📁

OpenViking

Open-source Context Database for AI Agents

25k

⭐ GitHub Stars

Volcengine

字节跳动出品

Python

AGPL-3.0

📌 什么是 OpenViking

OpenViking 是面向 AI Agent 的开源上下文数据库，采用 文件系统范式（Filesystem Paradigm） 统一管理 Agent 的三大核心上下文：记忆（Memories）、资源（Resources）和技能（Skills）。

核心思路：用 viking:// 协议将 Agent 的所有上下文组织成一个虚拟文件系统，Agent 可以像操作本地文件一样浏览、检索和加载上下文。

核心理念： Agent 的上下文管理不应该是一堆散落的向量检索 API —— 而应该是一个结构化、可导航、按需加载的文件系统。

该项目由 VikingMem 研究论文支撑（VLDB 2026），从学术层面验证了这种文件系统范式在 Agent 上下文管理中的有效性。

🗂️ L0 / L1 / L2 三层上下文加载

OpenViking 的关键创新：不是一次性把所有上下文塞给 LLM，而是按三个层级按需加载，精确控制 token 消耗。

~100 tokens

Abstract 摘要

目录的最精简描述。用于快速判断"这个目录/文件是否与当前任务相关"。

~2k tokens

Overview 概览

中等粒度的上下文，包含关键信息摘要和结构化字段。用于初步理解和决策。

Full Detail

完整内容

完整的上下文内容，仅在确认相关时才加载。避免不必要的 token 浪费。

为什么这很重要？ Agent 通常有大量上下文（记忆、文档、工具描述），但每次任务只需要其中一小部分。L0/L1/L2 让 Agent 先"扫一眼目录"（L0），再"读概要"（L1），最后才"读全文"（L2），大幅节省 token 开销。

🔍 Directory Recursive Retrieval（目录递归检索）

OpenViking 不是简单的向量搜索，而是实现了目录递归检索策略，模拟人类在文件系统中"一层层翻找"的过程：

Step 1: Intent Analysis（意图分析）
    ↓ 分析 Agent 当前任务，确定需要哪类上下文
Step 2: Vector Positioning（向量定位）
    ↓ 用向量检索定位到相关目录区域
Step 3: Refined Exploration（精细化探索）
    ↓ 在定位到的目录中读取 L0/L1 摘要，筛选相关项
Step 4: Recursive Drill-down（递归下钻）
    ↓ 对相关子目录递归执行上述过程，直到找到 L2 完整内容

整个检索过程有可视化轨迹（Visualized Retrieval Trajectory），方便调试和观测 Agent 的上下文加载行为。

🔄 自动会话管理与记忆自迭代

OpenViking 在每次会话结束后自动执行：

提取用户偏好 — 从对话中学习用户的习惯、偏好和工作方式
提取 Agent 经验 — 记录哪些工具/策略在什么场景下有效
记忆自迭代 — 自动更新和组织记忆文件，保持上下文库的整洁和相关性

这使得 Agent 的上下文库不是静态的，而是随使用持续进化的。

⚖️ OpenViking vs mem0

维度	OpenViking	mem0
上下文模型	✅ 文件系统范式（viking://）	KV 向量存储
分层加载	✅ L0/L1/L2 三级按需加载	❌ 一次性检索
上下文类型	✅ 记忆 + 资源 + 技能统一管理	主要为记忆
检索策略	✅ 目录递归检索（意图→向量→递归）	向量相似度搜索
可观测性	✅ 可视化检索轨迹	❌ 黑盒检索
Token 效率	✅ 三级按需加载，节省 70%+ token	全量返回
会话管理	✅ 自动提取偏好与经验	手动管理
学术支撑	✅ VLDB 2026 (VikingMem)	社区驱动
社区规模	25k ⭐	较大

🚀 快速开始

安装

pip install openviking

基本使用 — Python

from openviking import VikingDB

# 初始化上下文数据库
db = VikingDB()

# 添加记忆（自动组织到文件系统中）
db.add_memory("user_preferences", {
    "language": "Python",
    "editor": "VS Code",
    "style": "prefer concise code"
})

# 添加资源（文档、代码片段等）
db.add_resource("project_docs/README.md", content="...")

# 添加技能描述
db.add_skill("web_search", description="Search the web for information")

# Agent 查询 — 使用 viking:// 协议导航
context = db.retrieve(
    query="用户的编程偏好是什么？",
    strategy="directory_recursive",  # 目录递归检索
    max_tokens=2000,                 # token 预算
)

# context 自动按 L0→L1→L2 加载，节省 token
print(context.items)   # 返回相关上下文项
print(context.trajectory)  # 可视化检索轨迹

会话结束后自动迭代记忆

# 会话结束后，OpenViking 自动提取并更新记忆
db.end_session(
    session_transcript=conversation_log,
    auto_extract=True,   # 自动提取用户偏好和 Agent 经验
    auto_organize=True,  # 自动整理文件系统结构
)

🔗 链接