Text Matrix
📰 行业快讯 💻 技术笔记 🎬 视频精读 🤔 思考与随笔 Docs 搜索
Text Matrix

目录

OpenViking：字节跳动开源的 19.6k Stars AI Agent 上下文数据库

 收录于 技术笔记
   约 5106 字   预计阅读 13 分钟 

OpenViking：字节跳动开源的 19.6k Stars AI Agent 上下文数据库

目标读者：构建 AI Agent、需要管理大量上下文的开发者 核心问题：如何让 AI Agent 高效管理记忆、资源和技能？ 难度：⭐⭐⭐⭐（专家设计） 来源：GitHub volcengine/OpenViking，2026-03-28

一、项目概览

1.1 为什么这个项目值得关注

OpenViking 是字节跳动开源的 AI Agent 上下文数据库，创新采用「文件系统 paradigm」统一管理 AI Agent 的记忆（Memories）、资源（Resources）和技能（Skills）。

核心数据：

指标数值
GitHub Stars19.6k
Forks1.4k
LicenseApache-2.0
官方文档https://www.openviking.ai/
官方群飞书群 / 微信群 / Discord

1.2 背景故事

AI 时代，数据充足，但高质量上下文稀缺。

开发者在构建 AI Agent 时经常面临以下挑战：

挑战说明
上下文碎片化记忆在代码里，资源在向量数据库，技能分散，难以统一管理
上下文需求暴涨Agent 长任务在每次执行都产生上下文，简单截断或压缩会导致信息丢失
检索效果差传统 RAG 使用扁平存储，缺乏全局视角，难以理解信息全貌
上下文不可观测传统 RAG 的隐式检索链像黑盒，出错时难以调试
记忆迭代有限现有记忆只是用户交互记录，缺乏 Agent 相关任务记忆

1.3 OpenViking 的解决方案

OpenViking 重新定义 Agent 的上下文交互范式，告别上下文管理的繁琐。

核心理念：「文件系统 paradigm（范式）」

传统方式OpenViking 方式
碎片化存储统一文件系统管理
简单截断L0/L1/L2 三层按需加载
扁平检索目录递归检索
黑盒检索可视化检索轨迹
被动记录自动会话管理

二、核心特性

2.1 文件系统管理范式

OpenViking 借鉴 Linux 文件系统的设计理念：

viking://                              # 根目录
├── memories/                          # 记忆目录
│   ├── sessions/                      # 会话记忆
│   └── long_term/                    # 长期记忆
├── resources/                          # 资源目录
│   ├── code/                          # 代码资源
│   ├── docs/                          # 文档资源
│   └── data/                          # 数据资源
└── skills/                            # 技能目录
    ├── builtin/                       # 内置技能
    └── custom/                        # 自定义技能

2.2 分层上下文加载（L0/L1/L2）

层级说明Token 消耗
L0核心上下文最低
L1扩展上下文中等
L2完整上下文最高

按需加载，显著节省成本。

2.3 目录递归检索

结合目录定位和语义搜索，实现递归精确的上下文获取。

2.4 可视化检索轨迹

支持目录检索轨迹可视化，清晰观察问题根因，指导检索逻辑优化。

2.5 自动会话管理

自动压缩对话中的内容、资源引用、工具调用等，提取长期记忆，让 Agent 越用越聪明。

三、技术架构

3.1 整体架构

┌─────────────────────────────────────────────────────────────┐
│                    OpenViking 架构                              │
├─────────────────────────────────────────────────────────────┤
│  SDK 层（多语言）                                            │
│  ┌──────────────┐  ┌──────────────┐                         │
│  │ Python SDK  │  │ Rust CLI     │                         │
│  │ openviking  │  │ ov_cli       │                         │
│  └──────────────┘  └──────────────┘                         │
├─────────────────────────────────────────────────────────────┤
│  VikingBot（AI Agent 框架）                                  │
│  基于 OpenViking 构建的 AI Agent 框架                        │
├─────────────────────────────────────────────────────────────┤
│  核心引擎层                                                  │
│  ┌──────────────┐  ┌──────────────┐  ┌──────────────┐       │
│  │ Context      │  │ Retrieval    │  │ Memory       │       │
│  │ Engine      │  │ Engine       │  │ Engine       │       │
│  └──────────────┘  └──────────────┘  └──────────────┘       │
├─────────────────────────────────────────────────────────────┤
│  存储层                                                      │
│  ┌──────────────┐  ┌──────────────┐                         │
│  │ File System  │  │ Vector Store │                         │
│  │ Paradigm    │  │ (Embedding) │                         │
│  └──────────────┘  └──────────────┘                         │
├─────────────────────────────────────────────────────────────┤
│  模型层                                                      │
│  ┌──────────────┐  ┌──────────────┐                         │
│  │ VLM Model   │  │ Embedding    │                         │
│  │ (视觉理解)  │  │ Model (向量化)│                         │
│  └──────────────┘  └──────────────┘                         │
└─────────────────────────────────────────────────────────────┘

3.2 支持的模型提供商

VLM 模型提供商：

提供商说明API Key 获取
volcengine火山引擎豆包模型火山引擎控制台
openaiOpenAI 官方 APIOpenAI Platform
litellm统一访问多种第三方模型（Anthropic、DeepSeek、Gemini、vLLM、Ollama 等）见 LiteLLM 文档

Embedding 模型提供商：

提供商说明
volcengine豆包 Embedding
openaiOpenAI Embedding
jinaJina AI
voyageVoyage AI
minimaxMiniMax
vikingdbVikingDB
geminiGoogle Gemini

3.3 核心目录结构

OpenViking/
├── bot/                      # VikingBot（AI Agent 框架）
├── build_support/           # 构建支持
├── crates/ov_cli/           # Rust CLI 工具
├── deploy/helm/             # Helm 部署
├── docs/                    # 文档
├── examples/                # 示例
├── openviking/              # 核心 Python 包
├── openviking_cli/          # Python CLI
├── src/                     # 核心源代码
├── tests/                   # 测试
└── third_party/             # 第三方依赖

四、快速开始

4.1 环境要求

工具要求
Python≥3.10
Go≥1.22（构建 AGFS 组件必需）
C++ 编译器GCC 9+ 或 Clang 11+（构建核心扩展必需）
操作系统Linux / macOS / Windows

4.2 安装

Python 包：

pip install openviking --upgrade --force-reinstall

Rust CLI（可选）：

# 方式一：安装脚本
curl -fsSL https://raw.githubusercontent.com/volcengine/OpenViking/main/crates/ov_cli/install.sh | bash

# 方式二：从源码构建
cargo install --git https://github.com/volcengine/OpenViking ov_cli

4.3 模型配置

OpenViking 需要以下模型能力：

模型类型说明
VLM 模型（视觉语言模型）用于图像和内容理解
Embedding 模型（嵌入向量）用于向量化和语义检索

4.4 配置示例

服务端配置 ~/.openviking/ov.conf：

{
  "storage": {
    "workspace": "/home/your-name/openviking_workspace"
  },
  "embedding": {
    "api_base": "<api-endpoint>",
    "api_key": "<your-api-key>",
    "provider": "volcengine",
    "dimension": 1024,
    "model": "doubao-embedding-vision-250615"
  },
  "vlm": {
    "api_base": "<api-endpoint>",
    "api_key": "<your-api-key>",
    "provider": "volcengine",
    "model": "doubao-seed-2-0-pro-260215"
  }
}

4.5 运行示例

启动服务器：

openviking-server
# 或后台运行
nohup openviking-server > /data/log/openviking.log 2>&1 &

运行 CLI：

ov status                          # 查看状态
ov add-resource https://github.com/volcengine/OpenViking  # 添加资源
ov ls                              # 列出内容
ov tree viking://resources/        # 树形结构
ov find "what is openviking"      # 语义搜索
ov grep "openviking" --uri viking://resources/volcengine/OpenViking/docs/zh  # grep 搜索

4.6 VikingBot 快速开始

VikingBot 是基于 OpenViking 构建的 AI Agent 框架：

# 安装 VikingBot（推荐方式）
pip install "openviking[bot]"

# 启动带 Bot 的服务器
openviking-server --with-bot

# 在另一个终端启动交互式聊天
ov chat

五、与传统 RAG 对比

特性传统 RAGOpenViking
存储模型扁平向量存储文件系统范式
上下文组织碎片化统一分层管理
检索方式简单相似度匹配目录递归 + 语义检索
检索可观测性黑盒可视化轨迹
记忆迭代被动记录自动压缩 + 长期记忆提取
多模态支持有限VLM 深度集成

六、适用场景

场景说明
AI Agent 上下文管理为 Agent 提供统一的记忆、资源、技能管理
长对话总结自动压缩会话，提取关键信息
代码库理解目录递归检索，快速定位相关代码
知识库问答结合语义搜索和目录结构
多模态内容处理VLM 图像理解和内容提取

七、资源链接

资源链接
GitHubhttps://github.com/volcengine/OpenViking
官网https://www.openviking.ai/
文档https://www.openviking.ai/docs
Discordhttps://discord.com/invite/eHvx8E9XF3
X (Twitter)https://x.com/openvikingai

八、总结与展望

8.1 核心价值

OpenViking 的核心价值在于为 AI Agent 提供企业级的上下文管理能力，让开发者可以像管理本地文件一样管理 Agent 的脑。

传统方式OpenViking 方式
碎片化存储统一文件系统 paradigm
被动记录主动压缩 + 长期记忆
黑盒检索可视化检索轨迹
简单匹配目录递归 + 语义检索

8.2 技术亮点

  1. 文件系统范式：创新的上下文组织方式
  2. 分层加载：L0/L1/L2 按需加载，显著节省 Token
  3. 递归检索：结合目录定位和语义搜索
  4. 多模型支持：支持 volcengine、OpenAI、LiteLLM 等多种提供商
  5. VikingBot：开箱即用的 AI Agent 框架

相关话题标签

#OpenViking #上下文数据库 #AI Agent #记忆管理 #RAG #字节跳动

来源

  • GitHub：https://github.com/volcengine/OpenViking

OpenViking 由字节跳动（Volcengine）开源，采用 Apache-2.0 许可证。

更新于 2026-04-03
 OpenViking, 上下文数据库, AI Agent, 记忆管理, RAG
返回 | 主页