7.1
深览指数
产品人人都是产品经理·AI李子··AI 生成
OpenViking 实战：把知识库、长期记忆和 Agent 技能统一到一个上下文文件系统
本文以实战方式介绍了火山引擎开源的 OpenViking 项目，它并非传统向量数据库，而是一个面向 AI Agent 的上下文数据库。核心创新在于将知识库、用户记忆和 Agent 技能统一到一个虚拟文件系统中，并通过 L0（摘要）、L1（概览）、L2（全文）三层分层加载机制，让 Agent 像人类查阅书籍一样，先浏览目录再深入读取内容。文章详细演示了从部署、配置到接入 Claude Code、Cherry Studio 等工具的全过程，并指出了这套设计对需要长期维护个人知识库、使用多个 Agent 工具的开发者特别有价值。文章最后也提醒，知识库质量不会因工具改变而自动提升，资料结构仍需认真设计。原文 ↗
核心观点
- ▍OpenViking 的核心创新在于通过虚拟文件系统（viking:// URI）将知识库、用户记忆和 Agent 技能统一管理，取代传统 RAG 中多个系统分散管理的模式，并采用 L0/L1/L2 分层加载机制来解决传统 RAG 的结构丢失、检索不可观察和 Token 费用高的问题。
- ▍OpenViking 对 Agent 的意义更像是一套上下文基础设施，而不仅是一个向量数据库，它让 Agent 检索内容时能先浏览目录和结构，再逐步深入具体文件，更接近人类查阅资料的方式。
- 01传统 RAG 流程为：文档切块 → 向量化 → 相似度检索 → 拼接结果 → 交给模型，存在结构丢失、检索不可观察、Token 与费用高、多系统分散等四个主要问题。
- 02OpenViking 的三层上下文设计：L0 摘要层（最轻量，判断哪些目录值得关注）、L1 概览层（按需加载，了解章节结构与关键信息）、L2 完整正文层（原始数据保留，任务确实需要才读）。
- 03OpenViking 通过 Helper 客户端可以管理本地 Agent（如 Claude Code、Codex、Cursor）的集成，查看会话、记忆和技能的同步状态，并能实现一个 Agent 记录的记忆在其他 Agent 中共享。
- 04实际部署和接入测试中，OpenViking 可以通过 MCP 协议接入 Cherry Studio 和 WorkBuddy，并能成功检索到已建立的知识库内容。
- 05OpenViking 需要 Python 3.10+、一个用于生成摘要和概览的 LLM/VLM，以及一个嵌入模型。部署时可通过 `pip install openviking --upgrade` 安装，并执行 `openviking-server init` 进行初始化配置。
反方 / 局限
- — OpenViking 仍处于快速迭代阶段，不同版本的命令、配置项和 Agent 集成方式可能发生变化，部署时需以官方仓库和文档为准。
- — 知识库质量不会因为换了工具就自动提升，资料结构、命名方式、更新机制和记忆筛选仍然需要认真设计，否则 Agent 依然难以高效利用信息。
- — MCP 连接成功并不代表模型一定会主动调用知识库，测试时问题最好明确指定资料范围，并检查客户端是否实际调用了对应工具。
19 分钟 · 5 卡片 · 13 资料
读原文 →