OpenViking，字节把 Agent 的记忆系统开源了，还挺有意思的一个设计：把 Agent 的记忆、知识、技能都做成了一个"文件系统"。定位是"Self-evolving Context Database for AI Agents"——统一 Agent 的记忆、知识 RAG 和技能。

1. 核心思路：context 也应该像文件一样可浏览传统做法是把记忆塞进一个向量数据库，Agent 检索的时候是"黑盒查询"，你根本不知道它是怎么找到这条结果的。OpenViking 换了个思路，用 viking:// 协议把所有 context（记忆、资源、技能）组织成一个虚拟文件系统，Agent 可以像开发者一样用 ls、tree、find 去浏览自己的上下文。本质上是把"语义检索"这件事，变成了确定性、可调试的文件操作。

2. 分层加载，省 token每条内容写入时会自动处理成三层：1）L0 摘要层：一句话概括，几十到上百 token，用来快速判断相关性；2）L1 概览层：核心信息和适用场景，约 2000 token，用来做规划；3）L2 详情层：完整原始数据，只有真正需要时才加载。每个目录自己也带着 L0/L1，所以在真正打开一个文件之前，系统就能先判断这个目录相不相关。检索时先用向量搜索定位得分最高的目录，再逐层往下钻，结果自带上下文，不是孤立的一段文本。

3. 检索过程可观测、可debug每次查询都会保留一条"目录浏览轨迹"。结果不对的时候，能直接看到是哪条路径导致的偏差，这点对调试 Agent 的记忆问题很实用——比黑盒向量库多了一层可解释性。

4. Session 自动变成长期记忆一次会话结束提交后，OpenViking 会异步地把用户偏好、Agent 的经验提炼进长期记忆，不需要额外手动整理。

5. 效果数据官方在 LoCoMo（长对话用户记忆）和 tau2-bench（多轮 Agent 任务）上做了评测：用户记忆：接入 OpenViking 后，三种 Agent 集成方式的准确率都做到 80-83%，相比原生记忆的 24-57% 有明显提升，同时输入 token 减少 34.3%-91.0%，查询延迟降低 58%-66%；Agent 经验记忆：在 tau2-bench 上任务成功率分别提升 6.87 个百分点（零售场景）和 11.87 个百分点（航空场景）。

6. 生态和落地已经支持接入 Claude Code、Codex、Cursor、OpenCode、LangChain/LangGraph 等主流 Agent 工具链，也包括 OpenClaw。安装很简单，pip install openviking 一行，本地跑个 openviking-server 就能起服务，还配了 CLI（ov 命令）方便直接操作。

项目：github.com/volcengine/OpenViking

how i ai 程序员