OpenViking：为 AI Agent 打造的自进化上下文数据库，统一记忆、知识与技能

你是否曾经被这样的问题困扰：Agent 在一次对话中表现惊艳，换个会话就”失忆”；用户偏好、项目背景、历史经验散落在提示词、向量库、配置文件里，越堆越乱；RAG 检索回来一堆碎片化 chunk，却丢掉了文档原本的层级结构，Agent 连”该不该读、读哪一块”都判断不了？

OpenViking 的出现，旨在彻底解决这个问题。它是火山引擎开源的、专为 AI Agent 设计的自进化上下文数据库（Context Database），把 Agent 的长期记忆、知识检索（RAG）与可复用技能统一收纳进一个虚拟文件系统，让 Agent 像操作文件一样浏览、读取、检索和沉淀自己的上下文。

截至收录：
OpenViking项目stars数：37821
OpenViking项目forks数：2925

OpenViking项目目录截图

OpenViking项目核心亮点

• 🗂️ 一个文件系统装下所有上下文：OpenViking 把一切上下文统一挂在 viking:// 命名空间下——resources/ 存放文档与代码，memories/ 保留用户偏好与经验，skills/ 定义任务该如何执行。每一份资源都有独立的 Viking URI，既能浏览也能检索。以下是其典型目录结构：

viking://
├── resources/              # 资源：项目文档、代码仓库、网页等
│   └── my_project/
│       ├── docs/
│       │   ├── api/
│       │   └── tutorials/
│       └── src/
└── user/
    └── {user_id}/
        ├── memories/
        │   └── preferences/
        │       ├── writing_style
        │       └── coding_habits
        ├── resources/
        │   └── private_project/
        ├── skills/
        │   ├── search_code
        │   └── analyze_data
        └── peers/
            └── web-visitor-alice/

• 📚 按需加载的三层上下文（L0 / L1 / L2）：语义化处理过的目录会自动携带摘要——.abstract.md（L0，一句话概括，用于快速判断相关性）、.overview.md（L1，核心信息与使用场景，用于规划），只有在确实需要时才加载完整原文（L2）。Agent 因此可以在读整个文件之前，先判断”这个目录跟我有关吗”，从源头压掉无效 token。
• 🔍 目录感知的检索方式：先用向量检索锁定候选目录，再进入目录内部探索内容。ov find 直接执行查询，search 则能结合当前会话上下文来规划检索路径；底层集成了 TrieHI 以在向量排序前解析目录作用域，让检索保留结构、保留上下文。
• 🧠 会话即记忆，可持续进化：提交一次会话，对话会被归档并触发后台抽取——记忆策略决定哪些内容留存，候选记忆会与既有记忆比对，选择新建、合并或跳过。启用 VikingBot 后，ov compile 还能借助技能把原始素材组织成 wiki、知识图谱或报告。
• 📊 有实测数据支撑：在长对话用户记忆评测 LoCoMo 上，接入 OpenViking 后三种 Agent 集成方案的准确率均达到 80%–83%，而各自原生记忆方案仅为 24%–57%；同时输入 token 下降 34.3%–91.0%，查询延迟降低 58.45%–66.10%。在多轮 Agent 任务评测 tau2-bench 上，经验记忆让任务成功率在零售场景提升 +6.87pp、航空场景提升 +11.87pp。
• 🔌 与主流 Agent 无缝对接：提供 Claude、Codex、Cursor、TRAE、OpenCode 等平台的 Hooks + MCP 集成，OpenClaw 的上下文引擎、Hermes 的内置支持、LangChain 的 Tools + Store，以及通用 MCP 客户端与 Agent Plugins 1.0；同时提供 Python、Go、TypeScript SDK 与 HTTP API，方便自建集成。

OpenViking项目快速开始

需要 Python 3.10+，并准备好一个嵌入模型与一个 VLM（云端或本地均可）。

1. 安装并初始化服务端：

   bash
$ pip install openviking --upgrade
$ openviking-server init # 配置 provider 与模型
$ openviking-server doctor # 检查配置与连通性
$ openviking-server # 启动服务

   init 会写入 ~/.openviking/ov.conf，支持 Volcengine、OpenAI、Codex OAuth、Kimi、GLM 以及本地 Ollama 等选项。

2. 导入一份资源并检索它（另开一个终端使用 ov CLI）：

   “`bash
   $ ov status
   $ ov add-resource https://github.com/volcengine/OpenViking

   用返回的 task_id 替换 TASK_ID，重复执行直到状态为 completed

   $ ov task status TASK_ID
   $ ov ls viking://resources/
   $ ov tree viking://resources/volcengine -L 2
   $ ov find “what is openviking”
   $ ov grep “openviking” –uri viking://resources/volcengine/OpenViking/docs/en
   “`

   ov find 会返回带 URI 的匹配上下文，你可以顺着 URI 继续深入查看。

3. 接入你自己的 Agent：选择原生集成以获得自动召回与会话捕获，或通过 MCP 为 Agent 挂上记忆与上下文工具。
4. 可选：体验 VikingBot 与桌面端：

   bash
$ pip install "openviking[bot]"
$ openviking-server --with-bot
$ ov chat # 在另一个终端中对话

   官方 Docker 镜像已内置 VikingBot，启动时默认与 server、控制台 UI 一起运行；桌面端（Beta）则提供 macOS 与 Windows x64 版本，用于配置本地 Agent 集成、查看会话中的召回与捕获事件。

OpenViking项目应用场景

• 场景一：跨会话的个性化助手：把用户偏好、写作风格、编码习惯沉淀进 user/{user_id}/memories/，Agent 下次开口就能带着上一次的上下文，而不用把整段历史对话塞进提示词。
• 场景二：项目级知识库问答：将代码仓库、API 文档导入 viking://resources/，先用 L0/L1 摘要定位相关目录，再精准读取 L2 原文，显著降低 token 消耗与响应延迟。
• 场景三：Agent 经验复用：将成功任务的执行路径沉淀为技能与经验记忆，让 Agent 在 tau2-bench 这类多轮任务中越用越稳，而不是每次都从零试错。
• 场景四：企业级自托管部署：以 AGPLv3 在自己的环境里运行开源服务端（无需激活密钥），支持账号与用户隔离、可选的资源 ACL，适合在暴露到公网前先配置好认证。若需要分布式部署与官方支持，还有 BYOC 自管理商业版本可选。

用户案例：目前，deer-flow（开源长时程 SuperAgent 框架）、NoKV（AI 原生分布式文件系统）、loopx（轻量循环工程状态内核）、Hermes Agent 等项目已与 OpenViking 建立合作，生态正在快速扩张。

OpenViking项目连接

volcengine / OpenViking项目地址：https://github.com/volcengine/OpenViking

本文地址：https://www.tgoos.com/46568