mirrors/OpenViking

OpenViking：AI 智能体的上下文数据库

👋 加入我们的社区

OpenViking 是什么

OpenViking 是面向 AI 智能体的开源上下文数据库，用来存储知识、记住用户，并在会话之间复用经验。

OpenViking 将上下文组织成 viking:// 虚拟文件系统。Agent 可以像操作文件一样，通过 ls、tree、read、write 等操作浏览目录、读取、创建和编辑内容，也可以在目录内检索。目录摘要支持按需加载。

在线体验 OpenViking Studio，无需安装。自行部署 Web Studio。

为什么用 OpenViking

用文件系统组织上下文。 资源存放文档和代码，记忆保留用户偏好与经验，技能定义任务执行方式。每项上下文都有 viking:// URI，供 Agent 浏览和检索。→ Viking URI · 上下文类型
按需加载上下文。 目录摘要（L0）和概览（L1）帮助 Agent 判断何时读取完整内容（L2）。→ 上下文分层
沿目录结构检索。 向量检索先找到候选目录，再探索其中的内容。find 直接执行查询，search 可以结合会话上下文规划检索。→ 检索机制
从会话提取记忆。 提交 Session 后，会话被归档，后台按记忆策略提取内容，与已有记忆比较后新建、合并或跳过。启用 VikingBot 后，还可用 ov compile 配合技能，将资料整理成 Wiki、知识图谱或报告。→ 会话管理 · 上下文编译

架构 · 设计思路

viking://
├── resources/              # 资源：项目文档、代码库、网页等
│   └── my_project/
│       ├── docs/
│       │   ├── api/
│       │   └── tutorials/
│       └── src/
└── user/
    └── {user_id}/
        ├── memories/
        │   └── preferences/
        │       ├── writing_style
        │       └── coding_habits
        ├── resources/
        │   └── private_project/
        ├── skills/
        │   ├── search_code
        │   └── analyze_data
        └── peers/
            └── web-visitor-alice/

三个加载层级：

L0（摘要）：一句话总结，用来快速判断相关性。
L1（概览）：核心信息和使用场景，供规划阶段决策。
L2（详情）：完整原始数据，只在需要时读取。

经过语义处理的目录带有 L0/L1 摘要，Agent 可以先判断相关性，再读取全文：

viking://resources/my_project/
├── .abstract.md           # L0：约 100 tokens——快速判断相关性
├── .overview.md           # L1：约 2k tokens——结构和要点
└── docs/
    ├── .abstract.md
    ├── .overview.md
    └── api/
        ├── auth.md         # L2：完整内容，按需加载
        └── endpoints.md

评测结果

OpenViking 0.3.22 的评测覆盖长对话用户记忆（LoCoMo）和多轮智能体任务（tau2-bench）。完整结果和实验设置（含知识库问答）见评测报告，复现脚本在 ./benchmark。

记忆评测使用 Doubao 2.0 Pro 作为 VLM，使用 Doubao-embedding-vision-251215 作为 Embedding 模型。

Benchmark results. LoCoMo accuracy: OpenClaw 24.20% native vs 82.08% with OpenViking; Hermes 33.38% vs 82.86%; Claude Code 57.21% vs 80.32%. tau2-bench task success: Retail 70.94% vs 77.81%; Airline 54.38% vs 66.25%.

用户记忆（LoCoMo）：接入 OpenViking 后，三种 Agent 集成的准确率都到 80–83%，原生记忆只有 24–57%；同时输入 token 减少 34.3%–91.0%，查询时延降低 58.45%–66.10%。
智能体经验（tau2-bench）：经验记忆让任务成功率在 Retail 提升 6.87pp、Airline 提升 11.87pp（对比同一 LLM 无记忆）。

快速开始

需要 Python 3.10+，以及可调用的 Embedding 模型和 VLM（云端或本地）。

pip install openviking --upgrade
openviking-server init      # 配置模型与提供商
openviking-server doctor    # 检查配置与连通性
openviking-server           # 启动服务器

init 将配置写入 ~/.openviking/ov.conf，支持火山引擎、OpenAI、Codex OAuth、Kimi、GLM 和本地 Ollama 等选项。模型配置见配置指南，各平台安装说明见快速入门文档。

安装包包含 ov CLI。在另一个终端导入代码库并检索：

ov status
ov add-resource https://github.com/volcengine/OpenViking
# 将 TASK_ID 替换为返回的 task_id；重复查询，直到状态为 completed
ov task status TASK_ID
ov ls viking://resources/
ov tree viking://resources/volcengine -L 2
ov find "what is openviking"
ov grep "openviking" --uri viking://resources/volcengine/OpenViking/docs/zh

ov find 返回匹配的上下文及其 URI，可继续查看内容。客户端配置（ov config）、CLI 独立安装和索引维护，见 CLI 安装。

构建自己的应用，可使用 Python、Go、TypeScript SDK 或 HTTP API。

接入你的 Agent

将 Agent 接入 OpenViking，跨会话保留记忆。原生集成支持自动召回与会话采集；也可通过 MCP 提供记忆和上下文工具。

Claude _{Hooks + MCP}	Codex _{Hooks + MCP}	Cursor _{Hooks + MCP}	TRAE _{Hooks + MCP}	OpenClaw _{上下文引擎}	Hermes _内置记忆
OpenCode _{Plugin + MCP}	pi _原生扩展	DeerFlow _{Plugin + MCP}	DSH _{Plugin + MCP}	豆包工作 _连接器	LangChain _{工具 + 存储}

通用接入

Agent Plugins 1.0

MCP 客⁠户⁠端

详细接入方式请参考 Integrations。

桌面客户端（Beta）

桌面客户端是面向 macOS 和 Windows x64 的控制台（Beta），用于配置支持的本地 Agent 接入、查看会话中的召回与捕获事件，并将本地记忆和技能同步到 OpenViking。

下载：

VikingBot

VikingBot 是构建在 OpenViking 之上的 AI 智能体框架：

pip install "openviking[bot]"
openviking-server --with-bot
ov chat   # 在另一个终端运行

官方 Docker 镜像内置 VikingBot，默认随服务器和控制台 UI 一起启动。详情见 VikingBot 指南。

生产部署

开源服务器采用 AGPLv3，可在自己的环境部署，无需激活码。见服务器配置和 Docker 与部署指南。

服务器支持账号与用户隔离，并可按需启用资源 ACL。开放非本机访问前，需配置身份认证。

商业版本

☁️ 商业化 SaaS 版

由火山引擎托管和运维，提供个人版、企业版，以及开源部署的迁移工具。套餐与额度见服务文档。中国以外地区的托管服务计划在 BytePlus 上线。

🏢 私有化部署版

部署在自己的云账号 / VPC（BYOC）或离线环境中，提供分布式部署和官方技术支持，通过激活码启用。咨询私有化部署。

研究

让 Agent 的记忆随交互演化。 VikingMem 以事件驱动长期记忆的提取、更新与整合，让有状态 Agent 在持续交互中积累可复用的经验。OpenViking 开源了其中的部分核心能力。

VikingMem: A Memory Base Management System for Stateful LLM-based Applications
Jiajie Fu, Junwen Chen, Mengzhao Wang, Aoxiang He, Maojia Sheng, Xiangyu Ke, Yifan Zhu, and Yunjun Gao.
arXiv:2605.29640, 2026。已于 2026 年 9 月在 VLDB 2026 完成演讲。
📄 在 arXiv 阅读论文 · 阅读 PDF

让目录结构成为检索上下文。 这篇论文为 OpenViking 的目录语义检索提供形式化基础、索引设计与实验验证。论文定义了目录范围查询与结构维护操作，并提出 TrieHI，OpenViking 已将其集成，用于在向量排序前确定目录检索范围。文件系统范式由此贯穿组织与检索：Agent 可以在项目或记忆子树内查找证据、保留周边上下文，并随知识演化调整目录结构。

Directory-Aware Query and Maintenance in Vector Databases
Mengzhao Wang, Zheng Gong, Jingpei Hu, Jiajie Fu, Maojia Sheng, Junwen Chen, and Yifan Zhu.
arXiv:2606.16903, 2026。已被 ICDE 接收。
📄 在 arXiv 阅读论文 · 阅读 PDF

用更少的 Token 找齐回答所需的证据。 VikingRAG 将语义检索与文档结构结合，按证据缺口展开相关目录片段，核心机制已集成到 OpenViking。论文进一步研究检索轨迹复用与按需升级多轮检索，在保持回答质量的同时减少重复探索。

VikingRAG: Accurate and Token-efficient Retrieval-augmented Generation over Structured Documents
Peiyuan Gao, Gaoyuan Zhang, Haojie Qin, Yahui Sun, Qianyi Zhang, Yunhao Zhang, Zeyu Wang, and Wei Lu.
arXiv:2609.11390, 2026。投递中。
📄 在 arXiv 阅读论文 · 阅读 PDF

合作伙伴

deer-flow - 开源的长周期 SuperAgent 框架
NoKV - AI 原生的分布式文件系统
loopx - 轻量级循环工程状态内核
Hermes Agent - 与用户共同成长的智能体

合作提议请提交 issue。

社区与贡献

文档：docs.openviking.ai · FAQ
博客：blog.openviking.ai
团队：关于我们
交流：📱 飞书群 · 💬 微信群 · 🎮 Discord · 🐦 X
贡献：修 bug、加新功能都欢迎——见 CONTRIBUTING_CN.md

安全与隐私

漏洞报告方式和受支持的版本，见 SECURITY.md

许可证

OpenViking 各组件采用不同的许可证：

主项目：AGPLv3——详见 LICENSE
crates/ov_cli：Apache 2.0——详见 LICENSE
examples：Apache 2.0——详见 LICENSE
third_party：各三方项目保留其原有协议