volcengine/OpenViking

Self-evolving Context Database for AI Agents. Unify Agent Memory, Knowledge RAG and Skills.

這是什麼

OpenViking 把自己定位成給 AI Agent 使用的 Context Database：不是單純把文件丟進向量資料庫，而是把記憶、資源與技能統一放進一個 viking:// 虛擬檔案系統。Agent 可以像開發者操作目錄一樣，用 ls、tree、find 去瀏覽上下文，降低「黑箱檢索」的不確定性。README 裡最核心的設計，是每份內容在寫入時會被處理成 L0 摘要、L1 概覽、L2 詳細內容 三層；查詢時先判斷高層語意，再按需鑽到細節。這讓它同時想解決 Agent 長期記憶、知識 RAG、技能管理與檢索可觀測性的問題。

為什麼上榜

這個專案今天有 804 顆星 的新增熱度，總星數已達 30,156，顯示「Agent 記憶」和「上下文工程」仍是開發者高度關注的題目。OpenViking 的亮點在於它沒有只強調更強的 embedding 或更大的上下文視窗，而是提出一套偏資料庫化、可瀏覽、可追蹤的架構：檢索會保留目錄瀏覽軌跡，結果不對時可以回頭看是哪條路徑產生。README 也列出 benchmark：在 LoCoMo 長對話記憶中，三個 Agent 整合後準確率落在 80–83%，並宣稱輸入 tokens 與查詢延遲都有下降。這些數字讓它不只是概念展示，而是試圖用實驗支撐設計。

適合誰，可以拿來做什麼

OpenViking 適合正在做 AI Agent、RAG 系統、長期記憶、個人或團隊知識庫 的開發者。若你遇到的問題是「Agent 每次都忘記偏好」、「文件很多但檢索結果難 debug」、「技能與記憶散落在不同工具裡」，它的 viking:// 分層檔案系統會很有參考價值。README 提到它可與 Claude Code、Codex、OpenClaw、Hermes、Cursor、OpenCode、MCP clients、LangChain / LangGraph 等整合，也有 OpenViking Studio 可直接試玩。上手門檻方面，它是 Python 專案，需要 Python 3.10 以上；若要正式部署，README 另指向 Docker 與 production deployment 文件。

上手

README 提供了明確的 quick start。想先體驗的人可以直接開 OpenViking Studio；本機安裝則先裝 Python 套件、初始化設定、檢查環境，再啟動 server：

pip install openviking --upgrade
openviking-server init
openviking-server doctor
openviking-server

init 會引導設定 provider、models 與 ~/.openviking/ov.conf，README 列出支援 Volcengine、OpenAI、Codex OAuth、Kimi、GLM 與本機 Ollama。server 啟動後，可用內建 ov CLI 檢查狀態、加入資源、瀏覽樹狀結構與查詢內容：

ov status
ov add-resource https://github.com/volcengine/OpenViking --wait
ov ls viking://resources/
ov tree viking://resources/volcengine -L 2
ov find "what is openviking"

README 重點摘要

• OpenViking 將記憶、資源、技能統一成 viking:// URI，讓 Agent 用檔案系統式介面管理上下文。
• 內容分成 L0 / L1 / L2 三層，先用摘要與概覽判斷相關性，再按需載入全文細節。
• 檢索過程會保留 trajectory，方便追蹤與 debug，而不是只回傳一段無脈絡的向量搜尋結果。
• README 提到 session commit 後可非同步抽取使用者偏好與 Agent 經驗，形成長期記憶。
• 專案採 AGPLv3，README 強調開源版沒有功能閘門；另有 managed SaaS 與 self-managed 商業部署選項。