告别向量数据库的碎片化存储，用文件系统范式重新定义 Agent 记忆管理

一、为什么需要 OpenViking？

在构建 AI Agent 时，开发者常常面临这些痛点：

• 上下文碎片化

  ：记忆散落在代码里，资源存在向量库，技能到处乱放

• 上下文爆炸

  ：长时任务产生的海量信息，简单截断会丢失关键内容

• 检索效果差

  ：传统 RAG 平铺存储，缺乏全局视角

• 黑盒不可观测

  ：检索链路不透明，出错难定位

• 记忆无法迭代

  ：只记录对话，不沉淀任务经验

OpenViking 是一个专为 AI Agent 设计的上下文数据库，用"文件系统范式"统一管理记忆、资源、技能，让 Agent 越用越聪明。

---

二、实现原理：五大核心创新

1. 文件系统范式（Filesystem Paradigm）

OpenViking 抛弃传统向量数据库的平铺模型，将所有上下文映射到 viking:// 协议的虚拟文件系统中：

viking://├── resources/          # 项目文档、代码仓库│   └── my_project/├── user/               # 用户记忆│   └── memories/│       ├── preferences/    # 用户偏好│       ├── entities/       # 关注的人/项目│       └── events/         # 重要事件└── agent/              # Agent 记忆    ├── skills/             # 技能库    ├── memories/    │   ├── cases/          # 任务案例    │   └── patterns/       # 可复用模式    └── instructions/       # 指令集

优势：Agent 可以用 ls、find、read 等确定性操作精确定位信息，告别模糊匹配。

2. 三级上下文加载（L0/L1/L2）

自动将内容处理为三级结构，按需加载，大幅降低 Token 消耗：

层级	名称	大小	用途
L0	摘要	~100 tokens	快速筛选
L1	概览	~2k tokens	决策参考
L2	详情	完整内容	深度阅读

效果：实测减少 91% 的 Token 消耗（vs LanceDB）。

3. 目录递归检索（Directory Recursive Retrieval）

五步检索策略，像人类专家一样理解信息上下文：

1. 意图分析

   ：根据会话生成多维度查询

2. 初始定位

   ：向量检索锁定高相关目录

3. 细化探索

   ：目录内二次检索

4. 递归深入

   ：子目录逐层探索

5. 结果聚合

   ：返回最相关的上下文

4. 自动会话管理与记忆提取

会话结束时自动提取六类记忆：

类型	归属	说明	可合并
profile	user	用户身份属性	✅
preferences	user	用户偏好	✅
entities	user	关注的人/项目	✅
events	user	事件/决策	❌
cases	agent	问题+解决方案	❌
patterns	agent	可复用模式	✅

流程：消息 → LLM 提取 → 向量去重 → LLM 决策 → 写入存储

5. Viking URI 系统

统一资源标识，支持多租户隔离：

viking://{scope}/{path}

• resources

  ：独立资源，长期有效

• user

  ：用户数据，长期有效

• agent

  ：Agent 数据，长期有效

• session

  ：会话数据，会话生命周期

---

三、主要功能

资源管理

• add-resource

  • 导入本地文件或 URL

• export/import

  • 导出/导入 .ovpack

• ls/tree/read

  • 文件系统操作

语义检索

• find

  • 语义检索

• search

  • 上下文感知检索

• grep/glob

  • 模式匹配

会话管理

• session new/list/get/delete

  • 会话生命周期

• session add-message/commit

  • 消息提交与记忆提取

系统观测

• system status/health

  • 健康检查

• observer queue/vikingdb/vlm

  • 组件状态

---

四、使用场景

1. 个人 AI 助手

长期维护用户偏好、习惯，跨会话保持一致性。

2. 开发团队协作

共享项目知识库，新成员快速上手，知识沉淀不流失。

3. 企业知识管理

多租户隔离，不同团队数据独立，支持权限控制。

4. 自主 Agent 系统

任务经验自动积累，Agent 能力持续进化。

---

五、如何配合 OpenClaw 使用

OpenClaw 是一款流行的 AI Agent 框架，OpenViking 为其提供长期记忆后端。

快速开始（一键安装）

cd /path/to/OpenVikingnpx ./examples/openclaw-memory-plugin/setup-helperopenclaw gateway

安装助手会自动检查环境、创建配置、部署插件。

核心功能

功能	说明
autoCapture	自动从对话中提取记忆
autoRecall	自动注入相关记忆到上下文
记忆去重	基于摘要/URI 自动去重
智能排序	偏好提升、时序提升、词法重叠

性能提升（实测数据）

基于 LoCoMo10 长对话数据集（1,540 例）：

方案	任务完成率	输入 Token
OpenClaw (原生)	35.65%	24,611,530
OpenClaw + LanceDB	44.55%	51,574,530
OpenClaw + OpenViking	52.08%	4,264,396

提升：

• 相比原生：+46% 完成率，-91% Token 成本
• 相比 LanceDB：+17% 完成率，-92% Token 成本

配置示例

{  "vlm": {    "backend": "volcengine",    "api_key": "<your-key>",    "model": "doubao-seed-1-8-251228",    "api_base": "https://ark.cn-beijing.volces.com/api/v3"  },  "embedding": {    "dense": {      "backend": "volcengine",      "api_key": "<your-key>",      "model": "doubao-embedding-vision-250615",      "dimension": 1024    }  }}

---

六、与 PageIndex 的对比

维度	OpenViking	PageIndex
定位	通用上下文数据库	专业文档检索系统
核心创新	文件系统 + 分层存储 + 会话记忆	无向量 + LLM 推理检索
存储模型	viking:// 虚拟文件系统	章节层级树结构
检索方式	向量 + 目录递归 + 意图分析	纯 LLM 推理
记忆系统	6 类自动提取与去重	无
基础设施	需要向量数据库	无需向量数据库
Token 优化	L0/L1/L2 三级加载（-91%）	无
最佳场景	Agent 长期记忆、多类型资源	专业文档 QA（财报/法律）
准确性	52.08% 任务完成率	98.7% FinanceBench

如何选择？

选 OpenViking 如果：

• 构建长期运行的 AI Agent
• 需要管理多种上下文（文档+代码+技能+记忆）
• 需要会话记忆自动迭代
• 需要生产级部署（多租户、权限控制）

选 PageIndex 如果：

• 主要做专业文档问答
• 对准确性要求极高
• 不想维护向量数据库
• 文档有清晰目录结构

---

七、快速开始

1. 安装

pip install openviking# CLI 工具（可选）curl -fsSL https://raw.githubusercontent.com/volcengine/OpenViking/main/crates/ov_cli/install.sh | bash

2. 配置

创建 ~/.openviking/ov.conf：

{  "storage": {    "workspace": "/path/to/workspace"  },  "embedding": {    "dense": {      "provider": "volcengine",      "api_key": "<key>",      "model": "doubao-embedding-vision-250615",      "dimension": 1024    }  },  "vlm": {    "provider": "volcengine",    "api_key": "<key>",    "model": "doubao-seed-1-8-251228"  }}

3. 启动与使用

# 启动服务openviking-server# 添加资源ov add-resource https://github.com/volcengine/OpenViking --wait# 语义检索ov find "what is openviking"# 查看文件树ov tree viking://resources/OpenViking -L 2

---

八、总结

OpenViking 不仅是一个工具，更是** AI Agent 上下文管理的新范式**：

• 用文件系统思维统一管理记忆、资源、技能
• 三级加载机制大幅降低 Token 成本
• 目录递归检索提升上下文理解能力
• 自动记忆提取让 Agent 越用越聪明

如果你正在构建 AI Agent，不妨试试 OpenViking，让上下文管理不再是痛点。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】