OpenViking Skill：让 AI Agent 拥有「可浏览」的记忆文件系统

总结

OpenViking 是火山引擎开源的 AI Agent 上下文数据库，通过 viking:// 虚拟文件系统协议统一管理 Agent 的记忆（Memory）、知识（RAG）和技能（Skills），用目录层级替代传统的平面向量检索，实现上下文可观测、可复用、可迭代。实测在长会话记忆任务中，准确率从 24–57% 提升至 80–83%，同时 Token 消耗降低 34–91%。GitHub 已有 27,275 颗 Stars（截至 2026-07-27），是当前 AI Agent 基础设施赛道的 trending 项目。

功能与原则

核心能力： 将 AI Agent 的所有上下文（用户偏好、项目文档、工具技能、跨会话记忆）组织为一个虚拟文件系统，Agent 通过 ls / tree / find 等确定性路径操作来查找信息，而非向量化黑盒检索。

设计原则：

• 上下文确定性——不再依赖向量相似度碰运气，Agent 通过路径浏览找到确切上下文
• 按需分层加载——写入时将内容处理为 L0/L1/L2 三层，推理时只加载任务所需深度
• 可观测检索——每次查询保留完整的目录遍历轨迹，结果可复盘、可调试
• 会话自进化——每次会话结束后，异步将用户偏好和 Agent 经验提取为长期记忆

认可度

• GitHub Star：27,275（截至 2026-07-27）
• Fork：2,144
• 本周增长： 持续 trending，多篇技术社区文章跟进报道
• GitHub 更新时间：2026-07-27（今日最新）
• Benchmark 成绩： LoCoMo 长会话记忆准确率 80–83%（较基线提升 +56pp）；Agent 经验记忆任务成功率提升 +6.87pp（零售场景）和 +11.87pp（航空场景）

链接

GitHub：https://github.com/volcengine/OpenViking

原作者

volcengine（字节跳动旗下云计算品牌）

项目官网：https://openviking.ai

在线体验（无需安装）：https://openviking.ai/studio

介绍

构建 AI Agent 时，上下文管理是公认的最难题之一：记忆存在代码里、资源散落在向量数据库、技能没有统一入口——上下文碎片化导致检索质量差、长任务上下文爆炸、传统 RAG 像黑盒一样无法调试。

OpenViking 从头重新设计了这套体系：所有上下文（memory、resources、skills）被组织为一个虚拟文件系统，通过 viking:// 协议寻址。Agent 不再向量化搜索，而是像开发者浏览文件一样，用 ls 列出目录、用 read 读文件、用 find 搜索。写入时，系统自动将每条上下文处理为 L0（摘要，约 100 tokens）、L1（概述，约 2k tokens）、L2（完整内容）三层，按需加载——既省 Token，又能保证信息完整。

检索层面，OpenViking 采用目录递归策略：向量检索先定位最高分目录，再逐层向下钻取，每次筛选都保留周围上下文，最终聚合结果。整条检索路径可复盘——结果出错时，能直接看到是哪一步走偏了。

特点

• 文件系统范式——统一的 viking:// URI 寻址，记忆、资源、技能三大类上下文共存于同一棵目录树
• 三层按需加载——L0/L1/L2 分层，写入预计算，推理时只加载任务所需深度，Token 消耗大幅降低
• 目录递归检索——非平面向量搜索，支持逐层钻取，上下文完整性高，可观测可调试
• 会话自进化记忆——每次对话结束后，异步提取用户偏好和 Agent 执行经验为长期记忆
• Benchmark 实测有效——长会话记忆准确率从 24–57% 提升至 80–83%；Agent 任务成功率提升 6–12 个百分点
• 跨 Agent 兼容——文档中明确提及支持 OpenClaw，可与 Claude Code、Cursor、Cline 等多种 Agent 协同使用

使用方法

安装：

pip install openviking --upgrade

启动本地服务：

openviking-server init   # 交互式初始化
openviking-server        # 启动服务（日志输出到 openviking.log）

Docker 快速体验：

docker run -p 8000:8000 openviking/openviking

Python 客户端基础调用：

from openviking import VikingClient
client = VikingClient()

# 语义搜索
results = client.find("user authentication")

# 列出目录
client.ls("viking://resources/")

# 读取文件
content = client.read("viking://resources/my_project/docs/api.md")

# 获取摘要（L0）
abstract = client.abstract("viking://...")

为 AI Agent 加载项目上下文：

# 将本地项目文档注入 viking://
client.load("viking://resources/my_project/", "./my_project/docs/")

使用场景与人群

适用场景：

• 长周期 AI Agent 开发（多轮对话、复杂任务链）
• 企业级知识库 RAG（需要可治理、可溯源的上下文）
• 多 Agent 协作系统（需要共享记忆与技能上下文）
• 需要频繁上下文调试的 AI 应用开发

目标用户：

• AI Agent 开发者与框架维护者
• 企业 AI 平台工程师
• RAG / 知识管理方向的研究者

输入与输出案例

案例 1：长会话记忆查询

输入（Agent 问）：”用户上次要求我使用哪个 API 端点？”

检索过程：OpenViking 在 viking://user/{user_id}/memories/ 目录下递归查找，快速定位用户偏好的调用习惯。

输出：返回 L1 概述（约 2k tokens），包含用户偏好的端点、参数命名风格、认证方式，而非将整个会话记录塞进上下文窗口。

案例 2：项目资源按需加载

输入：开发者要求 Agent 阅读 viking://resources/my_project/ 下的 API 文档。

OpenViking 行为：

• 先返回 L0（摘要）：”API 文档，包含认证、用户管理、订单三个模块”
• Agent 判断需要用户管理模块后，加载 L1（概述）：”用户管理模块 v2，含 CRUD、批量操作、Webhook 回调”
• 最后按需加载 L2（完整内容）：完整 Markdown 文件

传统方式 vs OpenViking：传统 RAG 可能直接返回全部相关片段，含大量无关噪声；OpenViking 通过目录递归定位，上下文完整性更高，Token 消耗更低。

GitHub: https://github.com/volcengine/OpenViking