大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



智猩猩AI整理

编辑：没方

让AI智能体帮你完成一个复杂任务，它需要去查资料、记用户偏好、调用工具、积累经验。

但是大部分智能体记忆散落在代码里，资源塞在向量数据库，技能东一个西一个。任务一长，上下文就爆炸，Token费用像坐火箭，检索效果还一塌糊涂。更气人的是，根本看不清它思考时到底用了哪些信息，智能体也学不会真正成长。

为此，今天给大家介绍字节火山引擎推出的开源项目OpenViking。它抛弃了传统 RAG 的碎片化向量存储模型，创新性地采用“文件系统范式”重构了上下文管理逻辑，实现记忆、资源、技能的统一管理，还支持分层上下文加载、目录递归检索、可视化检索轨迹和自动会话管理，让开发者彻底告别上下文管理的繁琐操作。目前，该项目在github上已收获21.7k Stars。

OpenViking 的核心设计理念，是将 AI Agent 需要的所有上下文（记忆、资源、技能）映射为虚拟文件系统，通过viking://协议赋予每个信息唯一 URI，让开发者像用ls、find命令管理本地文件一样，构建智能体的大脑。通过五大核心能力，OpenViking 从根本上解决了 Agent 上下文管理的痛点。

（1）文件系统管理范式

OpenViking 摒弃了传统 RAG 的碎片化向量存储，将 Agent 的所有上下文整合为分层的虚拟文件系统，分为三大核心目录：

（2）分层上下文加载

把海量上下文一次性塞入模型 prompt，不仅成本高，还容易超出模型窗口。OpenViking 将所有信息自动处理为L0/L1/L2 三级结构，按需加载。

三级结构让 Agent 只调用当前需要的信息，既节省了 Token 成本，又避免了无效信息的干扰。

（3）目录递归检索

单一的向量检索很难应对复杂的查询意图，OpenViking中引入一种目录递归检索策略，分为 5 步：

①意图分析：拆解用户查询，生成多个检索条件；

②初始定位：通过向量检索找到高匹配度的核心目录；

③精细探索：在核心目录内二次检索，并将高分结果更新到候选集；

④递归深入：若有子目录，逐层重复精细检索；

⑤结果聚合：返回最相关的完整上下文。

这种”先锁定高分目录，再精细化内容探索”的策略，不仅能找到语义匹配的信息片段，还能理解信息所在的全局上下文，让检索准确率大幅提升。

（4）可视化检索轨迹

OpenViking 会完整记录每次检索的目录浏览和文件定位轨迹，开发者能清晰看到智能体是如何找到信息。

当检索出现问题时，开发者可以通过轨迹快速定位根因，比如是初始目录定位错误，还是子目录探索不充分，从而针对性优化检索逻辑，彻底解决传统 RAG 调试难的问题。

（5）自动会话管理

OpenViking 内置记忆自迭代循环，在每次会话结束后，能自动分析任务执行结果和用户反馈，将核心信息更新到对应的记忆目录。

这使得智能体能够通过与世界的交互”越用越聪明”，实现自我进化。

环境要求：Python版本（3.10+）、Go 版本（1.22 或更高，从源码构建 AGFS 组件需要）、C++ 编译器（GCC 9+ 或 Clang 11+，构建核心扩展需要，必须支持 C++17）。

（1）安装

pip install openviking –upgrade –force-reinstall

curl -fsSL https://raw.githubusercontent.com/volcengine/OpenViking/main/crates/ov_cli/install.sh | bash

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

（2）模型准备

OpenViking 需要VLM 模型（用于图像和内容理解）和Embedding 模型（用于向量化和语义检索）。对于 embedding 模型，目前支持 volcengine（豆包）、openai、azure、jina 等提供商。对于 VLM 模型，支持 volcengine、openai、azure 和 litellm 提供商。litellm 提供商支持各种模型，包括 Anthropic (Claude)、DeepSeek、Gemini、Moonshot、Zhipu、DashScope、MiniMax、vLLM、Ollama 等。

（3）环境配置

创建配置文件 /.openviking/ov.conf：

{

  : {

    : 

  },

  : {

    : ,

    :                  // 日志输出： 或 

  },

  : {

    : {

       : ,    API 端点地址

        : ,    模型服务 API Key

       : ,   提供商类型：、、 等

      : ,  （仅 azure）API 版本，可选，默认 

      : ,                向量维度

          :       // Embedding 模型名称或 Azure 部署名（如 doubao-embedding-vision- 或 text-embedding–large）

    },

    :                // 最大并发 embedding 请求（默认：）

  },

  : {

     : ,      API 端点地址

      : ,      模型服务 API Key

     : ,     提供商类型 (volcengine, openai, azure, litellm 等)

    : ,  （仅 azure）API 版本，可选，默认 

        : ,        VLM 模型名称或 Azure 部署名（如 doubao-seed—pro- 或 gpt–vision-preview）

    :               // 语义处理的最大并发 LLM 调用（默认：）

  }

}

创建配置文件后，设置环境变量指向它（Linux/macOS）：

 OPENVIKING_CONFIG_FILE=/.openviking/ov.conf 

在 Windows 上，使用以下任一方式：

PowerShell：

:OPENVIKING_CONFIG_FILE = 

命令提示符 (cmd.exe)：

示例：用于访问本地服务器的 ovcli.conf

创建配置文件后，设置环境变量指向它（Linux/macOS）：

 OPENVIKING_CLI_CONFIG_FILE=~/.openviking/ovcli.conf 

在 Windows 上，使用以下任一方式：

PowerShell：

:OPENVIKING_CLI_CONFIG_FILE = 

命令提示符 (cmd.exe)：

（4）运行 OpenViking

-server

 openviking-server > /data/log/openviking.log >& &

运行 CLI

ov status

ov add-resource https://github.com/volcengine/OpenViking 

ov  viking://resources/

ov tree viking://resources/volcengine -L 2

ov find 

ov grep  –uri viking://resources/volcengine/OpenViking/docs/zh

（5）启动VikingBot

VikingBot 是构建在 OpenViking 之上的 AI 智能体框架。

pip install 

uv pip install -e 

openviking-server —bot

ov chat

当大模型从单轮对话走向长期任务执行与自主协作时，上下文管理已不再是 AI Agent 开发的附属功能，而是决定智能体能力上限的核心基础设施。OpenViking 的出现，不仅有效解决了当前 Agent 开发的上下文碎片化、检索低效等痛点，更以“文件系统范式”为 AI Agent 的记忆管理建立了全新标准。

OpenViking 内置的记忆自迭代机制，为智能体实现“越用越聪明”的持续进化打下了坚实基础。当前的 AI Agent 大多仍停留在“指令执行”阶段，而未来的智能体，需要在交互中不断积累经验、提炼知识、优化自身能力。OpenViking 通过每次会话结束后自动压缩上下文、提取长期记忆，并异步更新到对应目录，让 Agent 在真实使用中逐步成长。这种“成长型记忆”模式，正是下一代可靠、持久化 Agent 的关键特征，也将为通用人工智能（AGI）的落地提供重要基础设施支撑。