在 AI 时代，数据易得，但高质量的上下文却难求。构建 AI Agent 时，开发者经常遇到这些挑战：
- 上下文碎片化：记忆在代码里，资源在向量库，技能散落各处，难以统一管理
- 所需上下文猛增：Agent 的长程任务在每次执行时都会产出上下文，简单的截断或压缩会导致信息损失
- 检索效果不佳：传统 RAG 是平铺式存储，缺乏全局视野，难以理解信息的完整语境
- 上下文不可观测：传统 RAG 隐式的检索链路如同黑箱，出错时难以调试
- 记忆迭代有限：目前记忆只是用户记忆的记录，缺乏 Agent 相关的任务记忆
OpenViking 是一个开源的、专为 AI Agent 设计的上下文数据库。
我们旨在为 Agent 定义一套极简的上下文交互范式，让开发者彻底告别上下文管理的烦恼。 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”，将 Agent 所需的记忆、资源和技能进行统一的结构化组织。
通过 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 → 解决碎片化问题：基于文件系统范式，将记忆、资源、技能进行统一上下文管理
- 分层上下文按需加载 → 降低 Token 消耗：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，融合目录定位与语义搜索，实现递归式精准上下文获取
- 可视化检索轨迹 → 上下文可观测：支持可视化目录检索轨迹，让用户能够清晰观测问题根源并指导检索逻辑优化
- 会话自动管理 → 上下文自迭代：自动压缩对话中的内容、资源引用、工具调用等信息，提取长期记忆，让 Agent 越用越聪明
在开始使用 OpenViking 之前，请确保您的环境满足以下要求：
- Python 版本：3.9 或更高版本
- 操作系统：Linux、macOS、Windows
- 网络连接：需要稳定的网络连接（用于下载依赖包和访问模型服务）
pip install openviking
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
OpenViking 支持多种模型服务：
- OpenAI 模型：支持 GPT-4V 等 VLM 模型和 OpenAI Embedding 模型
- 火山引擎（豆包模型）：推荐使用，成本低、性能好，新用户有免费额度。如需购买和开通，请参考：火山引擎购买指南
- 其他自定义模型服务：支持兼容 OpenAI API 格式的模型服务
创建配置文件 ~/.openviking/ov.conf：
{
"embedding": {
"dense": {
"api_base" : "<api-endpoint>", // API 服务端点地址
"api_key" : "<your-api-key>", // 模型服务的 API 密钥
"provider" : "<provider-type>", // 提供商类型（volcengine 或 openai）
"dimension": 1024, // 向量维度
"model" : "<model-name>" // Embedding 模型名称（如 doubao-embedding-vision-250615 或 text-embedding-3-large）
}
},
"vlm": {
"api_base" : "<api-endpoint>", // API 服务端点地址
"api_key" : "<your-api-key>", // 模型服务的 API 密钥
"provider" : "<provider-type>", // 提供商类型（volcengine 或 openai）
"model" : "<model-name>" // VLM 模型名称（如 doubao-seed-1-8-251228 或 gpt-4-vision-preview）
}
}
👇 根据你使用的模型服务，展开查看对应的配置示例：
示例 1：使用火山引擎（豆包模型）
{
"embedding": {
"dense": {
"api_base" : "https://ark.cn-beijing.volces.com/api/v3",
"api_key" : "your-volcengine-api-key",
"provider" : "volcengine",
"dimension": 1024,
"model" : "doubao-embedding-vision-250615"
}
},
"vlm": {
"api_base" : "https://ark.cn-beijing.volces.com/api/v3",
"api_key" : "your-volcengine-api-key",
"provider" : "volcengine",
"model" : "doubao-seed-1-8-251228"
}
}
示例 2：使用 OpenAI 模型
{
"embedding": {
"dense": {
"api_base" : "https://api.openai.com/v1",
"api_key" : "your-openai-api-key",
"provider" : "openai",
"dimension": 3072,
"model" : "text-embedding-3-large"
}
},
"vlm": {
"api_base" : "https://api.openai.com/v1",
"api_key" : "your-openai-api-key",
"provider" : "openai",
"model" : "gpt-4-vision-preview"
}
}
创建好配置文件后，设置环境变量指向配置文件（Linux/macOS）：
export OPENVIKING_CONFIG_FILE=~/.openviking/ov.conf
Windows 下可使用以下方式之一：
PowerShell：
$env:OPENVIKING_CONFIG_FILE = "$HOME/.openviking/ov.conf"
命令提示符（cmd.exe）：
set "OPENVIKING_CONFIG_FILE=%USERPROFILE%\.openviking\ov.conf"
💡 提示：你也可以将配置文件放在其他位置，只需在环境变量中指定正确的路径即可。
📝 前提：请确保已完成上一步的环境配置
现在让我们运行一个完整的示例，体验 OpenViking 的核心功能。
创建 example.py：
import openviking as ov
# Initialize OpenViking client with data directory
client = ov.SyncOpenViking(path="./data")
try:
# Initialize the client
client.initialize()
# Add resource (supports URL, file, or directory)
add_result = client.add_resource(
path="https://raw.githubusercontent.com/volcengine/OpenViking/refs/heads/main/README.md"
)
root_uri = add_result['root_uri']
# Explore the resource tree structure
ls_result = client.ls(root_uri)
print(f"Directory structure:\n{ls_result}\n")
# Use glob to find markdown files
glob_result = client.glob(pattern="**/*.md", uri=root_uri)
if glob_result['matches']:
content = client.read(glob_result['matches'][0])
print(f"Content preview: {content[:200]}...\n")
# Wait for semantic processing to complete
print("Wait for semantic processing...")
client.wait_processed()
# Get abstract and overview of the resource
abstract = client.abstract(root_uri)
overview = client.overview(root_uri)
print(f"Abstract:\n{abstract}\n\nOverview:\n{overview}\n")
# Perform semantic search
results = client.find("what is openviking", target_uri=root_uri)
print("Search results:")
for r in results.resources:
print(f" {r.uri} (score: {r.score:.4f})")
# Close the client
client.close()
except Exception as e:
print(f"Error: {e}")
python example.py
Directory structure: ... Content preview: ... Wait for semantic processing... Abstract: ... Overview: ... Search results: viking://resources/... (score: 0.8523) ...
恭喜！你已成功运行 OpenViking 🎉
在生产环境中，我们推荐将 OpenViking 作为独立 HTTP 服务运行，以便为您的 AI Agent 提供持久化、高性能的上下文支持。
🚀 云端部署OpenViking： 为了确保存储性能与数据安全，我们推荐使用 火山引擎云服务器 (ECS) 结合 veLinux 系统进行部署。我们准备了详细的测试教程，点击下方链接即可快速上手。
在成功运行第一个示例后，让我们深入了解 OpenViking 的设计理念。这五大核心理念与前面提到的解决方案一一对应，共同构建了一个完整的上下文管理体系：
我们不再将上下文视为扁平的文本切片，而是将其统一抽象并组织于一个虚拟文件系统中。无论是记忆、资源还是能力，都会被映射到 viking:// 协议下的虚拟目录，拥有唯一的 URI。
这种范式赋予了 Agent 前所未有的上下文操控能力，使其能像开发者一样，通过 ls、find 等标准指令来精确、确定性地定位、浏览和操作信息，让上下文的管理从模糊的语义匹配演变为直观、可追溯的"文件操作"。了解更多：Viking URI | 上下文类型
viking:// ├── resources/ # 资源：项目文档、代码库、网页等 │ ├── my_project/ │ │ ├── docs/ │ │ │ ├── api/ │ │ │ └── tutorials/ │ │ └── src/ │ └── ... ├── user/ # 用户：个人偏好、习惯等 │ └── memories/ │ ├── preferences/ │ │ ├── 写作风格 │ │ └── 编程习惯 │ └── ... └── agent/ # Agent：技能、指令、任务记忆等 ├── skills/ │ ├── search_code │ ├── analyze_data │ └── ... ├── memories/ └── instructions/
将海量上下文一次性塞入提示词，不仅成本高昂，更容易超出模型窗口并引入噪声。OpenViking 在上下文写入时便自动将其处理为三个层级：
- L0 (摘要)：一句话概括，用于快速检索和识别
- L1 (概述)：包含核心信息和使用场景，供 Agent 在规划阶段进行决策
- L2 (详情)：完整的原始数据，供 Agent 在确有必要时深入读取
了解更多：上下文分层
viking://resources/my_project/ ├── .abstract # L0 层：摘要（~100 tokens）- 快速判断相关性 ├── .overview # L1 层：概览（~2k tokens）- 了解结构和要点 ├── docs/ │ ├── .abstract # 每个目录都有对应的 L0/L1 层 │ ├── .overview │ ├── api/ │ │ ├── .abstract │ │ ├── .overview │ │ ├── auth.md # L2 层：完整内容 - 按需加载 │ │ └── endpoints.md │ └── ... └── src/ └── ...
单一的向量检索难以应对复杂的查询意图。OpenViking 设计了一套创新的目录递归检索策略，深度融合多种检索方式：
- 意图分析：通过意图分析生成多个检索条件
- 初始定位：利用向量检索快速定位初始切片所在的高分目录
- 精细探索：在该目录下进行二次检索，并将高分结果更新至候选集合
- 递归下探：若目录下仍存在子目录，则逐层递归重复上述二次检索步骤
- 结果汇总：最终拿到最相关上下文返回
这种"先锁定高分目录、再精细探索内容"的策略，不仅能找到语义最匹配的片段，更能理解信息所在的完整语境，从而提升检索的全局性与准确性。了解更多：检索机制
OpenViking 的组织方式采用层次化虚拟文件系统结构，所有上下文均以统一格式整合且每个条目对应唯一 URI（如 viking:// 路径），打破传统扁平黑箱式管理模式，层次分明易于理解。
检索过程采用目录递归策略，每次检索的目录浏览、文件定位轨迹均被完整留存，能够清晰观测问题根源并指导检索逻辑优化。了解更多：检索机制
OpenViking 内置了记忆自迭代闭环。在每次会话结束时，开发者可以主动触发记忆提取机制，系统会异步分析任务执行结果与用户反馈，并自动更新至 User 和 Agent 的记忆目录下。
- 用户记忆更新：更新用户偏好相关记忆，使 Agent 回应更贴合用户需求
- Agent 经验积累：从任务执行经验中提取操作技巧、工具使用经验等核心内容，助力后续任务高效决策
让 Agent 在与世界的交互中"越用越聪明"，实现自我进化。了解更多：会话管理
OpenViking 项目采用清晰的模块化架构设计，主要目录结构如下：
OpenViking/ ├── openviking/ # 核心源代码目录 │ ├── core/ # 核心模块：客户端、引擎、文件系统等核心功能 │ ├── models/ # 模型集成：VLM 和 Embedding 模型的封装 │ ├── parse/ # 资源解析：文件解析、资源检测、OVPack 格式处理 │ ├── retrieve/ # 检索模块：语义检索、目录递归检索等 │ ├── storage/ # 存储层：向量数据库、文件系统队列、观察者模式 │ ├── session/ # 会话管理：对话历史、记忆提取等 │ ├── message/ # 消息处理：消息格式化、转换等 │ ├── prompts/ # 提示词模板：各类任务的提示词模板 │ ├── utils/ # 工具函数：配置管理、辅助工具等 │ └── bin/ # 命令行工具 ├── docs/ # 项目文档 │ ├── zh/ # 中文文档 │ ├── en/ # 英文文档 │ └── images/ # 文档图片资源 ├── examples/ # 使用示例 ├── tests/ # 测试用例 │ ├── client/ # 客户端测试 │ ├── engine/ # 引擎测试 │ ├── integration/ # 集成测试 │ ├── session/ # 会话测试 │ └── vectordb/ # 向量数据库测试 ├── src/ # C++ 扩展模块（高性能索引和存储） │ ├── common/ # 公共组件 │ ├── index/ # 索引实现 │ └── store/ # 存储实现 ├── third_party/ # 第三方依赖 ├── pyproject.toml # Python 项目配置文件 ├── setup.py # 安装脚本 ├── LICENSE # 开源协议 ├── CONTRIBUTING.md # 贡献指南 ├── AGENT.md # Agent 开发指南 └── README.md # 项目说明文档
如需了解更多详细信息，请访问我们的完整文档。
OpenViking 是由字节跳动火山引擎 Viking 团队发起并维护的开源项目。
Viking 团队专注于非结构化信息处理和智能检索领域，在上下文工程技术方面积累了丰富的商业化实践经验：
- 2019 年：VikingDB 向量数据库支撑字节内部全业务大规模使用
- 2023 年：VikingDB 在火山引擎公有云售卖
- 2024 年：推出面向开发者的产品矩阵：VikingDB 向量数据库、Viking 知识库、Viking 记忆库
- 2025 年：打造 AI 搜索、vaka 知识助手等上层应用产品
- 2025 年 10 月：开源 MineContext，主动式 AI 应用探索
- 2026 年 1 月：开源 OpenViking，为 AI Agent 提供底层上下文数据库支撑
更多详细信息请查看：关于我们
OpenViking 目前还处于早期阶段，有许多需要完善和探索的地方。在此，我们诚挚地邀请每一位对 AI Agent 技术充满热情的开发者：
- 为我们点亮一颗宝贵的 Star，给予我们前行的动力
- 访问我们的 网站，了解我们传递的理念，并通过文档使用它，在您的项目中感受它带来的改变，并向我们反馈最真实的体验
- 加入我们的社区，分享您的洞见，帮助解答他人的疑问，共同营造一个开放、互助的技术氛围：
- 📱 飞书群：扫描二维码加入 → 查看二维码
- 💬 微信群：添加小助手微信，备注「OpenViking」→ 查看二维码
- 🎮 Discord：加入 Discord 服务器
- 🐦 X (Twitter)：关注我们的动态
- 成为我们的贡献者，无论是提交一个 Bug 修复，还是贡献一个新功能，您的每一行代码都将是 OpenViking 成长的重要基石
让我们一起，共同定义和构建 AI Agent 上下文管理的未来。旅程已经开始，期待您的加入！
本项目采用 Apache License 2.0 开源协议 - 详见 LICENSE
