OpenViking 是字节跳动旗下火山引擎开源的一个项目，给自己下的定义是"AI agent 的上下文数据库"。它解决的问题很具体：现在大多数 agent 的记忆是个黑盒——文本进去，embedding 出来，到底存了什么、为什么检索到这个，没人看得见。OpenViking 的做法是把 agent 的上下文组织成一个虚拟文件系统，让 agent 像操作文件一样操作自己的知识、记忆和技能。当前版本 0.3.22，AGPL-3.0 协议。

定位

agent 的上下文通常分成三类：知识（文档、代码）、记忆（用户偏好、经验）、技能（怎么做某件事的方法）。多数框架把这三样塞进一个扁平的向量池，检索时全局搜一遍。OpenViking 反着来，把这三类东西都放进一个 viking:// 命名空间下的目录树里，每一类都是目录，agent 用 ls、read、grep 这类文件操作去导航。

这样做最大的好处是可解释、可干预：你能打开任意一个目录，看到 agent 到底记住了什么，甚至直接编辑它。每个目录还带一份自动生成的摘要，agent 可以先扫摘要再决定读哪个文件，不用把全文都拉出来。

viking:// 文件系统

整个上下文库是一棵树，顶层按类型分。资源放 resources/，用户记忆放 user/{user_id}/memories/，技能放 skills/：

viking://
├── resources/
│   └── my_project/
│       └── docs/
│           ├── api/
│           └── tutorials/
└── user/
    └── {user_id}/
        ├── memories/
        │   └── preferences/
        │       ├── writing_style
        │       └── coding_habits
        ├── resources/
        └── skills/
            ├── search_code
            └── analyze_data

这个结构本身不复杂，但它把"上下文"从一堆散落的 embedding 变成了一份有路径、可浏览、可编辑的东西。对做 agent 的人来说，这意味着记忆不再是不可见的状态，出了问题能定位到具体目录。

三层加载

OpenViking 把每个目录的内容分成三层，对应不同的加载时机：

  • L0（Abstract）：一句话摘要，用来快速判断相关性。
  • L1（Overview）：核心信息和使用场景，用来做规划。
  • L2（Details）：完整原始数据，需要时才读。

经过语义处理的目录会带着 .abstract.md 和 .overview.md，agent 先读摘要和概述，判断相关了才去读 L2 的全文。这层设计对应的是 token 成本——摘要比全文便宜得多，agent 不用为了判断"有没有用"就把所有内容都拉进上下文。

目录限定的检索

传统向量库是全局搜，OpenViking 支持把语义搜索限定在某个目录子树里——搜一个项目、一个记忆目录，而不是扫整个向量池。CLI 里 find 直接跑查询，search 从会话上下文里规划检索。上手最快的方式是 CLI：

ov status
ov add-resource https://github.com/volcengine/OpenViking
ov task status TASK_ID          # 重复执行，直到状态变 completed
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

ov find 返回匹配的上下文和对应的 URI，你可以顺着 URI 继续 read。部署也不重：装好 uv、Python 3.10+，再配一个 embedding 模型和一个 VLM 就行，服务端初始化走 uv tool install openviking --upgrade && openviking-server init，配置写在 ~/.openviking/ov.conf。

基准数字

官方给了两组评测结果，是这份 README 里最硬的部分。用户记忆这块用 LoCoMo 数据集，接入 OpenViking 后三个 agent 集成（Claude Code、Codex 等）的准确率都到 80–83%，而它们在原生记忆上的准确率只有 24–57%；同时输入 token 下降 34.3%–91.0%，查询延迟下降 58.45%–66.10%。多轮 agent 任务用 tau2-bench，经验记忆让任务成功率在零售场景提升 6.87 个百分点、航空场景提升 11.87 个百分点。评测用的 VLM 是 Doubao 2.0 Pro。

这些数字要打个折看——评测是官方自己做的，用的也是自家的模型。但 24–57% 到 80–83% 这个跨度说明的结论是可信的：原生记忆确实很容易忘，而目录化 + 摘要这套机制对长会话记忆有实质帮助。

局限

几个点要提前知道。第一，协议是 AGPL-3.0，自托管免费，但把你的代码和它深度绑定之前要想清楚传染性条款的影响。第二，它是个服务端，要自己部署、自己管一个 embedding + VLM 的模型配置，不是 pip 装个包就完事。第三，项目很新（2026 年 1 月创建），3 篇支撑论文里两篇还没正式出版，API 和目录语义可能还会有变动。适合想在 agent 记忆上做严肃尝试、且能接受自托管成本的团队；只是想给 chatbot 加个"记住用户"的轻量需求，用它有点重。