OpenViking
为AI Agent打造的上下文数据库，用文件系统范式统一管理记忆、资源和技能
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
为AI Agent打造的上下文数据库，用文件系统范式统一管理记忆、资源和技能
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象一下：你让 AI 编程助手帮你写代码，它记住了你上个月用过的一个技巧，却想不起昨天刚讨论的 API 设计方案。这就像一个天才实习生，脑袋里装满了旧档案，却找不到手边正在处理的文件——这正是当前 AI Agent 普遍面临的上下文失忆症。
OpenViking 就是来解决这个问题的。它由火山引擎开源，是一个专为 AI Agent 设计的上下文数据库（Context Database），用文件系统的思维统一管理 Agent 的记忆、资源和技能，让 AI 在长任务中始终保持思路连贯。
AI Agent 的上下文管理一直是行业痛点。传统方案中，记忆存在向量数据库，资源在文件存储，技能散落在各个插件里——就像把一本书撕成碎片再塞进不同的抽屉，检索时只能拼拼凑凑。
OpenViking 的诞生源于实际开发需求。项目最初作为 OpenClaw 生态的一部分，后来独立发展，由火山引擎团队主导维护。它创造性地将文件系统范式引入 AI Agent 的上下文管理，用目录树结构组织记忆、资源和技能，让 Agent 能够像人类翻阅文件夹一样，按层级、按主题、按相关性精准获取上下文。
图1：OpenViking 项目 Logo
这个思路的巧妙之处在于：文件系统是人类最熟悉的知识组织方式，每个程序员都能理解 memory/projects/ 这样的路径结构，Agent 也能借助这种层次化的上下文交付机制，实现精准检索和自我进化。
传统 RAG 将所有内容一股脑塞进 context window，Token 消耗巨大且效果不佳。OpenViking 创新性地设计了三层上下文结构：
这种按需加载机制大幅降低了 Token 消耗。以一个 10 万行的代码库为例，Agent 只需要处理当前任务相关的几十个文件，而非整个仓库。
OpenViking 的核心存储引擎采用类文件系统架构，支持目录树结构组织记忆、资源和技能，支持递归检索，并可通过 RAGFS 将语义向量数据库挂载为文件系统，Agent 可以像操作本地文件一样操作向量知识库。
底层实现上，核心存储层使用 C++ 编写（含 abi3_engine_backend.cpp），提供高性能的 ABI3 兼容接口；Rust CLI（crates/ov_cli）提供命令行工具；Python SDK 提供上层封装。这种多语言架构兼顾了性能（Rust/C++）和易用性（Python）。
当 Agent 与用户进行多轮对话时，OpenViking 会自动追踪对话历史中的关键操作（如 write_file、edit_file），将相关内容压缩提取形成长期记忆，在新会话中让 Agent 能主动调用这些经验，实现自演化——Agent 越用越聪明，因为它的经验在不断积累。
OpenViking 是一个典型的大型混合语言项目，代码组织清晰：
| 模块 | 语言 | 职责 |
|---|---|---|
| src/ | C++ | 核心存储引擎，ABI3 兼容扩展 |
| crates/ | Rust | 命令行工具（ov_cli）、RAGFS 文件系统 |
| bot/ | TypeScript/Node.js | Vikingbot 多渠道机器人框架 |
| web-studio/ | TypeScript/Vue | Web 管理界面（Vite 构建的 SPA） |
| openviking/ | Python | 主 SDK，HTTP Server，核心 API |
| examples/ | 多语言 | 集成示例（K8s Helm、LangChain、Multi-Tenant 等） |
Dockerfile 中完整复现了这套构建流程：先用 Rust 编译 CLI，再用 Node 构建 web-studio SPA，最后用 Python uv 打包完整应用，多阶段构建（multistage）确保最终镜像精简。
对于开发者来说，OpenViking 的部署非常友好。项目同时提供：
docker compose up -d，OpenViking 服务（1933端口）和 Caddy 反向代理（1934端口）自动启动，Web UI 可通过 http://localhost:1934 访问pip install openviking 即可在本地 Python 环境中使用openviking-server init 向导自动检测 Ollama、安装模型、生成配置Vikingbot 进一步扩展了 OpenViking 的使用场景——通过 Telegram、飞书、钉钉、Slack、QQ 等渠道，随时随地与 AI Agent 对话，所有对话记忆自动存入 OpenViking。
图2：openviking-server doctor 诊断工具
OpenViking 特别适合以下场景：
1. 长周期软件开发任务：Agent 需要记住三个月前的架构决策、代码规范和模块依赖关系，传统方案每次都要重新自我介绍，OpenViking 让 Agent 拥有持久记忆。
2. 多 Agent 协作系统：多个 Agent 各自维护独立的记忆空间，通过 OpenViking 共享资源池，实现各有分工、互不干扰的知识隔离与复用。
3. 知识密集型对话助手：如法律顾问、医学咨询等专业领域，分层加载机制确保只加载最相关的内容，避免 context overflow。
4. 个人 AI 助手：通过 Vikingbot 接通飞书/钉钉，AI 助手记住你的偏好和工作习惯，越用越懂你。
客观来说，OpenViking 仍处于快速发展阶段，以下几点值得关注：
OpenViking 的出现，代表了 AI Agent 领域从隐式 RAG 向显式上下文管理的范式转变。
传统 RAG 本质上是搜索驱动——用户问什么，就去向量库里搜什么。而 OpenViking 提出的上下文数据库理念，强调的是记忆驱动——Agent 主动维护上下文状态，按需交付给 LLM。这不仅仅是技术路线的差异，更是产品思维的转变。
从增长曲线看，OpenViking 获得了 2.4 万+ GitHub stars，说明社区对这一方向的高度认可。作为火山引擎在 Agent 基础设施领域的重要开源布局，OpenViking 有望成为 AI Agent 时代的数据库——就像关系型数据库支撑 Web 应用一样，上下文数据库将支撑 Agent 应用时代。
总结：如果你正在构建 AI Agent，特别是需要处理长周期任务、多轮对话、多 Agent 协作的场景，OpenViking 是一个值得投入时间深入了解的项目。它的文件系统范式让上下文管理变得直观，多语言架构兼顾了性能与易用性，而丰富的部署选项（Docker、K8s、pip）降低了试用门槛。当前版本已足够生产可用，唯一需要注意的是它与火山引擎生态的绑定程度——如果使用的是 LangChain、AutoGen 等第三方框架，也提供了相应的集成示例。