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

2026-03-28 约 4297 字预计阅读 11 分钟

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

预计阅读时间：25 分钟 | 难度：⭐⭐⭐⭐

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，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 Stars	19.6k
Forks	1.4k
License	Apache-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 用「文件系统 paradigm（范式）」统一管理 Agent 的记忆、资源和技能，解决上下文碎片化问题。

核心思路：「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://
├── memories/          # 记忆
│   ├── sessions/      # 会话记忆
│   ├── long_term/     # 长期记忆
│   └── skills/        # 技能记忆
├── resources/         # 资源
│   ├── documents/     # 文档
│   ├── code/          # 代码
│   └── web/           # 网页
└── skills/            # 技能
    ├── 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

┌─────────────────────────────────────────────────────────────┐
│                      Viking Gateway                         │
├─────────────────────────────────────────────────────────────┤
│   VikingFS (AGFS)  │  VikingDB  │  VikingBot  │  VikingCLI │
├─────────────────────────────────────────────────────────────┤
│   L0/L1/L2 Loader  │  RAG Engine  │  Memory Manager         │
├─────────────────────────────────────────────────────────────┤
│   VLM Provider  │  Embedding Provider  │  Vector Store       │
└─────────────────────────────────────────────────────────────┘

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
openai	OpenAI 官方 API	OpenAI 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
openai	OpenAI Embedding
jina	Jina AI
voyage	Voyage AI
minimax	MiniMax
vikingdb	VikingDB
gemini	Google Gemini

3.3 核心目录结构

openviking/
├── crates/
│   ├── ov_cli/         # CLI 工具
│   └── agfs/           # AGFS 文件系统
├── python/
│   └── openviking/     # Python SDK
├── docs/               # 文档
└── examples/           # 示例

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

CLI 工具：

# 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 配置

{
  "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"
  }
}

4.4 启动服务

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

4.5 基本操作

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 使用 VikingBot

# 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 RAG	OpenViking
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
GitHub	https://github.com/volcengine/OpenViking
官网	https://www.openviking.ai/
文档	https://www.openviking.ai/docs
Discord	https://discord.com/invite/eHvx8E9XF3
X (Twitter)	https://x.com/openvikingai

八、总结与展望

8.1 价值总结

OpenViking 用文件系统范式统一管理 Agent 的记忆、资源和技能，让开发者可以像管理本地文件一样管理 Agent 的上下文。

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

文件系统范式：用目录结构组织上下文
分层加载：L0/L1/L2 按需加载，显著节省 Token
递归检索：结合目录定位和语义搜索
多模型支持：支持 volcengine、OpenAI、LiteLLM 等多种提供商
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 2026-07-21

OpenViking, 上下文数据库, AI Agent, 记忆管理, RAG

返回 | 主页

下一步

如果这篇内容对你有帮助，继续往更完整的路径里走。

你可以从专题页继续系统阅读，也可以通过联系页反馈想跟进的主题、工具和合作方向。

AI Agent 专题 Coding Agent 专题开源 AI 工具联系

目录

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

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

一、项目概览

1.1 为什么这个项目值得关注

1.2 背景故事

1.3 OpenViking 的解决方案

二、核心特性

2.1 文件系统管理范式

2.2 分层上下文加载（L0/L1/L2）

2.3 目录递归检索

2.4 可视化检索轨迹

2.5 自动会话管理

三、技术架构

3.1 整体架构

3.2 支持的模型提供商

3.3 核心目录结构

四、快速开始

4.1 环境要求

4.2 安装

4.3 配置

4.4 启动服务

4.5 基本操作

4.6 使用 VikingBot

五、与传统 RAG 对比

六、适用场景

七、资源链接

八、总结与展望

8.1 价值总结

8.2 技术亮点

如果这篇内容对你有帮助，继续往更完整的路径里走。

与这篇内容相关的文章

HKUDS/DeepTutor 拆解：一个 agent-native 的终身个性化辅导工作台是怎么搭起来的

lobehub/lobehub 拆解：从 ChatGPT UI 起步的 LobeHub，如何把 "Agent as Unit of Work" 做成 80k stars 的工程现实

davila7/claude-code-templates 项目导读：一个 29k stars 的 Claude Code "组件仓库 + 仪表盘 + CLI" 三件套是怎么搭起来的

HenryNdubuaku/maths-cs-ai-compendium 拆解：一份把 AI/ML 研究工程师之路切成 18 个可执行阶段的 textbook 仓库