OpenViking：让 AI Agent 拥有「自进化记忆」的开源上下文数据库

OpenViking：让 AI Agent 拥有「自进化记忆」的开源上下文数据库

OpenViking 是字节跳动火山引擎开源的一款 Agent 上下文数据库，将记忆（Memory）、知识（RAG）和技能（Skills）统一组织为一个虚拟文件系统，通过 viking:// 协议让 AI Agent 像开发者操作文件一样浏览、检索和管理自身上下文。本周 GitHub 斩获 +3,691 星（截至 2026-08-29 总星数 34,226），是 8 月最后一周 Agent 基础设施层最抢眼的新坐标之一。

功能与原则

OpenViking 将所有上下文内容——用户偏好、项目文档、代码仓库、Agent 技能——统一挂载为虚拟文件系统路径，Agent 用 ls、tree、find 等熟悉命令定位信息，而非向黑盒向量库发起查询。核心设计原则三条：

• 统一 URI 命名空间：viking:// 下每个资源都有稳定路径，检索行为可观测、可回放。
• 分层按需加载：写入时将每条内容处理为 L0（摘要）/L1（概述）/L2（详情）三个层级，Agent 按任务深度只加载对应层级，节省 token。
• 会话即记忆：对话结束后，OpenViking 异步将用户偏好和 Agent 经验提取为长期记忆，供后续会话复用。

认可度

• GitHub star：34,226（截至 2026-08-29），近一周 +3,691，持续出现在 GitHub Trending 榜
• 机构背景：字节跳动火山引擎出品，有工程化保障
• Benchmark 表现：在 LoCoMo（用户记忆）和 tau2-bench（多轮 Agent 任务）评测中，接入 OpenViking 后 Agent 准确率从基线的 24–57% 提升至 80–83%，token 消耗降低 34–91%，查询延迟降低 58–66%
• 生态定位：属于「Agent 记忆层」赛道，与 TencentDB-Agent-Memory、akitaonrails/ai-memory 同列，但 OpenViking 的虚拟文件系统方案差异化更明显

链接

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

原作者

火山引擎（Volcengine）——字节跳动旗下云服务品牌，专注 AI 基础设施与云原生工具链。OpenViking 由其研究团队维护，配套文档完整（含中文版）。

介绍

AI Agent 普遍面临一个根本矛盾：为了让模型「记得」上下文，开发者倾向于把所有历史对话和文档一股脑塞进 context——这在长对话场景里 token 消耗惊人，且检索质量无法保障。OpenViking 从数据模型层重新设计了上下文的组织方式。

它将所有上下文抽象为一棵目录树，每条记录在写入时自动生成三层视图：L0 是约 100 token 的摘要用于快速相关性判断，L1 是约 2k token 的结构化概述用于规划，L2 是完整原文仅在需要深度推理时加载。检索时，向量相似度先定位最高相关目录，再逐层向下钻取，返回结果天然携带所在层级的周边上下文，规避了向量检索「孤立的片段」问题。

每个查询都会留下完整的目录浏览轨迹（trajectory），开发者可以在结果不符合预期时精确回溯「是哪个路径导致了错误答案」——这是传统 RAG 系统难以做到的可观测性。

特点

• 统一虚拟文件系统协议：viking:// 下整合记忆、资源、技能、协作伙伴上下文，Agent 无需学习多种 API
• 三层分级加载：L0/L1/L2 按需读取，token 成本可量化压缩（官方测得 34–91% 降幅）
• 目录递进检索：不返回孤立节点，返回带父子上下文的信息树，避免断章取义
• 全链路可观测：每次检索产生轨迹文件，支持事后审计与错误定位
• 多 Agent 共享记忆：支持团队级记忆中枢场景，多 Agent 可读写同一记忆层
• Benchmarks 验证：LoCoMo + tau2-bench 双基准实测，接入后任务成功率提升 6–12 个百分点

使用方法

安装（需要 Python 3.10+）：

pip install openviking --upgrade
openviking-server init   # 交互式配置：选择模型提供商（支持火山引擎、OpenAI、Kimi、GLM、Ollama 等）
openviking-server doctor # 验证配置连通性
openviking-server        # 启动服务（后台运行）

在 Claude Code 或 Codex 中注册为 Skill：

Set up phone-harness for me. Clone https://github.com/ShawnPana/phone-harness into ~/.phone-harness (its canonical home), read `install.md` first, install it so `phone-harness` is a command on my PATH, and register it as an agent skill named phone-harness using `phone-harness skill` as the body, so you reach for it automatically. Then read `SKILL.md` for normal usage, and always read `src/phone_harness/helpers.py` because that is where the functions are. Then read `onboarding.md` and walk me through it.

（以上为官方安装 Agent 的标准引导语，可替换项目名适配 OpenViking）

Agent 通过 viking:// URI 读写上下文，典型操作：

# 写入记忆
viking://user/{user_id}/memories/preferences/writing_style  # L2 写入用户写作风格偏好

# 按需读取（Agent 根据任务深度自动选 L0/L1/L2）
# L0 返回一句话摘要，快速判断相关性
# L1 返回结构化概述，用于任务规划
# L2 返回完整原文，用于深度推理

使用场景与人群

适用场景：需要长期记忆的 Agent（客服、助手、研究代理）、多 Agent 协作项目（共享上下文层）、企业知识库 RAG（分层索引 + 轨迹审计）、个人 Agent 效率工具（偏好记忆 + 跨会话学习）

目标用户：Agent 开发者与框架维护者、企业 AI 应用架构师、RAG 系统性能优化者、AI 产品经理（评估 Agent 记忆层方案）

输入与输出案例

案例 1：用户偏好记忆

• 输入：用户连续三天在对话中表示「喜欢简洁的技术文档，不要太多废话」
• 输出：OpenViking 异步提取写入 viking://user/{id}/memories/preferences/writing_style，后续 Agent 自动缩短输出，避免冗长

案例 2：分层文档检索

• 输入：Agent 需要了解某项目的 API 认证机制，但只有模糊的「认证」关键词
• 输出（Level 0）：viking://resources/my_project/docs/auth/.abstract → “项目使用 OAuth 2.0 + JWT 进行 API 认证”
• 如需详情，Agent 继续加载 L1（概述）或 L2（完整 auth.md），而非把整个项目文档塞入 context

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