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/OpenVikingOpenViking 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 RAGResource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 个痛点上痛点表现 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 上下文猛增长程任务不断产出新上下文简单截断/压缩必然丢信息 检索效果差传统 RAG 平铺式存储缺乏全局视野难理解完整语境 过程不可观察检索链路像黑箱结果不对时无法定位原因 记忆迭代有限只记录用户说过什么缺少 Agent 自身的任务经验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://URIAgent 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/ # 原始会话上下文类型存什么特点Resource资源文档、代码、FAQ 等知识长期、相对静态Memory记忆用户偏好、Agent 学习到的经验长期、动态更新Skill技能工具、MCP 等可调用能力长期、静态在官方 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层级名称默认上限用途L0摘要.abstract.md约 256 字符向量搜索、快速判断相关性L1概览.overview.md约 4000 字符Rerank 精排、规划阶段导航L2详情无统一上限完整原文真正需要时才读关键在于每个目录都自带 L0/L1 sidecarAgent 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/技能初始定位向量检索先锁定得分最高的目录精细探索在该目录下二次检索高分结果进入候选集递归下探沿子目录逐层重复上述过程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用途内置类型用户与环境理解profile、preferences、entities、events助手身份与连续性identity、soul任务执行与学习cases、trajectories、experiences、tools、skills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.mdpip 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 AgentMCP 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 SDKsdk/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目录内容openviking/服务端核心retrieve/层级检索、session/会话与记忆、parse/解析与 L0/L1 生成、server/HTTP API 与 Web 控制台crates/ragfsRust 实现的虚拟文件系统内核openviking_cli/Python 侧ov命令行工具bot/vikingbot/VikingBot 智能体框架web-studio/可视化 Web 控制台前端sdk/、integrations/Python / TypeScript / Go SDK 与 LangChain 集成benchmark/LoCoMo、tau2 等评测复现脚本docs/zh/中文文档概念、架构、部署、Agent 接入全收录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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
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/OpenVikingOpenViking 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 RAGResource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 个痛点上痛点表现 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 上下文猛增长程任务不断产出新上下文简单截断/压缩必然丢信息 检索效果差传统 RAG 平铺式存储缺乏全局视野难理解完整语境 过程不可观察检索链路像黑箱结果不对时无法定位原因 记忆迭代有限只记录用户说过什么缺少 Agent 自身的任务经验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://URIAgent 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/ # 原始会话上下文类型存什么特点Resource资源文档、代码、FAQ 等知识长期、相对静态Memory记忆用户偏好、Agent 学习到的经验长期、动态更新Skill技能工具、MCP 等可调用能力长期、静态在官方 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层级名称默认上限用途L0摘要.abstract.md约 256 字符向量搜索、快速判断相关性L1概览.overview.md约 4000 字符Rerank 精排、规划阶段导航L2详情无统一上限完整原文真正需要时才读关键在于每个目录都自带 L0/L1 sidecarAgent 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/技能初始定位向量检索先锁定得分最高的目录精细探索在该目录下二次检索高分结果进入候选集递归下探沿子目录逐层重复上述过程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用途内置类型用户与环境理解profile、preferences、entities、events助手身份与连续性identity、soul任务执行与学习cases、trajectories、experiences、tools、skills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.mdpip 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 AgentMCP 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 SDKsdk/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目录内容openviking/服务端核心retrieve/层级检索、session/会话与记忆、parse/解析与 L0/L1 生成、server/HTTP API 与 Web 控制台crates/ragfsRust 实现的虚拟文件系统内核openviking_cli/Python 侧ov命令行工具bot/vikingbot/VikingBot 智能体框架web-studio/可视化 Web 控制台前端sdk/、integrations/Python / TypeScript / Go SDK 与 LangChain 集成benchmark/LoCoMo、tau2 等评测复现脚本docs/zh/中文文档概念、架构、部署、Agent 接入全收录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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
![[光学原理与应用-521]：对光的错误理解与纠偏](http://pic.xiahunao.cn/yaotu/[光学原理与应用-521]：对光的错误理解与纠偏)
