企业官网建设流程全解析

OpenViking项目全景解读：一个数据库统一Agent记忆、知识RAG与技能

【免费下载链接】OpenVikingSelf-evolving Context Database for AI Agents. Unify Agent Memory, Knowledge RAG and Skills.项目地址: https://gitcode.com/GitHub_Trending/op/OpenViking

OpenViking 是面向 AI Agent 的开源上下文数据库（Context Database）：它把 Agent 的**记忆（Memory）、知识 RAG（Resource）与技能（Skill）**统一放进一棵viking://虚拟目录树，内容写入时自动生成分层的摘要/概览/详情三层，按需加载、节省 token，每次检索都留下可回放、可调试的目录轨迹。对新手来说最大的好处是：不再需要同时维护一个向量库、一个记忆服务和一堆散落各处的技能文件——一个数据库全部搞定。

1、为什么 Agent 需要专门的"上下文数据库"？

构建 Agent 时，开发者普遍卡在 5 个痛点上：

OpenViking 就是为解决这些问题而生的：用文件系统范式 + 分层加载 + 可观察检索 + 会话自迭代四件套一次性解决。

2、核心设计：一棵"虚拟文件系统"装下记忆、知识与技能

OpenViking 把三类上下文统一抽象为目录结构，每个条目都有唯一的viking://URI，Agent 可以像开发者操作文件一样用ls、tree、find、grep来确定性地定位内容：

viking:// ├── resources/ # 资源：项目文档、代码库、网页等（知识 RAG） │ └── my_project/docs/ └── user/{user_id}/ ├── memories/ # 用户记忆：偏好、习惯、事件 ├── skills/ # 技能：可调用的工具、MCP └── sessions/ # 原始会话

在官方 Web Studio 里，这棵树就是可视化呈现的——左侧是上下文目录树，中间是每个节点的 L0 摘要与 L1 概览，右侧终端可以直接执行检索命令：

💡 设计要点：向量检索负责"找到"，文件路径负责"定位"，两者结合让 Agent 的上下文操作从"碰运气"变成"确定性"。

3、L0/L1/L2 三层加载：任务需要多深，就加载多深

把海量内容一次性塞进提示词，既贵又容易超出模型窗口。OpenViking 在写入时就自动把内容处理成三个层级：

关键在于：每个目录都自带 L0/L1 sidecar，Agent 在读完整文件之前就能判断"这个目录跟当前任务相不相关"，从而大幅减少无效 token 消耗。这是它相对传统 RAG"一刀切切片"的本质区别。

4、检索机制：从"黑盒"到"可观察"

OpenViking 采用两阶段检索，流程是：

1. 意图分析：LLM 把查询拆成 0–5 个带类型的子查询（记忆/资源/技能）；
2. 初始定位：向量检索先锁定得分最高的目录；
3. 精细探索：在该目录下二次检索，高分结果进入候选集；
4. 递归下探：沿子目录逐层重复上述过程；
5. Rerank 汇总：标量过滤 + 模型重排，返回带语境的完整结果。

更难得的是可观察性：每次检索都会记录"搜过哪些目录、命中了哪条 URI、各阶段耗时"的完整轨迹，结果不对时能直接看到它出自哪条路径：

5、会话自动沉淀：让 Agent"越用越聪明"

会话提交（commit）后，OpenViking 会异步分析对话结果与用户反馈，把有价值的信息提取成长期记忆，形成"记忆自迭代闭环"。内置记忆类型开箱即用：

也就是说，它不只是"记住用户说过什么"，还能沉淀Agent 自己的任务经验，让同类任务下次做得更好。

6、快速开始：5 分钟部署你的 OpenViking 上下文数据库

环境要求 Python 3.10+，安装启动只需三步（详细步骤见docs/zh/getting-started/02-quickstart.md）：

pip install openviking --upgrade openviking-server init # 交互式向导：选模型提供商、生成 ov.conf openviking-server doctor # 校验配置，不启动服务也能体检 openviking-server # 启动服务

init支持火山引擎、OpenAI、Kimi、GLM 和本地 Ollama 等多种提供商，选 Ollama 时还能自动检测并安装运行时。doctor会逐项检查配置、Python 版本、模型连通性和磁盘空间，全部 PASS 即可放心启动：

服务起来后，客户端命令ov就能体验"文件式"上下文操作：

ov add-resource https://github.com/volcengine/OpenViking --wait ov ls viking://resources/ ov find "what is openviking"

⚙️ OpenViking 需要两个模型能力：VLM（内容理解）+ Embedding（向量化）。以火山引擎为例，在控制台的"开通管理"中开通对应模型、创建 API Key 填入ov.conf即可：

希望从源码构建或二次开发时，可克隆仓库：git clone https://gitcode.com/GitHub_Trending/op/OpenViking；生产部署推荐 Docker 官方镜像（docker-compose.yml已在仓库根目录提供，默认暴露1933端口与/studioWeb 界面）。

7、如何把 OpenViking 接入你的 Agent（MCP 一键配置）

OpenViking 把召回结果注入 Agent 上下文，并自动提交会话记忆。已适配的 Agent 包括：Claude Code、Codex、Cursor、Trae、OpenCode、OpenClaw、Hermes、pi、LangChain/LangGraph以及任意MCP 客户端。

以 Cursor 为例：打开 Settings → Tools & MCPs → "Add Custom MCP"，粘贴配置中的 MCP JSON 并启用即可（完整步骤见docs/zh/agent-integrations/12-cursor.md）：

自研系统则可直接调用 HTTP API（默认http://localhost:1933），或使用官方多语言 SDK：sdk/python/、sdk/typescript/、sdk/go/；LangChain 用户还可以参考integrations/langchain/中的集成实现。

8、VikingBot：在上下文数据库之上搭一个会聊天的智能体

想要"开箱即用的 Agent"而不是只搭基础设施？OpenViking 内置了VikingBot智能体框架——一条命令就能在服务器上附带启动 Bot 网关与控制台：

pip install "openviking[bot]" openviking-server --with-bot ov chat # 另开终端即可对话

其源码位于bot/vikingbot/，包含通道（channels）、沙箱（sandbox）、技能（skills）、定时任务等完整模块，官方 Docker 镜像默认即随服务器一起启动。

9、实测数据：接入 OpenViking 前后的差距

官方评测（复现脚本在benchmark/目录）给出了相当直观的收益：

• 长对话用户记忆（LoCoMo）：三种 Agent 接入 OpenViking 后准确率从原生的 24%–57% 提升到80%–83%，同时输入 token 减少34.3%–91.0%，查询时延降低58.45%–66.10%；
• 多轮 Agent 任务（tau2-bench）：经验记忆让任务成功率在 Retail 场景提升6.87pp、Airline 场景提升11.87pp（同 LLM 无记忆对比）。

简单说：答案更准、token 更省、响应更快——这正是上下文数据库相对"裸奔 RAG"的核心价值。

10、项目结构速览：代码都放在哪

适合谁用：个人开发者想给自己的 Claude Code / Cursor 加"长期记忆"；团队想在生产环境把 Agent 上下文作为独立 HTTP 服务统一托管（支持多租户、API Key、加密与指标采集）；研究者则可以基于开源的 VikingMem 相关能力做记忆系统实验。

写在最后

OpenViking 把"Agent 记忆、知识 RAG、技能"三件事收敛进了一个类文件系统的上下文数据库：viking://统一寻址、L0/L1/L2 分层省 token、目录递归检索可观察、会话自动沉淀经验。如果你正在为 Agent 的上下文管理头疼，不妨先用pip install openviking花 5 分钟跑起来，再决定要不要把它纳入技术栈。

【免费下载链接】OpenVikingSelf-evolving Context Database for AI Agents. Unify Agent Memory, Knowledge RAG and Skills.项目地址: https://gitcode.com/GitHub_Trending/op/OpenViking