W
AI-Wiki
CONCEPT

OpenViking分层上下文加载机制

基本定义

OpenViking分层上下文加载机制是字节跳动Viking团队推出的OpenViking专为AI Agent设计的核心上下文优化机制，属于OpenViking上下文文件系统范式下的核心能力之一，旨在解决AI Agent执行长周期任务、处理海量上下文时全量加载导致的Token成本过高、模型窗口溢出、信息截断损失等行业痛点。

三层结构详情

该机制在上下文写入OpenViking时，会自动对内容进行语义处理，生成三个层级的结构化信息，各层级的定位与用途明确区分：

L0层（摘要层）

仅包含一句话核心摘要，不携带额外细节，作用是供OpenViking目录递归检索策略快速判断当前上下文与Agent任务的相关性，无需加载完整内容即可完成初筛，过滤大量无关信息。

L1层（概述层）

包含上下文的核心信息、适用场景等关键内容，长度远小于原始内容，供Agent在任务规划阶段做决策使用，无需加载完整原始数据即可完成任务可行性判断、资源匹配等规划工作。

L2层（详情层）

存储完整的原始上下文数据，包括原始文本、多模态信息、附件等全部内容，仅当Agent在规划阶段确认需要深入读取该上下文的细节信息时，才会触发加载，避免无意义的Token消耗。

运行逻辑

  1. 写入阶段：用户或Agent调用client.add_resource()接口写入上下文时，OpenViking会自动调用配置的VLM模型与Embedding模型，同步生成L0、L1、L2三个层级的内容，分别存储在对应虚拟文件路径下。
  2. 检索阶段：Agent发起检索请求时，系统优先返回所有匹配结果的L0层内容，供Agent快速过滤无关条目。
  3. 加载阶段：Agent确认条目相关后，可调用client.overview()接口获取L1层内容完成任务规划；若规划阶段判断需要完整信息，再调用client.read()接口加载L2层原始数据。

核心优势与适用边界

核心优势

  • 相比传统全量加载上下文的模式，可大幅降低无效Token消耗，大幅降低大模型调用成本；
  • 避免了传统RAG截断上下文带来的不可逆信息损失，保证Agent可获取到完整的原始信息；
  • 适配各类AI Agent场景，从简单问答机器人到复杂长周期多Agent协同工作流均可兼容。

适用边界

  • 该机制仅适配OpenViking上下文数据库的虚拟文件系统架构，无法独立于OpenViking单独使用；
  • 分层内容的生成质量依赖配置的VLM模型能力，建议使用符合要求的多模态模型保证分层信息的准确性。

相关条目