admin:       addresses:http://localhost:8080/xxl-job-admin     executor:       appname:xxl-job-executor-sample-ai       port:9999 4.4 在调度中心新建AI任务 在XXL-JOB调度中心新建任务： 执行器：选择AI执行器Sample 任务描述：每日业务洞察生成 Cron：0 0 6 ?（每天早上6点） 运行模式：BEAN JobHandler：ollamaJobHandler 任务参数： {     "input": "请基于昨天的销售数据生成一段业务洞察。数据：华东区销售额120万，环比下降12%；华南区销售额98万，环比上升8%。",     "prompt": "你是一个数据分析师，请用简洁的语言生成业务洞察，不超过100字。" } 任务参数中的prompt和input会根据每次任务动态传入，同一个Handler可以跑不同的AI分析。 4.5 执行结果查看 任务触发后，在调度中心的“调度日志”中可以看到： 执行状态（成功/失败） 执行时间 AI返回的结果（通过XxlJobHelper.log记录） 失败重试：如果AI调用失败（比如Ollama服务不可用），XXL-JOB的失败重试机制会自动重试，不需要你自己写重试逻辑。 06 XXL-JOB AI执行器的优缺点 优点 统一的调度管理：AI任务和普通任务在同一个调度中心管理。不需要为AI任务单独搭一套系统，运维成本低。 内置失败重试：AI调用可能因为模型服务不可用、超时等原因失败。XXL-JOB的失败重试机制自动处理，不需要自己写重试逻辑。 完整的执行日志：每次AI任务的执行结果、耗时、返回值都记录在调度日志里。出问题可以追溯。 动态配置：prompt、input、Dify的baseUrl和apiKey都从任务参数动态获取，不需要改代码就能调整。 多AI后端支持：支持Ollama、Dify、OpenClaw、Spring AI等多种AI后端。 零额外基础设施：如果你已经在用XXL-JOB，接入AI能力不需要引入新系统。 缺点 AI执行器需要单独部署：AI任务需要部署xxl-job-executor-sample-ai这个执行器示例。普通执行器不能跑AI任务。 任务参数有长度限制：prompt和input通过任务参数传递，如果内容太长可能受限于数据库字段长度。 不支持流式输出：AI任务的执行是同步等待的，不支持流式输出。对于长文本生成任务，执行时间可能较长。 内置Handler的灵活性有限：目前的ollamaJobHandler和difyWorkflowJobHandler是通用封装。如果需要复杂的AI编排（比如多轮对话、工具调用），还是需要自己写Handler。 07 适用场景 场景 推荐程度 理由 定时AI数据摘要 ✅✅✅ 强烈推荐 每天定时跑AI总结，失败自动重试 定时AI内容生成 ✅✅✅ 强烈推荐 定时生成日报、周报、业务洞察 定时触发Dify工作流 ✅✅✅ 强烈推荐 difyWorkflowJobHandler开箱即用 定时AI数据清洗 ✅✅✅ 强烈推荐 批量数据处理+AI增强 已有XXL-JOB的项目 ✅✅✅ 强烈推荐 零额外基础设施，直接接入 需要复杂AI编排的任务 ⚠️ 需评估 内置Handler灵活性有限，需自定义 需要流式输出的任务 ❌ 不推荐 同步执行，不支持流式 08 最后 回到最初的问题：XXL-JOB接入AI，到底接了什么？ 它不是“在定时任务里加了个聊天框”，而是把AI调用变成了定时任务的一种标准执行逻辑。 AI任务和普通任务共享同一套调度、同一套重试、同一套日志。 你不需要为“每天早上跑一次AI分析”单独搭一套系统，不需要自己写API调用的重试逻辑，不需要自己记录执行结果。 从v3.1.0到v3.4.0，XXL-JOB的AI能力在持续完善。 Ollama、Dify、OpenClaw、Spring AI——AI后端的支持越来越丰富。 Dify配置从执行器侧移到任务参数，支持多应用集成。这些迭代说明团队在认真打磨这个功能。 当然，XXL-JOB的AI执行器也有局限。 它适合的是“定时触发、同步执行、结果记录” 这类标准化的AI任务。 如果你需要复杂的多轮对话、工具调用、流式输出，还是需要自己写更复杂的Handler。 但如果你只是想“每天早上6点让AI分析一下昨天的数据”——XXL-JOB的AI执行器可能是最省心的选择。 不需要引入新系统，不需要写重试逻辑，不需要自己管日志。 参考资源 XXL-JOB v3.1.0 Release Notes：https://github.com/xuxueli/xxl-job/releases/tag/3.1.0 XXL-JOB官方文档：https://www.xuxueli.com/xxl-job —END— PS：防止找不到本篇文章，可以收藏点赞，方便翻阅查找哦。 往期推荐 MySQL 宣布正式拥抱 AI 开源项目｜本地跑大模型，选型这件事终于有人管了 公司新来一个技术总监，把支付系统设计得炉火纯青，那叫一个优雅，佩服！ 全新的分布式锁，几行代码搞定，简单且强大 全网显示 IP 归属地，准确率 99.9%，这个开源的 API 离线库强大到离谱！ 微信为什么使用SQLite保存聊天记录？