OpenViking
OpenViking 是一个专为 AI 智能体设计的开源上下文数据库（Context Database）。
它通过 文件系统范式（filesystem paradigm），统一管理智能体所需的 记忆（memory）、资源（resources）和技能（skills），从而实现 层次化上下文传递与自我进化能力。 ([agentskill.work][1])
项目概述
OpenViking 提供一种新的方式来组织 AI Agent 的上下文。
传统系统通常仅依赖 向量数据库（vector database） 来存储和检索上下文，而 OpenViking 采用类似 文件系统目录结构 的方式管理上下文数据。 ([Jimmy Song][2])
通过这种方式，可以：
- 将上下文按 目录 / 文件结构组织
- 进行 层次化检索
- 提供 可观察的检索路径
- 减少 LLM token 消耗
核心理念
OpenViking 将 AI Agent 所需的一切上下文统一抽象为：
Context
├── Memory
├── Resources
└── Skills
并以 类似文件系统的结构进行组织。
例如：
viking://
├── memory/
│ ├── user/
│ └── session/
├── resources/
│ ├── documents/
│ └── knowledge/
└── skills/
├── tools/
└── workflows/
这种结构使得 Agent 可以：
- 根据目录位置进行上下文定位
- 结合语义检索进行精准检索
关键特性
1. 文件系统式上下文组织
OpenViking 使用 目录与文件 的方式组织上下文：
- 支持递归目录检索
- 支持目录定位
- 支持结构化知识组织
这种方式比单纯的向量检索更加可控。 ([Jimmy Song][3])
2. 分层上下文加载（Tiered Context Loading）
上下文分为三个层级：
| 层级 | 含义 |
|---|---|
| L0 | 抽象层（简短摘要） |
| L1 | 概览层 |
| L2 | 详细内容 |
Agent 在推理时：
- 先加载 L0
- 再按需加载 L1
- 必要时加载 L2
这样可以显著 减少 token 消耗。 ([Jimmy Song][3])
3. 可视化检索路径
OpenViking 会记录：
- 检索路径
- 检索决策过程
- 检索结果来源
这样可以实现：
- 调试 RAG
- 分析 Agent 行为
- 优化检索策略
4. 统一上下文管理
OpenViking 将 Agent 需要的所有内容统一管理：
- Memory（记忆）
- Knowledge（知识）
- Resources（资源）
- Skills（技能）
从而避免：
- 上下文碎片化
- 多系统耦合
使用场景
OpenViking 适用于以下 AI Agent 系统：
1. 长生命周期 Agent
例如：
- 自动化任务 Agent
- 编程 Agent
- 研究 Agent
需要长期记忆管理。
2. 高级 RAG 系统
结合：
- 目录结构定位
- 向量语义搜索
从而提高检索精度。
3. 上下文工程（Context Engineering）
适用于：
- 构建 Agent 知识体系
- 管理工具与技能
- 管理上下文数据结构
技术架构
OpenViking 采用模块化架构：
主要模块包括：
OpenViking
├── Storage Layer
│ └── 上下文存储
├── Retrieval Layer
│ └── 检索引擎
├── Session Layer
│ └── 会话管理
├── Parser Layer
│ └── 内容解析
并支持：
- 多模型 embedding
- 多模型推理
- 本地或云部署
支持的模型后端
OpenViking 可以与多个模型服务配合使用，例如：
- OpenAI
- Volcengine
- 自定义模型
用于：
- Embedding
- VLM
- 推理
技术背景
OpenViking 来自字节跳动 Viking 系列产品线。
该团队此前推出：
- VikingDB（向量数据库）
- Viking KnowledgeBase
- Viking MemoryBase
这些产品主要用于 大规模非结构化数据检索与 AI 应用。 ([PyPI][4])
项目特点
- 开源
- 面向 AI Agent
- 文件系统式上下文管理
- 层级上下文加载
- 可观测检索
- Agent 自进化能力
开源协议
Apache 2.0 License
