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

Skill超级捕获手 技术创作者 2026-09-17 1909 阅读

概述

OpenViking 是由字节跳动火山引擎推出的开源上下文数据库，专为 AI Agent 打造。它将 Agent 的记忆、知识 RAG 与技能统一收敛到虚拟文件系统 viking:// 中，通过 L0/L1/L2 三层加载机制实现按需读取——实测将用户记忆准确率从 24-57% 提升至 80-83%，Token 消耗降低 34-91%，延迟降低 58-66%。截至 2026 年 9 月，GitHub 已获约 38,000 Star（2,900+ Fork），月下载超 42 万次，是当前 Agent 记忆赛道最炙手可热的开源项目。

核心功能与设计原则

OpenViking 解决的是 Agent 的「记忆丧失」顽疾：传统方案中，Agent 的上下文是单次性的——对话一长，早期决策和用户偏好就被截断或遗忘。

设计原则：

  • 统一上下文数据库：不是又一个向量库，而是把记忆、资源、技能都当成数据库记录来管理
  • 虚拟文件系统优先：viking:// URI 体系让 Agent 像浏览本地文件一样导航上下文，而非在黑盒向量空间中搜索
  • 三层加载按需读取：L0 摘要（~100 tokens）快速判断相关性 → L1 概览用于规划 → L2 详情仅在需要时加载
  • 自进化记忆：会话提交后自动异步提取长期记忆，新记忆与已有记忆自动比对，决定新增、合并还是跳过
  • 多 Agent 互联：支持 peers/ 目录实现跨 Agent 共享上下文

认可度

  • GitHub Star：约 38,000（截至 2026-09-17），2,900+ Fork，490+ Open PR/Issue
  • 月下载量：约 42 万次（pip install 统计）
  • 社区：225+ 贡献者，活跃提交（今日最新 push），VLDB 2026 学术论文收录
  • 市场认证：GitHub Top 5% most starred 项目，CSDN 2026-08 月榜第 9 名，LinkedIn/StartUpCorners 持续追踪报道
  • 集成广泛：Claude Code、Codex、Cursor、TRAE、OpenClaw、Hermes、OpenCode、pi 等 15+ 主流 Agent 深度集成

链接

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

官方文档：https://docs.openviking.ai

Studio 在线体验：https://openviking.ai/studio

原作者

Volcengine（字节跳动火山引擎） — 字节跳动旗下云基础设施团队，以开源云原生工具链（veadk、ark-runtime 等）闻名。OpenViking 是其在 Agent 记忆层的核心产品，已形成完整 SDK 矩阵（Python / Go / TypeScript / HTTP API）。

详细介绍

传统 Agent 框架将上下文视为一次性消耗品：对话变长时，早期信息被截断或淹没在向量检索的噪声中。OpenViking 从头重新设计了这一范式——将 Agent 的全部上下文（记忆、资源、技能）组织为一个可寻址的虚拟数据库。

核心抽象：Viking URI

每个上下文单元都有确定地址，例如 viking://user/{user_id}/memories/preferences/coding_habits。Agent 使用 ls / tree / find / read / write 等操作浏览和写入上下文，而非调用黑盒检索 API。目录可携带 L0/L1 摘要，让 Agent 在读取完整内容前就能判断相关性。

三层加载机制

  • L0（摘要）：一句话总结（约 100 tokens），用于快速相关性判断
  • L1（概览）：目录结构和核心要点，用于规划阶段
  • L2（详情）：原始完整内容，仅在 Agent 确认需要时加载

这一机制使 Token 消耗大幅下降（34-91%），同时准确率不降反升。

会话→记忆自进化

当一个会话结束后，ov compile 命令会调用内置 skill 自动将对话内容组织为 wiki、知识图谱或报告，新记忆与已有记忆库自动比对合并，实现跨会话的持续学习。

特点

  • 统一虚拟文件系统：记忆 / 资源 / 技能三分域，共享 URI 寻址体系
  • L0/L1/L2 三层按需加载：Token 消耗降低 34-91%，准确率反而提升至 80-83%
  • 多 Agent 互联：peers/ 命名空间支持跨 Agent 共享上下文，多 Agent 协作场景天然适配
  • Benchmarks 实证：LoCoMo 用户记忆任务 +6~11pp 提升，tau2-bench 多轮任务 +6.87pp（零售）/ +11.87pp（航空）
  • 15+ 主流 Agent 深度集成：Claude Code、Codex、Cursor、TRAE、OpenClaw、Hermes、OpenCode、pi 等，开箱即用
  • 多语言 SDK + HTTP API：Python / Go / TypeScript SDK，通用 HTTP 接口，灵活嵌入各类技术栈
  • 桌面端 Studio（Beta）：macOS/Windows 可视化客户端，配置集成、查看召回/捕获事件

使用方法

安装

pip install openviking --upgrade

初始化

openviking-server init   # 交互式向导：选择模型供应商（Volcengine / OpenAI / Ollama 等）
openviking-server doctor # 验证配置和连通性
openviking-server        # 启动服务器

CLI 常用命令

ov status
ov add-resource https://github.com/volcengine/OpenViking
ov task status TASK_ID   # 等待任务完成
ov ls viking://resources/
ov tree viking://resources/volcengine -L 2
ov find "what is openviking"
ov grep "memory" --uri viking://resources/

集成示例（以 Claude Code 为例）

# 安装 Claude Code Hooks + MCP
# 参考文档：https://docs.openviking.ai/en/agent-integrations/02-claude-code

配置完成后，Claude Code 的每次会话自动将上下文同步到 OpenViking，跨会话召回用户偏好、项目约定和历史决策。

使用场景与人群

适用场景：

  • 多轮复杂项目：代码库大、周期长，需要 Agent 记住前序决策和用户编码风格
  • 多 Agent 协作：多个 Agent 共享同一用户上下文（如 Copilot + Claude Code 并用）
  • 用户个性化记忆：Agent 需要记住用户偏好、写作风格、工作习惯
  • 知识密集型问答：项目文档 / Wiki 频繁更新，需要 Agent 实时同步最新知识而非依赖静态向量索引

目标用户：

  • AI 应用开发者，构建需要持久记忆的 Agent 系统
  • 企业 AI 团队，解决 Agent 在长项目中的「失忆」问题
  • 研究者，关注 Agent 记忆层的架构设计与评估基准

输入与输出案例

案例 1：用户偏好记忆

输入：用户告诉 Agent「我习惯用 Ruff 做 Python lint，不要用 flake8」
处理：Agent 将偏好写入 viking://user/{user_id}/memories/preferences/linting_style
输出：后续所有会话中，Agent 自动调用 Ruff，无需重复说明

案例 2：会话→知识库编译

输入：一个 2 小时调试会话结束，提交至 OpenViking
处理：ov compile 异步提取会话内容，生成 L0/L1 摘要并与已有记忆比对
输出：记忆库新增「某模块的已知问题」条目，后续 Agent 在相关代码上下文自动召回该知识

GitHub：https://github.com/volcengine/OpenViking · 截至 2026-09-17 约 38,000 Star，月下载 42 万+

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 1909 阅读