🚀 OpenViking —— 字节跳动开源的 AI Agent 上下文数据库

"Memory, Resource, Skill. Everything is a File."

记忆、资源、技能，皆为文件。

📋 项目概述

OpenViking 是由字节跳动火山引擎 Viking 团队于 2026 年 1 月开源的专为 AI Agent 设计的上下文数据库。

团队背景

Viking 团队在字节跳动内部有着丰富的上下文工程实践经验：

• 2019 年：VikingDB 向量数据库支撑字节内部全业务
• 2023 年：VikingDB 在火山引擎公有云售卖
• 2024 年：推出 VikingDB、Viking 知识库、Viking 记忆库产品矩阵
• 2025 年：打造 AI 搜索、vaka 知识助手等上层应用
• 2025 年 10 月：开源 MineContext（主动式 AI 应用探索）
• 2026 年 1 月：开源 OpenViking（AI Agent 上下文数据库）

🎯 核心解决的问题

OpenViking 针对当前 AI Agent 开发中普遍遇到的上下文管理痛点：

1. 上下文无序且割裂

• 记忆散落在代码中
• 资源存储在向量库
• 技能分散在各个角落
• 关联和维护成本极高

2. 长程任务需要更多上下文

• Agent 从单轮对话转向长周期任务
• 涉及多工具、多 Agent 复杂协同
• 简单截断会带来不可逆的信息损失
• 模型成本高昂

3. 朴素 RAG 检索效果局限

• 数据切片是平铺式存储，缺乏全局视野
• 面对海量、多模态数据力不从心
• 过于关注语义相关性
• 在开放式场景中表现不佳

4. 上下文缺乏观测和调试

• 隐式检索链路如同黑箱
• 出错时难以归因和调试
• 改进门槛高

5. 记忆成为核心资产

• 沉淀的记忆是 Agent 的核心资产
• 需要在使用初期就建设
• 形成使用时间越长，体验越好的复利效果

💡 核心理念：文件系统范式

OpenViking 摒弃了传统 RAG 的碎片化向量存储模式，创新性地采用"文件系统范式"：

"We are swimming in a sea of information, and we need to learn to navigate."

— Norbert Wiener（诺伯特·维纳）

统一抽象

所有上下文（记忆、资源、技能）都映射到 viking:// 协议下的虚拟目录：

viking://
├── /memory              # 用户记忆 + Agent 经验
│   ├── /user            # 用户偏好、历史交互
│   └── /agent           # Agent 自我进化积累的经验
│
├── /resources           # 文档、图片、视频等资源
│   ├── /documents
│   ├── /images
│   └── /videos
│
└── /skills              # 技能定义和能力模块
    ├── /code_review
    ├── /refactoring
    └── /debugging

文件操作接口

Agent 可以像操作本地文件一样管理上下文：

# 浏览目录
client.ls("viking://resources/documents")

# 查找文件
client.glob(pattern="**/*.md", uri="viking://resources")

# 读取内容
client.read("viking://resources/documents/guide.md")

# 语义搜索
client.find("what is openviking", target_uri="viking://resources")

这种范式赋予了 Agent 前所未有的上下文操控能力，让上下文管理从模糊的语义匹配演变为直观、可追溯的"文件操作"。

🔑 四大核心特性

1. 文件系统管理范式

解决碎片化问题

• 所有上下文统一组织于虚拟文件系统
• 每个条目拥有唯一 URI（如 viking://memory/user/preferences）
• 支持 list、find、read 等标准指令
• 精确、确定性地定位、浏览和操作信息

2. 分层上下文按需加载 (L0/L1/L2)

降低 Token 消耗，避免信息过载

OpenViking 在上下文写入时自动处理为三个层级：

优势：

• 无需一次性塞入海量上下文
• 避免超出模型窗口
• 减少噪声干扰
• 大幅节省 Token 成本

3. 目录递归检索

提升检索效果

融合多种检索方式的创新策略：

1. 意图分析 → 生成多个检索条件
         │
         ▼
2. 向量检索 → 定位高分目录
         │
         ▼
3. 二次检索 → 在目录内精细搜索
         │
         ▼
4. 逐层递归 → 若存在子目录，重复步骤 3
         │
         ▼
5. 返回结果 → 最相关上下文

特点：

• "先锁定高分目录、再精细探索内容"
• 理解信息所在的完整语境
• 提升检索的全局性与准确性

4. 可观测与自迭代

上下文白盒化 + 自动进化

可观测性：

• 层次化虚拟文件系统结构，一目了然
• 检索过程完整留存（目录浏览、文件定位轨迹）
• 可视化检索路径，清晰观测问题根源

# 会话结束时调用
client.session.commit()

系统自动：

• 分析任务执行结果与用户反馈
• 更新 /memory/user（用户偏好）
• 更新 /memory/agent（操作技巧、工具使用经验）
• 提取长期记忆

🛠️ 快速上手

第一步：安装

pip install openviking

第二步：配置模型服务

支持多种模型服务：

• 火山引擎（豆包模型）：推荐，成本低、性能好
• OpenAI：GPT-4V 等 VLM 模型
• 自定义模型：兼容 OpenAI API 格式

{
  "vlm": {
    "api_key": "<your-api-key>",
    "model": "doubao-seed-1-8-251228",
    "api_base": "https://ark.cn-beijing.volces.com/api/v3",
    "backend": "volcengine"
  },
  "embedding": {
    "dense": {
      "backend": "volcengine",
      "api_key": "<your-api-key>",
      "model": "doubao-embedding-vision-250615",
      "api_base": "https://ark.cn-beijing.volces.com/api/v3",
      "dimension": 1024
    }
  }
}

设置环境变量：

export OPENVIKING_CONFIG_FILE=ov.conf

第三步：运行示例

import openviking as ov

# 初始化客户端
client = ov.SyncOpenViking(path="./data")
client.initialize()

# 添加资源（支持 URL、文件、目录）
result = client.add_resource(
    path="https://raw.githubusercontent.com/volcengine/OpenViking/main/README.md"
)
root_uri = result['root_uri']

# 探索资源树结构
ls_result = client.ls(root_uri)
print(f"目录结构:\n{ls_result}\n")

# 查找 Markdown 文件
glob_result = client.glob(pattern="**/*.md", uri=root_uri)
if glob_result['matches']:
    content = client.read(glob_result['matches'][0])
    print(f"内容预览: {content[:200]}...\n")

# 等待语义处理完成
print("等待语义处理...")
client.wait_processed()

# 获取分层信息
abstract = client.abstract(root_uri)    # L0 摘要
overview = client.overview(root_uri)    # L1 概述
print(f"摘要:\n{abstract}\n\n概述:\n{overview}\n")

# 语义搜索
results = client.find("what is openviking", target_uri=root_uri)
print("搜索结果:")
for r in results.resources:
    print(f"  {r.uri} (score: {r.score:.4f})")

# 提交会话，触发记忆自迭代
client.session.commit()

# 关闭客户端
client.close()

🔗 与 Kimi Code CLI 的潜在关联

在研究 Kimi Code CLI 的过程中，发现两者有许多有趣的对应关系：

潜在结合点

1. OpenViking 作为 Kimi Code CLI 的上下文存储后端

# 未来可能的集成方式
from kimi_cli.context import OpenVikingContext

context = OpenVikingContext(
    viking_uri="viking://sessions/my-project",
    enable_layered_loading=True  # 启用 L0/L1/L2
)

2. 将 Kimi 的 Agent Spec 映射到 OpenViking 的 /skills

viking://
└── /skills
    ├── /kimi-cli
    │   ├── /default
    │   ├── /code-reviewer
    │   └── /data-analyst
    └── /user-custom
        └── /my-special-agent

3. 用 OpenViking 的分层检索优化 Kimi 的 Context Compaction

当前 Kimi 的 SimpleCompaction 保留最近 2 条消息，可能不是最优策略。可以借鉴 OpenViking 的 L0/L1/L2 分层思想：

# 分层 Compaction 策略
class LayeredCompaction:
    def compact(self, messages):
        # L0: 任务状态摘要
        # L1: 关键决策和错误
        # L2: 完整代码（按需加载）
        pass

📚 相关资源

• GitHub: https://github.com/volcengine/OpenViking
• 官网: https://openviking.ai
• 知乎介绍: https://zhuanlan.zhihu.com/p/2000634266720161814
• 社区: 飞书群（GitHub 页面扫码加入）

💬 总结

OpenViking 代表了 AI Agent 上下文管理的一个重要方向：

从碎片化的向量存储，走向结构化的文件系统范式。

对于 Kimi Code CLI 用户来说，OpenViking 提供了一个潜在的更强大的上下文存储和检索后端，值得关注和探索。

文章整理时间：2026-02-23
资料来源：GitHub、知乎、官网