### OpenViking：AI 智能体的上下文数据库 [English](README.md) / 中文 / [日本語](README_JA.md) 官网 · GitHub · 问题反馈 · 文档 [![][release-shield]][release-link] [![][github-stars-shield]][github-stars-link] [![][github-issues-shield]][github-issues-shield-link] [![][github-contributors-shield]][github-contributors-link] [![][license-shield]][license-shield-link] [![][last-commit-shield]][last-commit-shield-link] 👋 加入我们的社区 📱 飞书群 · 微信群 · Discord · X

--- ✨ **2026年5月更新**：更新 OpenViking 在 User Memory、Agent Memory 和知识库问答三场景上的评测结果。→ 见 [评测结果](#-评测结果)。 ## 概述 ### 智能体开发面临的挑战在 AI 时代，数据丰富，但高质量的上下文却难以获得。在构建 AI 智能体时，开发者经常面临以下挑战： - **上下文碎片化**：记忆存储在代码中，资源在向量数据库中，技能分散在各处，难以统一管理。 - **上下文需求激增**：智能体的长运行任务在每次执行时都会产生上下文。简单的截断或压缩会导致信息丢失。 - **检索效果不佳**：传统 RAG 使用扁平化存储，缺乏全局视图，难以理解信息的完整上下文。 - **上下文不可观察**：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**：当前记忆只是用户交互的记录，缺乏智能体相关的任务记忆。 ### OpenViking 解决方案 **OpenViking** 是专为 AI 智能体设计的开源**上下文数据库**。我们的目标是为智能体定义一个极简的上下文交互范式，让开发者完全告别上下文管理的烦恼。OpenViking 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"** 来统一组织智能体所需的记忆、资源和技能。使用 OpenViking，开发者可以像管理本地文件一样构建智能体的大脑： - **文件系统管理范式** → **解决碎片化**：基于文件系统范式统一管理记忆、资源和技能。 - **分层上下文加载** → **降低 Token 消耗**：L0/L1/L2 三层结构，按需加载，显著节省成本。 - **目录递归检索** → **提升检索效果**：支持原生文件系统检索方式，结合目录定位和语义搜索，实现递归精准的上下文获取。 - **可视化检索轨迹** → **可观察上下文**：支持目录检索轨迹可视化，让用户清晰观察问题根源，指导检索逻辑优化。 - **自动会话管理** → **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，提取长期记忆，让智能体越用越聪明。 --- ## 快速开始 ### 本地部署 #### 前置条件在开始使用 OpenViking 之前，请确保您的环境满足以下要求： - **Python 版本**：3.10 或更高版本 - **Rust 工具链**：Cargo（从源码构建 RAGFS 和 CLI 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） - **操作系统**：Linux、macOS、Windows - **网络连接**：需要稳定的网络连接（用于下载依赖和访问模型服务） #### 1. 安装 ##### Python 包 ```bash pip install openviking --upgrade --force-reinstall ``` ##### Rust CLI（可选） ```bash npm i -g @openviking/cli ``` 或从源码构建： ```bash cargo install --git https://github.com/volcengine/OpenViking ov_cli ``` #### 2. 模型准备 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 ##### 支持的 VLM 提供商 OpenViking 支持多种 VLM 提供商： | 提供商 | 描述 | 设置方式 | |----------|-------------|-------------| | `volcengine` | 火山引擎豆包模型 | [Volcengine 控制台](https://console.volcengine.com/ark/region:ark+cn-beijing/overview?briefPage=0&briefType=introduce&type=new&utm_content=OpenViking&utm_medium=devrel&utm_source=OWO&utm_term=OpenViking) | | `openai` | OpenAI 官方 API | [OpenAI 平台](https://platform.openai.com) | | `azure` | Azure OpenAI 服务 | [Azure OpenAI 服务](https://portal.azure.com) | | `openai-codex` | 通过 ChatGPT/Codex OAuth 使用 Codex VLM | 使用 `openviking-server init` | ##### 提供商特定说明

Volcengine (豆包)

Volcengine 支持模型名称和端点 ID。为简单起见，建议使用模型名称： ```json { "vlm": { "provider": "volcengine", "model": "doubao-seed-2-0-pro-260215", "api_key": "your-api-key", "api_base": "https://ark.cn-beijing.volces.com/api/v3" } } ``` 您也可以使用端点 ID（可在 [Volcengine ARK 控制台](https://console.volcengine.com/ark) 中找到）： ```json { "vlm": { "provider": "volcengine", "model": "ep-20241220174930-xxxxx", "api_key": "your-api-key", "api_base": "https://ark.cn-beijing.volces.com/api/v3" } } ```

OpenAI

使用 OpenAI 的官方 API： ```json { "vlm": { "provider": "openai", "model": "gpt-4o", "api_key": "your-api-key", "api_base": "https://api.openai.com/v1" } } ``` 您也可以使用自定义的 OpenAI 兼容端点： ```json { "vlm": { "provider": "openai", "model": "gpt-4o", "api_key": "your-api-key", "api_base": "https://your-custom-endpoint.com/v1" } } ```

Azure OpenAI

使用 Azure OpenAI 服务。`model` 字段需要填写 Azure 上的**部署名称（deployment name）**，而非模型官方名字： ```json { "vlm": { "provider": "azure", "model": "your-deployment-name", "api_key": "your-azure-api-key", "api_base": "https://your-resource-name.openai.azure.com", "api_version": "2025-01-01-preview" } } ``` > 💡 **提示**： > - `api_base` 填写你的 Azure OpenAI 资源端点，支持 `*.openai.azure.com` 和 `*.cognitiveservices.azure.com` 两种格式 > - `api_version` 可选，默认值为 `2025-01-01-preview` > - `model` 必须与 Azure Portal 中创建的部署名称一致

OpenAI Codex（OAuth）

如果你希望通过 ChatGPT/Codex OAuth 会话来使用 Codex VLM，而不是标准 OpenAI API Key，可以这样配置： ```bash openviking-server init # 在向导中选择 OpenAI Codex openviking-server doctor ``` ```json { "vlm": { "provider": "openai-codex", "model": "gpt-5.3-codex", "api_base": "https://chatgpt.com/backend-api/codex", "temperature": 0.0, "max_retries": 2 } } ``` > 💡 **提示**： > - 当 Codex OAuth 可用时，`openai-codex` 不需要 `vlm.api_key` > - OpenViking 会把自己的 Codex 鉴权状态保存在 `~/.openviking/codex_auth.json` > - 可以通过 `openviking-server doctor` 校验当前 Codex 鉴权是否可用

#### 3. 环境配置 ##### 本地模型快速配置 (Ollama) 如果你想通过 [Ollama](https://ollama.ai) 使用本地模型运行 OpenViking，交互式向导会自动完成所有配置： ```bash openviking-server init ``` 向导会： - 检测并安装 Ollama（如需要） - 根据你的硬件推荐并拉取合适的 embedding 和 VLM 模型 - 生成可直接使用的 `ov.conf` 配置文件随时验证配置是否正确： ```bash openviking-server doctor ``` `doctor` 会检查本地环境（配置文件、Python 版本、embedding/VLM 服务连通性、磁盘空间），无需启动服务器。 > 如果使用云端 API（火山引擎、OpenAI、Gemini 等），请继续下方的手动配置。 ##### 服务器配置模板推荐的首次配置流程是： ```bash openviking-server init openviking-server doctor ``` 如果你在 `openviking-server init` 中选择了 `OpenAI Codex`，初始化向导会帮你导入已有 Codex 鉴权，或直接引导你完成登录。如果你更想手动配置，再创建 `~/.openviking/ov.conf`，复制前请删除注释： ```json { "storage": { "workspace": "/home/your-name/openviking_workspace" }, "log": { "level": "INFO", "output": "stdout" // 日志输出："stdout" 或 "file" }, "embedding": { "dense": { "api_base" : "", // API 端点地址 "api_key" : "", // 模型服务 API Key "provider" : "", // 提供商类型："volcengine"、"openai"、"azure" 等 "api_version": "2025-01-01-preview", // （仅 azure）API 版本，可选，默认 "2025-01-01-preview" "dimension": 1024, // 向量维度 "model" : "" // Embedding 模型名称或 Azure 部署名 }, "max_concurrent": 10 // 最大并发 embedding 请求（默认：10） }, "vlm": { "api_base" : "", // API 端点地址 "api_key" : "", // 模型服务 API Key（openai-codex 可选） "provider" : "", // 提供商类型 (volcengine, openai, azure, openai-codex 等) "api_version": "2025-01-01-preview", // （仅 azure）API 版本，可选，默认 "2025-01-01-preview" "model" : "", // VLM 模型名称或 Azure 部署名 "max_concurrent": 64 // 语义处理的最大并发 LLM 调用（默认：64） } } ``` > **注意**：对于 embedding 模型，支持 `volcengine`（豆包）、`openai`、`azure`、`jina`、`ollama`、`voyage`、`dashscope`、`minimax`、`cohere`、`vikingdb`、`gemini`（需 `pip install "google-genai>=1.0.0"`）、`litellm` 和 `local`。对于 VLM 模型，常见提供商包括 `volcengine`、`openai`、`openai-codex`、`kimi`、`glm`。 ##### 服务器配置示例 👇 展开查看您的模型服务的配置示例：

示例 1：使用 Volcengine（豆包模型）

```json { "storage": { "workspace": "/home/your-name/openviking_workspace" }, "log": { "level": "INFO", "output": "stdout" }, "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-251215" }, "max_concurrent": 10 }, "vlm": { "api_base" : "https://ark.cn-beijing.volces.com/api/v3", "api_key" : "your-volcengine-api-key", "provider" : "volcengine", "model" : "doubao-seed-2-0-pro-260215", "max_concurrent": 64 } } ```

示例 2：使用 OpenAI 模型

```json { "storage": { "workspace": "/home/your-name/openviking_workspace" }, "log": { "level": "INFO", "output": "stdout" }, "embedding": { "dense": { "api_base" : "https://api.openai.com/v1", "api_key" : "your-openai-api-key", "provider" : "openai", "dimension": 3072, "model" : "text-embedding-3-large" }, "max_concurrent": 10 }, "vlm": { "api_base" : "https://api.openai.com/v1", "api_key" : "your-openai-api-key", "provider" : "openai", "model" : "gpt-4-vision-preview", "max_concurrent": 64 } } ```

示例 3：使用 Azure OpenAI 模型

```json { "storage": { "workspace": "/home/your-name/openviking_workspace" }, "log": { "level": "INFO", "output": "stdout" }, "embedding": { "dense": { "api_base" : "https://your-resource-name.openai.azure.com", "api_key" : "your-azure-api-key", "provider" : "azure", "api_version": "2025-01-01-preview", "dimension": 1024, "model" : "text-embedding-3-large" }, "max_concurrent": 10 }, "vlm": { "api_base" : "https://your-resource-name.openai.azure.com", "api_key" : "your-azure-api-key", "provider" : "azure", "api_version": "2025-01-01-preview", "model" : "gpt-4o", "max_concurrent": 64 } } ``` > 💡 **提示**： > - `model` 必须填写 Azure Portal 中创建的**部署名称**，而非模型官方名字 > - `api_base` 支持 `*.openai.azure.com` 和 `*.cognitiveservices.azure.com` 两种端点格式 > - Embedding 和 VLM 可以使用不同的 Azure 资源和 API Key

##### 设置服务器配置环境变量创建配置文件后，设置环境变量指向它（Linux/macOS）： ```bash export OPENVIKING_CONFIG_FILE=~/.openviking/ov.conf # 默认值 ``` 在 Windows 上，使用以下任一方式： PowerShell： ```powershell $env:OPENVIKING_CONFIG_FILE = "$HOME/.openviking/ov.conf" ``` 命令提示符 (cmd.exe)： ```bat set "OPENVIKING_CONFIG_FILE=%USERPROFILE%\.openviking\ov.conf" ``` > 💡 **提示**：您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路径。 ##### CLI/客户端配置示例你可以通过 `ov config` 命令来以交互式方式初始化 CLI/客户端的配置。如果你有多个 openviking 服务器，你还可以通过 `ov config switch` 命令来切换到其他配置。 👇 展开查看您的 CLI/客户端的配置示例：

示例：用于访问本地服务器的 ovcli.conf

```json { "url": "http://localhost:1933", "timeout": 60.0, "output": "table" } ``` 创建配置文件后，设置环境变量指向它（Linux/macOS）： ```bash export OPENVIKING_CLI_CONFIG_FILE=~/.openviking/ovcli.conf # 默认值 ``` 在 Windows 上，使用以下任一方式： PowerShell： ```powershell $env:OPENVIKING_CLI_CONFIG_FILE = "$HOME/.openviking/ovcli.conf" ``` 命令提示符 (cmd.exe)： ```bat set "OPENVIKING_CLI_CONFIG_FILE=%USERPROFILE%\.openviking\ovcli.conf" ```

#### 4. 运行您的第一个示例 > 📝 **前置条件**：确保您已完成上一步的配置（ov.conf 和 ovcli.conf）。现在让我们运行一个完整的示例，体验 OpenViking 的核心功能。 ##### 启动服务器 ```bash openviking-server doctor openviking-server ``` 如果你的 `vlm.provider` 是 `openai-codex`，`openviking-server doctor` 已经会校验 Codex 鉴权。或者您可以在后台运行 ```bash nohup openviking-server > /data/log/openviking.log 2>&1 & ``` ##### 运行 CLI ```bash ov status ov add-resource https://github.com/volcengine/OpenViking # --wait ov ls viking://resources/ ov tree viking://resources/volcengine -L 2 # 如果没有使用 --wait，等待一段时间以进行语义处理 ov find "what is openviking" ov grep "openviking" --uri viking://resources/volcengine/OpenViking/docs/zh ``` 恭喜！您已成功运行 OpenViking 🎉 ### 商业化接入 OpenViking Personal 现已正式上线。相比开源版本，Service 版本由官方托管、开箱即用，借助 VikingDB 实现远超本地硬件的扩展能力，并提供更丰富的集成和专业的技术支持。新用户可免费试用至多 50 个文件，现有开源版用户也可通过我们的迁移工具平滑迁移。 ### VikingBot 快速开始 VikingBot 是构建在 OpenViking 之上的 AI 智能体框架。以下是快速开始指南： ```bash # 选项 1：从 PyPI 安装 VikingBot（推荐大多数用户使用） pip install "openviking[bot]" # 选项 2：从源码安装 VikingBot（用于开发） uv pip install -e ".[bot]" # 启动 OpenViking 服务器（同时启动 Bot） openviking-server --with-bot # 在另一个终端启动交互式聊天 ov chat ``` --- ## 服务器部署详情对于生产环境，我们建议将 OpenViking 作为独立的 HTTP 服务运行，为您的 AI 智能体提供持久、高性能的上下文支持。 🚀 **在云端部署 OpenViking**：为确保最佳的存储性能和数据安全，我们建议在 **火山引擎弹性计算服务 (ECS)** 上使用 **veLinux** 操作系统进行部署。我们准备了详细的分步指南，帮助您快速上手。 👉 **[查看：服务器部署与 ECS 设置指南](./docs/zh/getting-started/03-quickstart-server.md)** --- ## 📊 评测结果 OpenViking 0.3.22 的核心价值主张：**在更高问答准确率的同时，消耗更低的 Token，完成任务时延更低**。以下结果覆盖三个评测维度。 ### 1. 用户记忆评测（User Memory） **测试目标**：验证 OpenViking 作为不同 Agent 的外接记忆组件，在长对话记忆问答（LOCOMO 数据集）上的准确率、Token 效率和时延表现。 #### 1.1 各 Agent 基座上的 LOCOMO 测试结果

实验编号	方案	Query 平均耗时	问答准确率	Agent 总输入 Token
OpenClaw 基座
1	OpenClaw + 原生 memory-core	95.14s	24.20%	392,559,404
2	OpenClaw + Mem0	37.6s	56.62%	42,118,285
3	OpenClaw + SuperMemory	109.3s	42.99%	88,304,113
4	OpenClaw + 百炼记忆库	41.6s	39.55%	35,206,037
5	OpenClaw + OpenViking	38.8s	82.08%	37,423,456
Hermes 基座
6	Hermes Native Memory	82.4s (3.57轮/query)	33.38%	79,228,398
7	Hermes + OpenViking	27.9s (1.55轮/query)	82.86%	52,026,755
Claude Code 基座
8	Claude Code Auto-Memory	49.1s (7.2轮/query)	57.21%	353,306,422
9	Claude Code + OpenViking	20.4s (2.6轮/query)	80.32%	129,968,899

#### 1.2 关键效率提升汇总 | Agent | 准确率提升 | 时延降低 | Token 消耗降低 | |:-----:|----------:|---------:|--------------:| | OpenClaw | 24.20% → 82.08% (+3.39×) | -59.22% | **-91.0%** | | Hermes | 33.38% → 82.86% (+2.48×) | -66.10% | -34.3% | | Claude Code | 57.21% → 80.32% (+1.40×) | -58.45% | -63.2% | --- ### 2. Agent 经验记忆评测（Agent Memory） **测试目标**：验证 OpenViking 抽取并召回经验记忆前后，任务执行表现和 Token 节省的效果。 OpenViking 的 Agent Memory 分为两层： | 层级 | 概念 | 说明 | |:----:|:----:|:----:| | Layer 1 | **轨迹（Trajectory）** | 每次会话结束后自动提炼，记录"做了什么、怎么做的、结果如何" | | Layer 2 | **经验（Experience）** | 由多条相关轨迹归纳而来，跨会话可复用的策略性知识，"Situation / Approach / Reflect"三段式 | #### 2.1 经济仿真测试（ClawWork）港大数据科学实验室（HKUDS）构建的"实时经济生存 benchmark"，Agent 从 $10 起步，每次 LLM 调用自动扣费，收入来自完成专业任务（覆盖 44 个职业、220 个任务）。 | 方案 | 完成 50 个任务后净收入 | 平均每小时 Token 消耗 | |:----:|-------------------:|------------------:| | LLM only | $2,269.77 | 1,030.3K/h | | **LLM + OpenViking** | **$3,843.74 (+69.34%)** | **872.4K/h (-22.8%)** | #### 2.2 Tau-2 对话 Agent 测试 Sierra AI 发布的对话式 Agent 评测基准，覆盖 Retail 和 Airline 两个领域。 | 方案 | Retail 正确率 | Airline 正确率 | |:----:|------------:|-------------:| | LLM 无记忆 | 70.94% | 54.38% | | **LLM + OpenViking 经验记忆** | **77.81% (+6.87pp)** | **66.25% (+11.87pp)** | --- ### 3. 知识库问答评测（Knowledge Base QA） **测试目标**：对比 OpenViking 与其他 RAG 方案在开源 benchmark 上的准确率、Token 效率和时延表现。 #### 3.1 多跳、多路 RAG 测试（HotpotQA 数据集） | 方案 | 检索范式 | Accuracy | 每 QA Token | 每 QA 耗时 | |:----:|:------:|---------:|-----------:|---------:| | Naive RAG | 向量检索 | 62.50% | 1,290 | **0.11s** | | HippoRAG 2 | 向量 + 知识图谱 | 61.00% | 726 | 20s | | LightRAG | 向量 + 知识图谱 | 89.00% | 28,443 | 75s | | LangChain SQL (Agent) | SQL + Agent | 78.00% | 4,776 | 132s | | OpenViking (top5) | 向量检索 | 72.75% | 3,154 | 0.22s | | **OpenViking (top20)** | **向量检索** | **91.00%** | **12,533** | **0.23s** | > 💡 **在本组对比中，OpenViking 在 HotpotQA top20 配置下取得最高准确率（91%）；同时检索延迟仅 0.23s，Token 消耗不到 LightRAG 的一半。** #### 3.2 单轮 RAG 测试（5 个开源数据集均值） | 方案 | 检索范式 | 平均 Accuracy | 建库 Token | 每 QA Token | 检索耗时 | |:----:|:------:|-------------:|---------:|-----------:|-------:| | Naive RAG | 向量检索 | 53.93% | 2,755,356 | 1,435 | **0.13s** | | PageIndex | 向量 + 树结构 | 36.75% | 5,609,206 | 710,480 | 84.60s | | HippoRAG 2 | 向量 + 知识图谱 | 44.50% | 124,963,618 | **637** | 18.83s | | LightRAG | 向量 + 知识图谱 | **76.00%** | 62,705,469 | 27,035 | 9.19s | | **OpenViking** | **向量检索** | **66.87%** | **8,671,538** | **3,060** | **0.19s** | > 测试数据集：FinanceBench、NaturalQuestions、ClapNQ、Qasper、SyllabusQA。OpenViking 以极低耗时（0.19s）取得 66.87% 的平均准确率，建库成本仅为 LightRAG 的 13.8%。 --- ## 学术背书 OpenViking 开源了论文 `VikingMem` 中描述的部分核心能力，使 AI 智能体开发者可以直接使用其中的上下文数据库与记忆管理理念。 > **VikingMem: A Memory Base Management System for Stateful LLM-based Applications** > Jiajie Fu, Junwen Chen, Mengzhao Wang, Aoxiang He, Maojia Sheng, Xiangyu Ke, Yifan Zhu, and Yunjun Gao. > arXiv:2605.29640, 2026。已被 VLDB 2026 接收。 > > 📄 [阅读 arXiv 论文](https://arxiv.org/abs/2605.29640) ## VikingBot 部署详情 OpenViking 有一个类似 nanobot 的机器人用于交互工作，现已可用。 👉 **[查看：使用 VikingBot 部署服务器](bot/README_CN.md)** --- ## 核心概念运行第一个示例后，让我们深入了解 OpenViking 的设计理念。这五个核心概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系统： ### 1. 文件系统管理范式 → 解决碎片化我们不再将上下文视为扁平的文本切片，而是将它们统一到一个抽象的虚拟文件系统中。无论是记忆、资源还是能力，都映射到 `viking://` 协议下的虚拟目录中，每个都有唯一的 URI。这种范式赋予智能体前所未有的上下文操作能力，使它们能够像开发者一样，通过 `ls` 和 `find` 等标准命令精确、确定地定位、浏览和操作信息。这将上下文管理从模糊的语义匹配转变为直观、可追踪的"文件操作"。了解更多：[Viking URI](./docs/zh/concepts/04-viking-uri.md) | [上下文类型](./docs/zh/concepts/02-context-types.md) ``` 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 │ └── {user_id}/ │ ├── memories/ │ │ ├── preferences/ │ │ │ ├── writing_style │ │ │ └── coding_habits │ │ └── ... │ ├── resources/ │ │ └── private_project/ │ ├── skills/ │ │ ├── search_code │ │ └── analyze_data │ └── peers/ │ └── web-visitor-alice/ │ ├── memories/ │ └── resources/ ``` ### 2. 分层上下文加载 → 降低 Token 消耗一次性将大量上下文塞入提示不仅昂贵，而且容易超出模型窗口并引入噪声。OpenViking 在写入时自动将上下文处理为三个级别： - **L0 (摘要)**：一句话摘要，用于快速检索和识别。 - **L1 (概览)**：包含核心信息和使用场景，用于智能体在规划阶段的决策。 - **L2 (详情)**：完整的原始数据，供智能体在绝对必要时深度阅读。了解更多：[上下文分层](./docs/zh/concepts/03-context-layers.md) ``` viking://resources/my_project/ ├── .abstract # L0 层：摘要（~100 tokens）- 快速相关性检查 ├── .overview # L1 层：概览（~2k tokens）- 理解结构和关键点 ├── 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/ └── ... ``` ### 3. 目录递归检索 → 提升检索效果单一向量检索难以应对复杂的查询意图。OpenViking 设计了创新的**目录递归检索策略**，深度集成多种检索方法： 1. **意图分析**：通过意图分析生成多个检索条件。 2. **初始定位**：使用向量检索快速定位初始切片所在的高分目录。 3. **精细探索**：在该目录内进行二次检索，并将高分结果更新到候选集。 4. **递归深入**：如果存在子目录，则逐层递归重复二次检索步骤。 5. **结果聚合**：最终获取最相关的上下文返回。这种"先锁定高分目录，再精细化内容探索"的策略不仅找到语义最佳匹配的片段，还能理解信息所在的完整上下文，从而提高检索的全局性和准确性。了解更多：[检索机制](./docs/zh/concepts/07-retrieval.md) ### 4. 可视化检索轨迹 → 可观察上下文 OpenViking 的组织采用分层虚拟文件系统结构。所有上下文以统一格式集成，每个条目对应一个唯一的 URI（如 `viking://` 路径），打破了传统的扁平黑盒管理模式，具有清晰易懂的层次结构。检索过程采用目录递归策略。每次检索的目录浏览和文件定位轨迹被完整保留，让用户能够清晰观察问题的根源，指导检索逻辑的优化。了解更多：[检索机制](./docs/zh/concepts/07-retrieval.md) ### 5. 自动会话管理 → 上下文自迭代 OpenViking 内置了记忆自迭代循环。在每个会话结束时，开发者可以主动触发记忆提取机制。系统将异步分析任务执行结果和用户反馈，并自动更新到用户和智能体记忆目录。 - **用户记忆更新**：更新与用户偏好相关的记忆，使智能体响应更好地适应用户需求。 - **智能体经验积累**：从任务执行经验中提取操作技巧和工具使用经验等核心内容，辅助后续任务的高效决策。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。了解更多：[会话管理](./docs/zh/concepts/08-session.md) --- ## 深入阅读 ### 文档更多详情，请访问我们的[完整文档](./docs/zh/)。 ### 社区与团队更多详情，请参见：**[关于我们](./docs/zh/about/01-about-us.md)** ### 加入社区 OpenViking 仍处于早期阶段，有许多改进和探索的空间。我们真诚邀请每一位对 AI 智能体技术充满热情的开发者： - 为我们点亮一颗珍贵的 **Star**，给我们前进的动力。 - 访问我们的[**官网**](https://www.openviking.ai)了解我们传达的理念，并通过[**文档**](https://www.openviking.ai/docs)在您的项目中使用它。感受它带来的变化，并给我们最真实的体验反馈。 - 加入我们的社区，分享您的见解，帮助回答他人的问题，共同创造开放互助的技术氛围： - 📱 **飞书群**：扫码加入 → [查看二维码](./docs/zh/about/01-about-us.md#lark-group) - 💬 **微信群**：扫码添加助手 → [查看二维码](./docs/zh/about/01-about-us.md#wechat-group) - 🎮 **Discord**：[加入 Discord 服务器](https://discord.com/invite/eHvx8E9XF3) - 🐦 **X (Twitter)**：[关注我们](https://x.com/openvikingai) - 成为**贡献者**，无论是提交错误修复还是贡献新功能，您的每一行代码都将是 OpenViking 成长的重要基石。让我们共同努力，定义和构建 AI 智能体上下文管理的未来。旅程已经开始，期待您的参与！ ### Star 趋势 [![Star History Chart](https://api.star-history.com/svg?repos=volcengine/OpenViking&type=timeline&legend=top-left)](https://www.star-history.com/#volcengine/OpenViking&type=timeline&legend=top-left) ## 安全与隐私本项目高度重视安全问题。有关漏洞报告方式和受支持版本，请参见 [SECURITY.md](SECURITY.md) ## 许可证 OpenViking 项目不同组件采用不同的开源协议： - **主项目**: AGPLv3 - 详情请参见 [LICENSE](./LICENSE) 文件 - **crates/ov_cli**: Apache 2.0 - 详情请参见 [LICENSE](./crates/LICENSE) 文件 - **examples**: Apache 2.0 - 详情请参见 [LICENSE](./examples/LICENSE) 文件 - **third_party**: 保留各三方项目的原有协议 [release-shield]: https://img.shields.io/github/v/release/volcengine/OpenViking?color=369eff&labelColor=black&logo=github&style=flat-square [release-link]: https://github.com/volcengine/OpenViking/releases [license-shield]: https://img.shields.io/badge/license-AGPLv3-white?labelColor=black&style=flat-square [license-shield-link]: https://github.com/volcengine/OpenViking/blob/main/LICENSE [last-commit-shield]: https://img.shields.io/github/last-commit/volcengine/OpenViking?color=c4f042&labelColor=black&style=flat-square [last-commit-shield-link]: https://github.com/volcengine/OpenViking/commits/main [github-stars-shield]: https://img.shields.io/github/stars/volcengine/OpenViking?labelColor&style=flat-square&color=ffcb47 [github-stars-link]: https://github.com/volcengine/OpenViking [github-issues-shield]: https://img.shields.io/github/issues/volcengine/OpenViking?labelColor=black&style=flat-square&color=ff80eb [github-issues-shield-link]: https://github.com/volcengine/OpenViking/issues [github-contributors-shield]: https://img.shields.io/github/contributors/volcengine/OpenViking?color=c4f042&labelColor=black&style=flat-square [github-contributors-link]: https://github.com/volcengine/OpenViking/graphs/contributors