W
AI-Wiki
CONCEPT

OpenViking目录递归检索策略

基本定义

OpenViking目录递归检索策略是字节跳动Viking团队研发的OpenViking上下文数据库的核心能力之一，依托OpenViking上下文文件系统范式的层次化虚拟目录结构设计，是对传统单一向量检索逻辑的优化升级，为AI Agent提供兼具精准性与全局性的上下文获取能力。

设计背景

该策略的研发初衷是解决朴素RAG技术的普遍痛点：

  1. 传统RAG采用文本切片平铺存储模式，缺乏全局目录视野，检索结果仅为碎片化片段，容易丢失上下文关联信息，导致语义理解偏差；
  2. 传统RAG过度聚焦片段语义相关性，在需要信息关联、兴趣泛化的开放式探索场景下检索效果不佳，无法满足AI Agent长周期任务、多工具协同的复杂上下文需求。

核心执行流程

该检索策略的执行逻辑严格遵循“先定位范围、再精细匹配”的原则，完整步骤如下：

  1. 意图分析生成多检索条件：首先对用户查询或Agent检索需求做深层意图解析，生成多维度、覆盖不同语义角度的检索条件，避免单一检索词带来的语义偏差；
  2. 向量检索定位初始高分目录：通过向量检索匹配目录元数据，快速定位相关性最高的初始高分目录，大幅缩小检索范围，降低全库检索的算力消耗；
  3. 目标目录下二次检索：在锁定的高分目录范围内执行精细化语义检索，将匹配度达到预设阈值的内容加入候选结果集；
  4. 逐层递归执行检索逻辑：若当前高分目录下存在子目录，则重复上述「目录定位-二次检索」逻辑，逐层递归遍历所有相关子目录，最终合并所有符合要求的结果返回。

核心优势

  1. 兼顾精度与全局性：既保证单片段的语义匹配精度，又能保留信息所在的完整目录语境，避免碎片化信息的理解偏差；
  2. 检索效率更高：通过前置目录定位环节，减少无效全库检索的算力消耗，检索速度较传统全库向量检索提升40%以上；
  3. 可观测性强：所有检索的目录浏览、文件定位轨迹均被完整留存，可用于检索逻辑优化与故障归因，配套OpenViking上下文自迭代机制可实现检索效果的持续升级；
  4. 适配AI Agent需求：可与OpenViking分层上下文加载机制配合，按需返回L0摘要、L1概述、L2详情不同层级的上下文内容，大幅降低不必要的Token消耗。

适用边界

适用场景

  • 拥有清晰目录结构的海量文档、企业知识库检索场景；
  • AI Agent长周期任务、多工具协同、多Agent交互场景下的上下文获取；
  • 开放式探索类、需要全局信息关联的检索需求。

不适用场景

  • 无任何目录结构、完全碎片化的散片文本检索；
  • 仅需要精准匹配单句短文本的极简检索场景。

相关条目