面向 AI Agent 的上下文数据库 English / 中文 / 日本語 Website · Live Demo · GitHub · Issues · Docs · Blog OpenViking 是一个面向 AI Agent 的开源上下文数据库——用一个文件系统承载 Agent 所知道的一切：知识、记忆和技能。 大多数 Agent 记忆都是黑盒：文本输入，embedding 输出，没人能看到实际存了什么。OpenViking 把上下文组织成 viking:// 下的虚拟文件系统。Agent 像操作文件一样浏览它——ls、tree、read、write、grep——你也可以打开任意目录，查看和编辑 Agent 所知道的内容。每个目录都带有生成的摘要，Agent 可以先扫一遍摘要，再决定读什么。 在浏览器里试试 OpenViking Studio，无需安装。也可自托管 Web Studio。 一个文件系统，承载知识、记忆和技能。Resources 存放文档和代码；memories 保留用户偏好和经验；skills 定义如何执行任务——不只是抽取出来的事实，而是完整的上下文，每一项都有 viking:// URI，便于浏览和检索。→ Viking URI · Context types 搜索一个目录，而不是整个索引。把语义搜索限定到某个项目或记忆子树，而不是扫描扁平的向量池。find 直接执行查询；search 根据会话上下文规划检索。→ Retrieval 先读摘要，再读原文。生成的目录摘要（L0）和概览（L1）让 Agent 在打开完整内容（L2）之前先判断相关性。→ Context layers 会话变成可读的文件。提交会话会归档对话，并把记忆抽取成 Markdown，你可以查看、编辑和合并。启用 VikingBot 后，ov compile 会把源材料整理成 wiki、知识图谱或报告。→ Sessions · Context compilation Architecture · Design rationale viking:// ├── resources/ # Resources: project docs, repos, web pages, etc. │ └── my_project/ │ ├── docs/ │ │ ├── api/ │ │ └── tutorials/ │ └── src/ └── user/ └── {user_id}/ ├── memories/ │ └── preferences/ │ ├── writing_style │ └── coding_habits ├── resources/ │ └── private_project/ ├── skills/ │ ├── search_code │ └── analyze_data └── peers/ └── web-visitor-alice/ 三个加载层级： 经过语义处理的目录带有 L0/L1 摘要，Agent 可以在读取完整文件之前判断相关性： viking://resources/my_project/ ├── .abstract.md # L0: quick relevance check ├── .overview.md # L1: structure and key points └── docs/ ├── .abstract.md ├── .overview.md └── api/ ├── auth.md # L2: full content, loaded on demand └── endpoints.md 有效性验证 OpenViking 0.3.22 已在长对话用户记忆（LoCoMo）和多轮 Agent 任务（tau2-bench）上完成评估。完整结果和设置细节（包括知识库问答）见 benchmark report；复现脚本位于 ./benchmark。 要运行你自己的实验，请参阅 RAG and Memory evaluation guide，其中覆盖常规 VikingBot 记忆评估、已发布的 LoCoMo 复现、独立的 mem0 prompt 对比以及 RAG 评估。 记忆评估使用 Doubao 2.0 Pro 作为 VLM，Doubao-embedding-vision-251215 作为 embedding 模型。 用户记忆（LoCoMo）：使用 OpenViking 后，三种 Agent 集成均达到 80–83% 的准确率——相比它们原生记忆的 24–57% 有明显提升——同时输入 token 减少 34.3–91.0%，查询延迟降低 58.45–66.10%。 Agent 体验（tau2-bench）：在相同的 LLM 上，experience memory 使任务成功率分别提升 +6.87pp（零售）和 +11.87pp（航空）。 快速开始 先搭建一个 OpenViking 服务器；如果你已经有服务器，跳到 Use it with your agent。自行部署需要 uv、Python 3.10+，以及一个提供 embedding 模型和 VLM 的模型提供商。 按照这份指南为我安装并启动一个 OpenViking Server： https://docs.openviking.ai/en/getting-started/04-setup-for-agent 向我询问模型提供商、模型、工作目录，以及其他机器是否需要访问该服务器；不要猜测。当你询问模型 API key 时，如果我更愿意不把它粘贴到这个对话里，告诉我如何交付， 并且永远不要把它复述回来。 运行起来后，告诉我服务器的地址以及是否开启了认证。 你的 Agent 会先询问使用哪个模型提供商，并索要其 API key。 安装 OpenViking 并运行安装向导，由它配置模型： uv tool install openviking --upgrade && openviking-server init init 会写入 ~/.openviking/ov.conf，支持 Volcengine、OpenAI、Codex OAuth、Kimi、GLM 和本地 Ollama；参见 configuration guide。服务器在前台运行，所以请保持这个终端打开。 同一个 OpenViking 服务，由 Volcengine 为你运行。前 50 个文件免费。在 Volcengine 产品页激活，然后在控制台的 User Management → API Key 下创建 API key。服务器地址是 https://api.vikingdb.cn-beijing.volces.com/openviking；连接 Agent 时你会用到它和 API key。 openviking 包包含 ov CLI。服务器运行后，导入一个仓库并搜索它： ov status ov add-resource https://github.com/volcengine/OpenViking

Replace TASK_ID with the returned task_id; repeat until status is completed

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 ov find 返回匹配的上下文及其 URI，你可以进一步查看。客户端配置（ov config）、独立 CLI 安装和索引维护见 CLI setup。 用 Python、Go 或 TypeScript SDK，或 HTTP API 构建你自己的集成。 把你的编码 Agent 连接到 OpenViking，获得跨会话记忆。记忆插件安装器覆盖 Claude Code、Codex、Cursor、TRAE、OpenCode 等，并能检测你已安装了哪些。 安装 OpenViking 记忆插件并帮我开始使用它。OpenViking 是一个面向 AI Agent 的上下文数据库（https://github.com/volcengine/OpenViking）；下面的命令和链接来自其官方文档。

（原文较长，此处译出前 6000 字，完整内容请点「打开原文」。）