OpenViking Skill：让 AI 智能体拥有持久记忆的上下文数据库

Skill超级捕获手 技术创作者 2026-09-16 1465 阅读

OpenViking Skill：让 AI 智能体拥有持久记忆的上下文数据库

OpenViking 是由字节跳动火山引擎开源的 AI 智能体上下文数据库，通过虚拟文件系统（viking:// 协议）统一管理记忆、资源和技能，让智能体像开发者操作本地文件一样浏览和检索自己的上下文。36,700+ GitHub 星、持续 GitHub Trending 上榜，9 月日均增长 169 颗星——它是目前 AI Agent 记忆层最被关注的基础设施项目之一。

功能与原则

OpenViking 的核心设计理念是「让智能体的上下文可见、可复用、可调试」：

  • 统一上下文管理：记忆（user memories）、资源（project docs/code）、技能（skills）全部通过 viking:// URI 寻址，智能体用 ls、tree、find 直接操作，无需额外交互界面
  • 分层按需加载：每个目录自动生成 L0 摘要（单句判断相关性）、L1 概览（结构 + 要点供规划用）、L2 详情（完整内容仅在需要时加载），大幅降低 token 消耗
  • 目录递归检索：向量搜索先定位最高相关目录，再逐层向下探索，保证结果自带周围上下文，不破坏语义连贯性
  • 可观测检索轨迹：每次检索留下完整浏览路径，开发者可以回溯调试，而非只看最终答案

认可度

  • GitHub Stars：36,700+（截至 2026-09-12，7 日均值 +169 星/天，30 日均值 +281 星/天，仍在加速）
  • GitHub Trending：多次进入日榜 / 周榜，曾登顶第 2 位
  • 学术界验证：论文分别被 VLDB 2026 和 ICDE 2026 接收；LoCoMo 记忆评估中，接入 OpenViking 的智能体记忆准确率从原生 24–57% 提升至 80–83%；在 tau2-bench 零售与航空任务中，经验记忆带来 +6.87pp 和 +11.87pp 的成功率提升
  • 集成生态：支持 Claude Code、Codex、Cursor、OpenClaw、Hermes、OpenCode、pi、LangChain/LangGraph 等主流 Agent 框架

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平台，聚焦 AI 基础设施。其团队同时开源了 Ark CLI 等工具链，OpenViking 是其在 Agent Memory 方向的核心产品。

介绍

OpenViking 起源于一个朴素的问题：AI 智能体每次新会话都从零开始，无法记住用户的编码习惯、项目上下文和跨会话经验。RAG 系统擅长文档检索，但无法解决「智能体自己的状态和记忆」问题。

OpenViking 的解决方案是把上下文建模成虚拟文件系统。记忆、资源、技能分别放在 viking://user/、viking://resources/、viking://skills/ 下，智能体可以像操作普通文件一样读写和搜索。写入时内容自动处理成 L0/L1/L2 三层；检索时智能体先读摘要判断相关性，再按需加载详情——既省 token，又保证精度。

每次检索都有完整轨迹记录，开发者能看到「智能体是怎样一步步找到这条上下文的」，而不是只得到一个黑盒答案。会话结束后，OpenViking 自动异步提取用户偏好和智能体经验写入长期记忆，下次会话直接复用。

基准测试数据有力：在 LoCoMo 用户记忆评估中，接入后准确率提升至 80–83%，同时 token 消耗降低 34–91%、查询延迟降低 58–66%。

特点

  • viking:// 虚拟文件系统：统一的 URI 寻址，智能体用标准文件操作管理所有类型上下文
  • 三层加载机制：L0 摘要 → L1 概览 → L2 详情，智能体按需取用，节省 token
  • 目录递归检索：向量搜索定位目录后逐层向下探索，结果自带语义边界，不割裂上下文
  • 可观测检索轨迹：每条检索结果都附带完整路径回溯，开发者可调试可审计
  • 会话 → 记忆自动转化：提交会话后异步提取用户偏好和经验，跨会话复用，降低重复解释成本
  • 多 Agent 框架集成：Claude Code / Codex / Cursor / OpenClaw / Hermes / OpenCode / pi / LangChain 原生接入
  • 多语言 SDK：Python / Go / TypeScript + HTTP API，覆盖主流开发场景
  • 学术背书：VLDB 2026 + ICDE 2026 双接收，记忆评估数据可复现

使用方法

安装

pip install openviking --upgrade

初始化

openviking-server init   # 配置 embedding 模型和 VLM 提供方
openviking-server doctor # 检查配置连通性
openviking-server       # 启动服务

CLI 快速上手

ov status
ov add-resource https://github.com/volcengine/OpenViking
# 等待任务完成（ov task status <TASK_ID>）
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

Agent 接入（以 Claude Code 为例）

# 通过 Hook + MCP 方式接入
# 详见：https://docs.openviking.ai/en/agent-integrations/02-claude-code

配置文件在 ~/.openviking/ov.conf，支持 Volcengine、OpenAI、Kimi、GLM、Ollama 等多种 Provider。

Docker 部署

docker run -p 8080:8080 openviking/openviking

使用场景与人群

适用场景：

  • 需要跨会话记忆的 AI Coding Agent：智能体记住用户偏好、项目规范、历史经验，不再每次从头解释
  • 长周期任务协作：多轮对话中保持上下文连贯，避免记忆断层导致答非所问
  • 知识密集型 RAG 场景：OpenViking 的目录检索机制比传统 flat 向量检索更精确，结果带语义边界
  • 构建研究助手或顾问类 Agent：自动提取论文、文档的核心观点，构建可查询的知识库

目标用户：

  • 已经在使用 Claude Code / Codex / Cursor 等 AI 编程工具、但受困于「每次都要重新说明上下文」的开发者
  • 构建 AI Agent 产品、需要可靠记忆层基础设施的工程师
  • 研究 LLM Memory / Agent Memory 方向的研究者和高校团队

输入与输出案例

案例一：开发者查询项目上下文

用户（开发者）：「OpenViking 是如何做检索的？」

OpenViking 内部行为：
1. ov find "how does OpenViking retrieve" → 在 viking://resources/ 下检索
2. 返回匹配条目及 URI：viking://resources/volcengine/OpenViking/docs/en/retrieval.md
3. 智能体读取 L0 摘要判断相关性 → 加载 L2 详情 → 返回包含检索路径的解释

案例二：会话提交后记忆复用

用户完成一个编码任务后退出，次日再次打开 Claude Code：

  • OpenViking 自动将昨日会话中的用户偏好（如「偏好用 TypeScript」「不接受 any 类型」）提取并写入 viking://user/{user_id}/memories/preferences/
  • 新会话开始时，智能体自动加载这些记忆，无需用户重复说明
  • 评估数据：在 tau2-bench 航空场景中，经验记忆带来 +11.87pp 任务成功率提升

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

评论区

0 条评论

登录后可评论。

Skill超级捕获手 1465 阅读