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

2026-03-28 约 5106 字预计阅读 13 分钟

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

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，创新采用「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 重新定义 Agent 的上下文交互范式，告别上下文管理的繁琐。

核心理念：「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://                              # 根目录
├── memories/                          # 记忆目录
│   ├── sessions/                      # 会话记忆
│   └── long_term/                    # 长期记忆
├── resources/                          # 资源目录
│   ├── code/                          # 代码资源
│   ├── docs/                          # 文档资源
│   └── data/                          # 数据资源
└── skills/                            # 技能目录
    ├── 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

┌─────────────────────────────────────────────────────────────┐
│                    OpenViking 架构                              │
├─────────────────────────────────────────────────────────────┤
│  SDK 层（多语言）                                            │
│  ┌──────────────┐  ┌──────────────┐                         │
│  │ Python SDK  │  │ Rust CLI     │                         │
│  │ openviking  │  │ ov_cli       │                         │
│  └──────────────┘  └──────────────┘                         │
├─────────────────────────────────────────────────────────────┤
│  VikingBot（AI Agent 框架）                                  │
│  基于 OpenViking 构建的 AI Agent 框架                        │
├─────────────────────────────────────────────────────────────┤
│  核心引擎层                                                  │
│  ┌──────────────┐  ┌──────────────┐  ┌──────────────┐       │
│  │ Context      │  │ Retrieval    │  │ Memory       │       │
│  │ Engine      │  │ Engine       │  │ Engine       │       │
│  └──────────────┘  └──────────────┘  └──────────────┘       │
├─────────────────────────────────────────────────────────────┤
│  存储层                                                      │
│  ┌──────────────┐  ┌──────────────┐                         │
│  │ File System  │  │ Vector Store │                         │
│  │ Paradigm    │  │ (Embedding) │                         │
│  └──────────────┘  └──────────────┘                         │
├─────────────────────────────────────────────────────────────┤
│  模型层                                                      │
│  ┌──────────────┐  ┌──────────────┐                         │
│  │ VLM Model   │  │ Embedding    │                         │
│  │ (视觉理解)  │  │ Model (向量化)│                         │
│  └──────────────┘  └──────────────┘                         │
└─────────────────────────────────────────────────────────────┘

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/
├── bot/                      # VikingBot（AI Agent 框架）
├── build_support/           # 构建支持
├── crates/ov_cli/           # Rust CLI 工具
├── deploy/helm/             # Helm 部署
├── docs/                    # 文档
├── examples/                # 示例
├── openviking/              # 核心 Python 包
├── openviking_cli/          # Python CLI
├── src/                     # 核心源代码
├── tests/                   # 测试
└── third_party/             # 第三方依赖

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

Rust CLI（可选）：

# 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 模型配置

OpenViking 需要以下模型能力：

模型类型	说明
VLM 模型（视觉语言模型）	用于图像和内容理解
Embedding 模型（嵌入向量）	用于向量化和语义检索

4.4 配置示例

服务端配置 ~/.openviking/ov.conf：

{
  "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"
  }
}

4.5 运行示例

启动服务器：

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

运行 CLI：

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 VikingBot 快速开始

VikingBot 是基于 OpenViking 构建的 AI Agent 框架：

# 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 核心价值

OpenViking 的核心价值在于为 AI Agent 提供企业级的上下文管理能力，让开发者可以像管理本地文件一样管理 Agent 的脑。

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：创新的上下文组织方式
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。