AI-Wiki

基本信息

OpenViking由字节跳动Viking团队研发，于2026年1月正式开源，是全球首款专为AI Agent设计的上下文管理数据库，核心目标是为AI Agent开发者提供极简、高效的上下文交互范式，解决传统上下文管理中碎片化、成本高、检索不准、黑箱不可控等痛点。

核心定位

OpenViking的定位为AI Agent专用上下文底座，适配从简单问答机器人、个人智能助手到复杂多智能体协同工作流、企业级自动化任务系统的全场景AI Agent开发需求，可作为OpenClaw等多智能体框架的配套上下文管理组件使用。

核心特性

1. OpenViking上下文文件系统范式

OpenViking摒弃传统RAG的扁平化向量存储模式，将Agent所需的记忆、资源、能力全部抽象为虚拟文件，统一映射到viking://协议下的虚拟目录，每个条目拥有唯一URI，支持list、find等标准文件操作指令，实现上下文从模糊语义匹配到确定性、可追溯操作的升级，彻底解决上下文碎片化问题。

2. OpenViking分层上下文加载机制

OpenViking在上下文写入时自动将内容拆分为三级结构，实现按需加载，大幅降低Token消耗：

L0（摘要）：一句话概括内容，用于快速相关性判断
L1（概述）：包含核心信息和适用场景，供Agent任务规划阶段决策使用
L2（详情）：完整原始数据，仅在Agent确有需要时读取加载

3. OpenViking目录递归检索策略

OpenViking创新融合目录定位与语义搜索能力，检索流程为：首先通过意图分析生成多维度检索条件，再通过向量检索定位初始高分目录，随后在目录内进行二次精细检索，若存在子目录则逐层递归重复检索步骤，最终返回最相关上下文。该策略兼顾语义匹配精度与全局语境理解，避免传统平铺式RAG丢失关键关联信息的问题。

4. 上下文可观测

OpenViking完整留存每次检索的目录浏览、文件定位全轨迹，支持可视化展示检索链路，打破传统RAG的黑箱模式，方便开发者快速定位检索错误根源，针对性优化检索逻辑。

5. OpenViking上下文自迭代机制

OpenViking内置记忆自迭代闭环，每次会话结束后可通过session.commit()主动触发，系统会异步分析任务执行结果与用户反馈，自动更新User和Agent的/memory目录：既可以沉淀用户偏好记忆，让Agent回应更贴合用户需求；也可以提取操作技巧、工具使用经验等Agent专属能力，实现Agent“越用越聪明”的复利效果。

集成与适配

OpenViking无需部署复杂后端服务，仅需几行Python代码即可完成集成，具体流程如下：

安装依赖：执行pip install openviking即可完成安装
模型服务准备：需获取VLM（多模态理解）和Embedding（向量化）两类模型的API Key，支持三类模型服务：
- OpenAI官方模型：支持GPT-4V等VLM模型、text-embedding系列向量模型
- 火山引擎豆包模型：成本更低性能更优，新用户提供免费额度
- 其他自定义模型：所有兼容OpenAI API格式的模型服务均可适配
编写配置文件ov.conf并设置OPENVIKING_CONFIG_FILE环境变量即可完成初始化
通过add_resource、find、read等标准API即可实现上下文的写入、检索、读取全流程操作。

开源与社区

OpenViking代码托管于GitHub仓库：https://github.com/volcengine/OpenViking，官方网站为https://openviking.ai，项目采用开源许可协议开放所有核心能力，欢迎开发者提交Issue、贡献代码共同迭代。

OpenViking