OpenViking：统一 Agent 记忆、RAG 与技能的上下文数据库

项目地址：https://github.com/volcengine/OpenViking  协议：AGPL-3.0  Stars：37,908  更新：2026-09-18

一、产品深度介绍

（一）它是什么

OpenViking 是一个开源的 AI Agent 上下文数据库。它给智能体一个统一的地方来存储知识、记住用户，并在多次会话之间复用经验。官方把它的定位概括为「AI Agent 的自演化上下文数据库，统一 Agent 记忆、知识 RAG 与技能」。

它的核心抽象是把上下文组织成一个位于「viking://」下的虚拟文件系统。智能体可以像操作文件一样使用 ls、tree、read、write 来浏览目录、读取、创建与编辑内容，或在目录内检索；目录摘要支持按需加载。换句话说，记忆、知识与技能都被抽象成同构的资源，用统一的 URI 寻址。

（二）技术表现

• 统一的虚拟文件系统：资源（resources）保存文档与代码，记忆（memories）保留用户偏好与经验，技能（skills）定义如何完成任务；三者各自拥有「viking://」URI 供浏览与检索。
• 三层按需加载：L0 摘要用一句话做相关性初判，L1 概览给出结构与要点用于规划，L2 细节才是完整原文，仅在必要时读取，显著降低上下文开销。
• 目录感知检索：向量检索先定位候选目录，再展开其内容；find 直接执行查询，search 还能结合会话上下文来规划召回。
• 会话沉淀为记忆：提交一次会话会归档对话并触发后台抽取，记忆策略控制保留粒度，新候选会与既有记忆比对，决定创建、合并还是跳过。
• 多语言 SDK：提供 Python、Go、TypeScript SDK 与 HTTP API，便于自建集成。
• 多 Agent 原生集成：通过 Hooks + MCP 接入 Claude Code、Codex、Cursor、TRAE、OpenClaw、Hermes、OpenCode、LangChain 等。

小黑配图：智能体把文档、记忆与技能装进名为 viking:// 的虚拟文件系统，像一个会自我生长的记忆仓库。

二、主要功能特点与应用场景

OpenViking 的能力可以归纳成三条主线。其一是「三类上下文同构」：resources 承载项目文档、仓库与网页，memories 承载用户偏好与历史经验，skills 承载任务执行方式，三者用同一套文件系统语义管理。其二是「目录感知检索」：智能体可以针对某个项目或某段记忆子树做范围检索，并保留其周围上下文。其三是「会话到记忆的闭环」：开启 VikingBot 后，ov compile 还能用技能把素材整理成 wiki、知识图谱或报告。

典型应用场景包括：给长期运行的 coding agent 提供跨会话的用户与项目记忆；把团队文档、代码仓库与网页沉淀为可检索的知识库（RAG）；用 VikingBot 搭建对话式知识助手；以及作为多 Agent 系统的共享上下文底座。研究论文 VikingMem、Directory-Aware Query 与 VikingRAG 为其目录感知检索与记忆机制提供了形式化基础与实验证据。

三、如何安装与使用

OpenViking 要求 Python 3.10+，并需要能够访问一个 embedding 模型和一个 VLM（云端或本地均可）。支持的模型供应商包括 Volcengine、OpenAI、Codex OAuth、Kimi、GLM 以及本地 Ollama。核心服务通过 pip 安装：

pip install openviking --upgrade
openviking-server init      # 配置 providers 与 models，写入 ~/.openviking/ov.conf
openviking-server doctor    # 检查配置与连通性
openviking-server           # 启动服务

如果希望启用对话式 VikingBot，安装时带上 bot 额外依赖，并以 –with-bot 启动：

pip install "openviking[bot]"
openviking-server --with-bot
ov chat   # 在另一个终端进入对话

服务就绪后，可以用命令行把素材接入并按文件系统方式检索：

ov status
ov add-resource https://github.com/volcengine/OpenViking
ov task status TASK_ID      # 用返回的 task_id 轮询，直到状态为 completed
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 会返回命中上下文及其 URI 供进一步查看；客户端配置、独立 CLI 安装与索引维护可参考官方 CLI setup 文档。

四、官方地址与获取方式

• GitHub 仓库：https://github.com/volcengine/OpenViking
• 官方文档：https://docs.openviking.ai
• 桌面端（Beta）：提供 macOS 与 Windows x64 下载，适合不想自建服务的个人用户。
• 商业版本：提供 Managed SaaS 与 Self-Managed 两种交付，详见仓库 Commercial editions 章节。

五、与同类方案对比

六、核心机制深度解析

OpenViking 的底座是一个「viking://」虚拟文件系统。顶层通常分为 resources（项目文档、仓库、网页等）与 user（按用户隔离的记忆、私有资源、技能与 peers）。每段目录会被自动抽取出三层语义结构：.abstract.md（L0）、.overview.md（L1）与底层原文（L2），分别服务于快速相关性判断、规划与按需读取。

检索环节集成了来自研究论文的 TrieHI 索引，在向量排序之前先解析目录作用域，从而把「文件系统范式」与「检索」连接起来：智能体可以搜索某个项目或记忆子树，保留其周围上下文，并随知识演化重新组织。会话沉淀由记忆策略驱动，候选记忆会与既有记忆比对，决定新建、合并或跳过。

七、实用技巧

• 先自检再启动：每次改完配置跑一次 openviking-server doctor，可提前发现 provider 与连通性问题。
• 按需加载省 token：优先读 L0 / L1 摘要做判断，只有真正相关时才读取 L2 全文，控制上下文体积。
• 调好记忆策略：通过 memory policies 控制保存粒度，避免把噪声也写进长期记忆。
• 混用云与本地模型：embedding 与 VLM 不必同源，本地 Ollama 也能作为供应商之一。
• 让 Agent 自动取上下文：用 Hooks + MCP 把 OpenViking 接入 Claude Code、Cursor 等，使其在编码时自动检索项目记忆与技能。

八、最新更新动态

研究底座持续完善：VikingMem、Directory-Aware Query、VikingRAG 三篇论文给出了目录感知检索的形式化基础、索引设计与实验证据，TrieHI 已被集成进检索路径。

• 桌面端（Beta）：发布 macOS 与 Windows x64 客户端，降低非服务端用户的使用门槛。
• 生产部署能力：支持自托管 + 账户隔离 + ACL + 认证；同时提供商业版 Managed SaaS 与 Self-Managed。
• 通用集成：新增 Agent Plugins 1.0 与 MCP 客户端接入方式，覆盖更多 harness。
• 基准验证：官方在 README 中以 LoCoMo 与 tau2-bench 等基准展示其记忆与检索效果。

九、常见问题 FAQ

十、总结

OpenViking 想解决的不是「再做一个向量库」，而是把 Agent 的记忆、知识与技能统一进一套可寻址、可检索、可演化的上下文底座。它用「viking://」虚拟文件系统把三类上下文同构管理，用三层按需加载和目录感知检索控制上下文成本，再用会话到记忆的闭环让经验跨会话累积。对正在构建长期运行 Agent、团队知识库或对话式助手的开发者而言，这是一个值得关注的开源基础设施；配合 VikingBot 与多 Agent 原生集成，它已经能作为真实工作流里的共享记忆层使用。

在撰写本文的过程中，我主要参考了 OpenViking GitHub 仓库（volcengine/OpenViking）的 README.md、官方文档 docs.openviking.ai、LICENSE，以及三篇研究论文（VikingMem / Directory-Aware Query / VikingRAG）。文中数据以官方公开信息为准，可能随版本更新而变化。