OpenViking: 专为 AI Agent 设计的上下文数据库

English / 中文 / 日本語

网站 · GitHub · Issues · 文档

👋 加入我们的社区

📱 飞书群 · 微信 · Discord · X

---

✨ 2026 年 5 月更新：更新了 OpenViking 在用户记忆、Agent 记忆和知识库问答场景下的基准测试结果。→ 查看 评估亮点。

概述

Agent 开发中的挑战

在 AI 时代，数据唾手可得，但高质量的上下文却极其稀缺。在构建 AI Agent 时，开发者通常面临以下挑战：

• 上下文碎片化：记忆存在代码中，资源散落在向量数据库中，技能零散分布，难以统一管理。
• 上下文需求激增：Agent 的长期运行任务在每次执行时都会产生大量上下文。简单的截断或压缩会导致信息丢失。
• 检索效果不佳：传统的 RAG 使用扁平化存储，缺乏全局视野，难以理解信息的完整上下文。
• 上下文不可观测：传统 RAG 的隐式检索链如同黑盒，出现错误时难以调试。
• 记忆迭代受限：当前的记忆仅是用户交互记录，缺乏与 Agent 任务相关的任务记忆。

OpenViking 解决方案

OpenViking 是一个专为 AI Agent 设计的开源上下文数据库。

我们致力于为 Agent 定义一种极简的上下文交互范式，让开发者彻底告别复杂的上下文管理。OpenViking 摒弃了传统 RAG 碎片化的向量存储模型，创新性地采用**“文件系统范式”**，将 Agent 所需的记忆、资源和技能进行统一的结构化组织。

使用 OpenViking，开发者可以像管理本地文件一样构建 Agent 的大脑：

• 文件系统管理范式 → 解决碎片化：基于文件系统范式，统一管理记忆、资源和技能等上下文。
• 分层上下文加载 → 降低 Token 消耗：采用 L0/L1/L2 三层结构，按需加载，大幅节省成本。
• 目录递归检索 → 提升检索效果：支持原生文件系统检索方式，结合目录定位与语义搜索，实现递归且精准的上下文获取。
• 可视化检索轨迹 → 上下文可观测：支持可视化目录检索轨迹，用户可清晰观测问题根源，从而指导检索逻辑优化。
• 自动会话管理 → 上下文自我迭代：自动压缩会话中的内容、资源引用、工具调用等，提取长期记忆，让 Agent 越用越聪明。

快速上手

前置要求

在开始使用 OpenViking 之前，请确保您的环境满足以下要求：

• Python 版本：3.10 或更高
• Rust 工具链：Cargo（从源码构建 RAGFS 和 CLI 组件所必需）
• C++ 编译器：GCC 9+ 或 Clang 11+（构建核心扩展所必需）
• 操作系统：Linux, macOS, Windows
• 网络连接：需要稳定的网络连接（用于下载依赖项和访问模型服务）

1. 安装

Python 包

pip install openviking --upgrade --force-reinstall

Rust CLI (可选)

npm i -g @openviking/cli

或者从源码构建：

cargo install --git https://github.com/volcengine/OpenViking ov_cli

2. 模型准备

OpenViking 需要以下模型能力：

• VLM 模型：用于图像和内容理解
• Embedding 模型：用于向量化和语义检索

支持的 VLM 提供商

OpenViking 支持多种 VLM 提供商：

提供商	描述