OpenViking 今日发布

OpenViking 是字节跳动火山引擎团队于 2026 年初开源的 AI Agent 上下文数据库，开源后迅速在 AI Agent 社区引发关注，GitHub Star 数突破 15,000，其核心理念是将 Agent 的记忆、资源、技能统一抽象为虚拟文件系统，协议前缀为 viking://，开发者可以像操作本地文件一样管理 Agent 的上下文。

传统 RAG 系统在 Agent 执行长周期任务时面临四大痛点：上下文碎片化导致信息丢失、Token 消耗随对话轮次激增、向量检索效果不稳定、调试困难无法追溯检索路径。OpenViking 从文件系统范式出发，重新定义 Agent 与上下文之间的交互方式，将向量数据库替换为虚拟文件系统，让 Agent 通过 ls、tree、find 等命令浏览和管理自己的记忆。

该系统的核心创新在于三层加载架构：L0 层为摘要（Abstract），约 100 个 token，用于快速判断相关性；L1 层为概述（Overview），约 2,000 个 token，包含核心信息和适用场景，用于任务规划；L2 层为细节（Details），完整原始内容，仅在实际需要时按需加载。这一设计将 Token 消耗减少了 34.3%–91.0%，查询延迟降低 58.45%–66.10%。

在检索机制上，OpenViking 采用目录递归检索：向量搜索首先定位得分最高的目录，然后逐层向下钻取，确保返回结果自带完整上下文语境。每次检索都会保留浏览轨迹（trajectory），开发者可以随时回溯检索路径，定位结果偏差的根源，这一特性大幅提升了 Agent 的可观测性和可调试性。

会话也是 OpenViking 的重要设计维度。Agent 完成一轮会话后，系统会异步提取用户偏好和 Agent 经验，沉淀为长期记忆。这意味着后续会话可以从上一轮的工作状态中恢复，Agent 不再是每次都从零开始。

OpenViking 的虚拟文件系统结构包括：viking://resources/ 用于存放项目文档、代码仓库、网页等外部资源；viking://user/{user_id}/memories/ 用于存储用户偏好（如写作风格、编码习惯）；viking://user/{user_id}/skills/ 用于放置 Agent 技能（如搜索代码、数据分析）；viking://user/{user_id}/peers/ 用于多 Agent 协作场景中的对等节点。

在基准测试中，OpenViking 在长对话用户记忆任务（LoCoMo）上将准确率从原生记忆的 24%–57% 提升至 80%–83%；在多轮 Agent 任务（tau2-bench）上，任务成功率提升 6.87–11.87 个百分点。

OpenViking Studio 提供了在线 playground，无需安装即可体验上下文文件系统的交互方式，支持语义搜索和多 Agent 协作场景演示。项目要求 Python 3.10 或更高版本，可通过 pip install openviking 安装。