GitHub 趋势 · 第 38 期

把 Agent 的记忆做成 viking:// 文件系统：3.6 万 star，主仓是 AGPLv3

#Agent记忆#上下文数据库#RAG

你现在的 RAG，问题不在召回率

OpenViking 的解法不是把向量库换一个，而是换一层抽象：先让 Agent 知道自己有什么，再决定读多少。

项目是什么

仓库 volcengine/OpenViking（https://github.com/volcengine/OpenViking），火山引擎（字节跳动旗下）开源，官网 openviking.ai。自述定位是 「Self-evolving Context Database for AI Agents. Unify Agent Memory, Knowledge RAG and Skills.」——自演化的 Agent 上下文数据库，把记忆、知识 RAG 和技能统一到一处。

核心设计一句话说得完：把 memories、resources、skills 三类内容统一存成一套虚拟文件系统，挂在 viking:// 协议下。Agent 不是去查向量库，而是像开发者翻文件一样浏览自己的上下文。README 的原话是 “so an agent browses its own context with ls, tree, and find instead of querying a black-box vector store”。

viking://
├── resources/              # Resources: project docs, repos, web pages, etc.
│   └── my_project/
│       ├── docs/
│       │   ├── api/
│       │   └── tutorials/
│       └── src/
└── user/
    └── {user_id}/
        ├── memories/
        │   └── preferences/
        │       ├── writing_style
        │       └── coding_habits
        ├── resources/
        │   └── private_project/
        ├── skills/
        │   ├── search_code
        │   └── analyze_data
        └── peers/
            └── web-visitor-alice/

数据实测（GitHub API）：36,535 star / 2,798 fork / 106 watcher，688 个 open issue，语言 Python，默认分支 main，仓库体积约 259 MB（其中 uv.lock 一个文件就 1.28 MB）；2026-01-05 创建，最近一次推送 2026-09-10，未归档、未禁用。月度趋势榜新增 8,469，最新正式版 v0.4.19（2026-09-08）。

许可不是一条，是四条

这是整篇里最该逐字看的一段。OpenViking 不是单一许可，README 的 License 一节自己列了四层：

路径	许可
主项目（Main Project）	AGPLv3
crates/ov_cli	Apache 2.0
examples	Apache 2.0
third_party	各自原许可

我抓了主仓的 LICENSE 文件核对：是标准 AGPLv3 原文，没有任何追加的自定义条款（无进一步限制、无附加许可）。也就是说约束就是 AGPLv3 本身的约束——你通过 pip 装的主项目受 AGPLv3 管，如果你的产品把它包进对外提供的网络服务里，AGPL 第 13 条要求你把对应源码提供给使用者。

五个核心能力

能力	README 的表述与含义
统一文件系统	Memories、resources、skills 各得一个 viking:// URI，Agent 用确定性的方式定位和操作上下文，像开发者在文件系统里干活。
三层分级加载	每条内容写入时就切成 L0（摘要）/ L1（概览）/ L2（明细），只按任务需要加载到对应深度。
目录递归检索	向量检索先定位得分最高的目录，再逐层下钻，结果回来时带着周围的上下文，而不是孤立的 chunk。
可观测的检索	每次查询都保留自己的目录浏览轨迹（trajectory）。结果不对时，你能看到究竟是哪条路径产出的。
会话沉淀为记忆	session commit 之后，OpenViking 异步抽取用户偏好与 Agent 经验，写进长期记忆。

其中「三层分级加载」是省 token 的机关。每个目录自己带着 .abstract 和 .overview，所以 Agent 能在读任何全文之前先判断“这个目录跟我相关吗”：

viking://resources/my_project/
├── .abstract               # L0: ~100 tokens - quick relevance check
├── .overview               # L1: ~2k tokens - structure and key points
└── docs/
    ├── .abstract
    ├── .overview
    └── api/
        ├── auth.md         # L2: full content, loaded on demand
        └── endpoints.md

README 给的两组实测数字

README 里 “Proof it works” 一节把基准摊开写了。原文标注：评测版本是 0.3.22，用户记忆用 LoCoMo，多轮 Agent 任务用 tau2-bench，完整结果与复现脚本在 ./benchmark 目录。

基准	不用 OpenViking	用了 OpenViking
LoCoMo · OpenClaw	24.20%	82.08%
LoCoMo · Hermes	33.38%	82.86%
LoCoMo · Claude Code	57.21%	80.32%
tau2-bench · Retail	70.94%	77.81%
tau2-bench · Airline	54.38%	66.25%

• ▪三个 Agent 集成用上之后，用户记忆准确率都落到 80–83%，对应各自的原生记忆是 24–57%；输入 token 降 34.3–91.0%，查询延迟降 58.45–66.10%。
• ▪tau2-bench 上是经验记忆带来的任务成功率提升：零售 +6.87pp，航空 +11.87pp。
• ▪理论侧对应论文 VikingMem（arXiv:2605.29640，被 VLDB 2026 接收），README 明确说开源的是论文核心能力的 子集。

上手：README 的原始命令

README 标注运行要求为 Python 3.10 或以上，安装与启动三步：

pip install openviking --upgrade
openviking-server init      # interactive wizard: providers, models, ov.conf
openviking-server doctor    # validate setup
openviking-server           # start (background: nohup openviking-server > openviking.log 2>&1 &)

init 是交互式向导，会写一份 ~/.openviking/ov.conf。README 列出的 provider 支持：Volcengine、OpenAI、Codex OAuth、Kimi、GLM，以及本地 Ollama——Ollama 这条路它会自己检测并安装运行时、按你的硬件拉合适的模型。doctor 只做检查不动服务，校验配置文件、Python 版本、provider 连通性和磁盘空间。

装完自带 ov 客户端 CLI，服务起来之后：

ov status
ov add-resource https://github.com/volcengine/OpenViking
# Replace TASK_ID with the returned task_id; continue after status is completed
ov task status TASK_ID
ov ls viking://resources/
ov tree viking://resources/volcengine -L 2
ov find "what is openviking"
ov grep "openviking" --uri viking://resources/volcengine/OpenViking/docs/en

想连 Bot 一起跑，README 给的是：

pip install "openviking[bot]"
openviking-server --with-bot
ov chat   # in another terminal

集成面铺得很开，README 逐个列了安装说明的 Agent：Claude Code、Codex、OpenClaw、Hermes、Cursor、TRAE / TRAE CN / TraeCode CLI 2.0、OpenCode、pi、Agent Plugins 1.0、MCP 客户端、LangChain / LangGraph。另外有一个 Beta 状态的桌面控制台 OpenViking Helper，目前只给 macOS 与 Windows x64，能自动探测你机器上的 Claude Code、Codex、Cursor、Trae、OpenCode 并写入对应配置。不想装任何东西的话，官网有托管好的 Studio 演示环境可以直接开。

我的判断

几个必须知道的坑：

• ▪许可分层容易看错。主项目 AGPLv3，只有 crates/ov_cli 和 examples 是 Apache 2.0，third_party 各自原许可。你 pip 装的是主项目，受 AGPLv3 管。
• ▪star 数不等于使用基数。36,535 star 对应 106 个 watcher、688 个 open issue——watcher/star 比例只有 0.29%，issue 积压近 700。README 上挂着 Trendshift 榜单徽章，热度有榜单与厂商曝光的成分。
• ▪基准与版本脱节。README 的 LoCoMo / tau2-bench 数字是 0.3.22 跑的，当前版本 v0.4.19；而且评测用的 VLM 与 embedding 都是自家 Doubao 模型。
• ▪ov add-resource 是异步的。它只返回一个 task_id，必须 ov task status 等到 completed 再 ls，否则你会以为导入失败了。README 在注释里写了这一条，很容易漏。
• ▪自认早期。README 的原话是 “OpenViking is still in its early stages, and there is plenty left to build.” 学术侧开源的是论文核心能力的子集。
• ▪仓库 259 MB 是 git 体积。主要由 uv.lock、docs 与 benchmark 撑起来，不代表 pip 包大小，评估磁盘时不要照搬这个数。

写在最后

这一期我本来按动量选了另一个项目（semantica-agi/semantica，本月 +8,849，略高于 OpenViking 的 +8,469，MIT 许可），但 OpenViking 从第 33 期起就被挤掉了四轮，每期文末都承诺“下期优先”。一个对读者公开的待办，比 380 个 star 的动量差更该先兑现，所以本期写它，semantica 排在下一篇。

对 OpenViking 我的结论是：它值得先把 Studio 演示打开看一眼，viking:// 这套寻址方式五分钟就能判断出对你有没有用；但把它放进生产之前，请先让法务看完那份 AGPLv3，再决定是自托管还是直接买火山引擎的托管版。

#Agent记忆#上下文数据库#AGPLv3

你在用什么方案管 Agent 的长期记忆？是向量库、文件，还是干脆每次把上下文重塞一遍？评论区说说你踩过的坑，我会挑几个在下一篇里一起聊。

下一篇预告：semantica-agi/semantica（12,609 star，本月 +8,849，MIT）——用图结构承载上下文与可审计的 AI 系统，和本期这套文件系统派正好是两种路线，到时候放一起对比。
备选：cactus-compute/needle（10,778 star，本月 +7,395）——给手机、手表、智能家居和机器人用的 14MB 端侧基础模型。