简介
OpenViking 是一个开源的、专为 AI Agent 设计的上下文数据库。OpenViking 通过文件系统范式统一管理Agent 所需要的上下文（记忆、资源和技能），并实现上下文的分层供给与自我迭代，最终目标是降低 Agent 开发门槛，让开发者更专注于业务创新而非底层上下文管理。
为什么需要 OpenViking
在 AI 时代，数据易得，但高质量的上下文却难求。构建 AI Agent 时，开发者经常遇到这些挑战：
- 上下文碎片化：记忆在代码里，资源在向量库，技能散落各处，难以统一管理
- 所需上下文猛增：Agent 的长程任务在每次执行时都会产出上下文，简单的截断或压缩会导致信息损失
- 检索效果不佳：传统 RAG 是平铺式存储，缺乏全局视野，难以理解信息的完整语境
- 上下文不可观测：传统 RAG 隐式的检索链路如同黑箱，出错时难以调试
- 记忆迭代有限：目前记忆只是用户记忆的记录，缺乏 Agent 相关的任务记忆
OpenViking 正是为解决这些痛点而设计的上下文数据库。
核心特性
1. 文件系统管理范式
摒弃传统的扁平化数据库思维，将所有上下文组织为一套虚拟文件系统。Agent 不再仅是通过向量搜索来找数据，而是可以通过确定性的路径和标准文件系统指令来定位和浏览数据。
统一 URI 标识：每个上下文分配唯一的 viking:// URI，让系统能精准定位并访问存储在不同位置的资源。
viking://
├── resources/ # 资源：项目文档、代码库、网页等
│ └── my_project/
├── user/
│ └── {user_id}/ # 当前用户的私有上下文
│ ├── memories/ # 用户记忆
│ ├── resources/ # 用户私有资源
│ ├── skills/ # 用户私有技能（默认）
│ ├── peers/
│ │ └── {peer_id}/
│ │ ├── memories/
│ │ └── resources/
│ └── sessions/
└── agent/
└── skills/ # account 全局共享技能（可选）三种上下文类型：
| 类型 | 用途 | 生命周期 |
|---|---|---|
| Resource | 知识和规则（文档、代码、FAQ） | 长期，相对静态 |
| Memory | Agent 的认知（用户偏好、学习经验） | 长期，动态更新 |
| Skill | 可调用的能力（工具、MCP） | 长期，静态 |
类 Unix API：熟悉的命令式操作
client.find("用户认证") # 语义搜索
client.ls("viking://resources/") # 列出目录
client.read("viking://resources/doc") # 读取内容
client.abstract("viking://...") # 获取 L0 摘要
client.overview("viking://...") # 获取 L1 概览2. 分层上下文按需加载
将海量上下文一次性塞入提示词，不仅成本高昂，更容易超出模型窗口并引入噪声。OpenViking 在上下文写入时便自动将其处理为三个层级：
| 层级 | 名称 | Token 限制 | 用途 |
|---|---|---|---|
| L0 | 摘要 | ~100 tokens | 向量搜索、快速过滤 |
| L1 | 概览 | ~2k tokens | Rerank 精排、内容导航 |
| L2 | 详情 | 无限制 | 完整内容、按需加载 |
viking://resources/my_project/
├── .abstract.md # L0 层：摘要
├── .overview.md # L1 层：概览
├── docs/
│ ├── .abstract.md # 每个目录都有对应的 L0/L1 层
│ ├── .overview.md
│ └── api.md # L2 层：完整内容
└── src/3. 目录递归检索
单一的向量检索难以应对复杂的查询意图。OpenViking 设计了一套创新的目录递归检索策略：
- 意图分析：通过意图分析生成多个检索条件
- 初始定位：利用向量检索快速定位初始切片所在的高分目录
- 精细探索：在该目录下进行二次检索，并将高分结果更新至候选集合
- 递归下探：若目录下仍存在子目录，则逐层递归重复上述二次检索步骤
- 结果汇总：最终拿到最相关上下文返回
这种"先锁定高分目录、再精细探索内容"的策略，不仅能找到语义最匹配的片段，更能理解信息所在的完整语境。
4. 可视化检索轨迹
OpenViking 的组织方式采用层次化虚拟文件系统结构，所有上下文均以统一格式整合且每个条目对应唯一 URI，打破传统扁平黑箱式管理模式。
检索过程采用目录递归策略，每次检索的目录浏览、文件定位轨迹均被完整留存，能够清晰观测问题根源并指导检索逻辑优化。
5. 会话自动管理
OpenViking 内置记忆自迭代闭环。提交会话后，系统会异步分析任务执行结果与用户反馈，并根据记忆策略更新当前用户或 Peer 的记忆。
内置记忆类型：
| 用途 | 内置类型 | 说明 |
|---|---|---|
| 用户与环境理解 | profile、preferences、entities、events | 记录用户画像、偏好、实体和事件 |
| 助手身份与连续性 | identity、soul | 记录助手身份、边界、风格和连续性 |
| 任务执行与学习 | cases、trajectories、experiences、tools、skills | 沉淀可训练案例、执行轨迹、经验和工具/技能使用知识 |
OpenViking 支持根据业务需要扩展或调整记忆类型。
让 Agent 在与世界的交互中"越用越聪明"，实现自我进化。