openviking

name	openviking
description	OpenViking 上下文数据库集成。用文件系统范式管理 Agent 记忆/资源/技能，支持三层按需加载和自进化，大幅降低 token 消耗。
metadata	{"openclaw":{"emoji":"🗄️"}}

OpenViking 上下文数据库

字节跳动开源的 AI Agent 上下文数据库，用文件系统范式统一管理 memory、resources、skills。

核心概念

• 虚拟文件系统: 所有上下文映射到 viking:// URI，层级目录结构
• 三层按需加载:
  • L0 (摘要): ~100 tokens，快速相关性判断
  • L1 (概览): ~2k tokens，核心信息用于规划
  • L2 (详情): 完整内容，按需加载
• 目录递归检索: 向量搜索 + 目录遍历，先定位高分目录再递归细化
• 自动会话记忆: 从对话中自动提取长期记忆

安装

pip install openviking --upgrade --force-reinstall

要求: Python 3.10+, Go 1.22+

与 OpenClaw 集成方式

1. 作为记忆后端

替代当前 SQLite memory，用 OpenViking 管理所有 agent 记忆：

# 启动 OpenViking 服务
openviking-server --port 1933

# 导入现有记忆
ov add-resource apps/openclaw/memory/

2. 作为技能索引

将 40+ skills 导入 OpenViking，实现语义检索：

ov add-resource apps/openclaw/skills/
ov find "交易风控相关的技能"

3. 作为知识库

导入项目文档、代码库、外部资料：

ov add-resource docs/
ov add-resource packages/openclaw-npm/src/

使用命令

ov ls viking://resources/          # 列出资源
ov tree viking://memory/ -L 2      # 查看记忆树
ov find "社交发布失败的处理方法"      # 语义搜索
ov grep "Telegram" --uri memory    # 模式搜索

对比当前 SQLite Memory

维度	SQLite (当前)	OpenViking
检索方式	需要 embedding API	内置向量 + 目录检索
Token 消耗	全量加载	L0/L1/L2 按需加载，降低 83-96%
上下文理解	扁平存储	层级目录，全局理解更好
自进化	手动维护	自动从会话提取记忆
调试	黑盒	可观测检索轨迹

触发条件

当 严总 提到以下关键词时激活:

• "openviking"、"上下文数据库"、"记忆升级"、"viking"
• "导入知识库"、"语义检索"

执行流程

1. 检查 OpenViking 是否已安装 (which ov)
2. 若未安装，引导 严总 执行 pip install openviking
3. 启动服务并导入指定资源
4. 配置 OpenClaw gateway 使用 OpenViking 作为记忆后端
5. 验证检索功能正常