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/                   # 用户：个人偏好、习惯等
│   └── memories/
└── agent/                  # Agent：技能、指令、任务记忆等
    ├── skills/
    └── memories/

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

python

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 内置了记忆自迭代闭环。在每次会话结束时，开发者可以主动触发记忆提取机制，系统会异步分析任务执行结果与用户反馈，并自动更新至 User 和 Agent 的记忆目录下。

6 种记忆分类：

分类	归属	说明
profile	user	用户基本信息
preferences	user	按主题的用户偏好
entities	user	实体记忆（人物、项目）
events	user	事件记录（决策、里程碑）
cases	agent	学习的案例
patterns	agent	学习的模式

让 Agent 在与世界的交互中"越用越聪明"，实现自我进化。

下一步

快速开始 - 5 分钟上手
架构详解 - 理解系统设计
上下文类型 - 深入了解三种上下文
检索机制 - 了解检索流程

简介 ​

为什么需要 OpenViking ​

核心特性 ​

1. 文件系统管理范式 ​

2. 分层上下文按需加载 ​

3. 目录递归检索 ​

4. 可视化检索轨迹 ​

5. 会话自动管理 ​

下一步 ​

简介