volcengine/OpenViking

AI 智能体的上下文数据库

English / 中文 / 日本語

官网 · 在线体验 · GitHub · 问题反馈 · 文档 · 博客

 飞书 ·  微信 ·  Discord ·  X

OpenViking 是什么

OpenViking 是面向 AI 智能体的开源上下文数据库——用一个文件系统装下 Agent 所知道的一切：知识、记忆和技能。

大多数 Agent 记忆是个黑盒：文本进去，向量出来，没人看得到里面到底存了什么。OpenViking 换一种做法，把上下文组织成 viking:// 虚拟文件系统。Agent 像操作文件一样用 ls、tree、read、write、grep 浏览和修改；你也可以随时打开目录，查看和编辑 Agent 记住的内容。每个目录都带有自动生成的摘要，Agent 先扫摘要，再决定读哪些内容。

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

为什么用 OpenViking

• 一个文件系统，装下知识、记忆和技能。 资源存放文档和代码，记忆保留用户偏好与经验，技能定义任务的执行方式——不只是抽取出来的"记忆条目"，而是完整上下文，每一项都有 viking:// URI 供浏览和检索。→ Viking URI · 上下文类型
• 在目录里检索，而不是在整个索引里捞。 把语义检索限定在某个项目或记忆子树内，而不是扫描一个扁平的向量池。find 直接执行查询，search 结合会话上下文规划检索。→ 检索机制
• 先看摘要，再读原文。 自动生成的目录摘要（L0）和概览（L1）帮助 Agent 判断相关性，再决定是否读取全文（L2）。→ 上下文分层
• 会话沉淀为可读的文件。 提交会话后，对话被归档，记忆被提取为可查看、可编辑、可合并的 Markdown。启用 VikingBot 后，ov compile 还能把资料整理成 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。

自己运行评测，请从 RAG 与 Memory 评测指南开始：以 VikingBot 为日常记忆评测主入口，另列官网 LoCoMo 复现、mem0 prompt 对照和 RAG 评测，避免用 RAG 流程评测记忆。

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

• 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

先准备一个 OpenViking 服务；已经有服务的话，直接跳到接入你的 Agent。自部署需要 uv、Python 3.10+，以及一个提供 embedding 模型和 VLM 的模型服务。

按这份文档，帮我安装并启动 OpenViking Server：

https://docs.openviking.ai/zh/getting-started/04-setup-for-agent

模型提供商、模型、workspace 目录，以及服务要不要对其他机器开放，都先问我，
不要猜。向我要模型的 API key 时，告诉我不想把它贴进对话的话可以怎么给你；
不要复述。

服务启动后，告诉我服务地址，以及有没有开鉴权。

uv tool install openviking --upgrade && openviking-server init

用 CLI 试一试

openviking 安装包包含 ov CLI。服务运行时，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

把 coding agent 接入 OpenViking，跨会话保留记忆。记忆插件安装脚本支持 Claude Code、Codex、Cursor、TRAE、OpenCode 等，会自动检测本机装了哪些。

帮我安装 OpenViking 记忆插件，并带我开始使用。OpenViking 是为 Agent 提供的上下文数据库（https://github.com/volcengine/OpenViking），下面的命令和链接来自它的官方文档。

1. 运行官方安装器。它需要联网并写入我的主目录，如果被你的沙箱拦住，请向我申请批准：
   curl -fsSL https://openviking.ai/install | bash -s -- --yes --lang zh --url <SERVER_URL> --api-key <API_KEY>
2. 装好后读 OpenViking 的接入引导，按它带我完成设置。导入历史、写协作规则这类选择，引导会让你先问我。docs.openviking.ai 和 docs.openviking.net 是同一个文档站，哪个打得开用哪个：
   https://docs.openviking.ai/agents/zh/onboarding.md

API key 是我在这个服务上给自己生成的 user key，安装器会把它存到本机的 ~/.openviking/ovcli.conf。命令里原样使用就行，回复里不用再显示它，也不要写进别的文件或规则。全程用中文和我交流。

curl -fsSL https://openviking.ai/install | bash
# AI agent 如不确定是否执行，可先阅读脚本头部，其中写明了它会做什么、如何核实。

装完后重启 agent。脚本结尾会列出每个工具的后续步骤，例如：

  Claude Code
    下一步： 重启 Claude Code
    ⋮
    验证： 在会话中运行 /openviking-memory:ov

Codex 首次启动会停在 Hooks need review，选 Trust all and continue。

试一下：让它记住你的一个偏好，过一会儿开个新会话再问。记忆在后台整理，刚说完查不到是正常的。

安装脚本需要 macOS 或 Linux、Node.js 18+ 和 curl，不用 sudo。Windows 请使用桌面客户端。

各集成的接入文档：

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。

框架应用请参考 LangChain/LangGraph 和 Microsoft Agent Framework 集成包，其中也介绍了如何添加其他框架适配器。

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：

• macOS Apple Silicon 版（arm64）
• macOS Intel 版（x64）
• Windows 版（x64）

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
• NVIDIA cuVS - GPU 加速的向量搜索与聚类库

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 ·  微信 ·  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。examples/hermes-plugin 中的 Hermes 插件保留其 MIT 许可证。
• integrations/frameworks：LangChain/LangGraph 适配器采用 AGPLv3，Microsoft Agent Framework 适配器采用 MIT，详见各包的 LICENSE；可运行示例保留 Apache 2.0，详见各包的 examples/LICENSE。
• third_party：各三方项目保留其原有协议