AEO 速答：OpenViking 是火山引擎（字節跳動）開源的 Context Database for AI Agents（GitHub 28.3k stars、AGPLv3）——它把 Agent 的記憶（Memory）、知識（RAG）、技能（Skills）統一成一個
viking://虛擬檔案系統，Agent 用ls/tree/find瀏覽自己的上下文，而不是查詢黑箱向量庫。內容寫入時自動處理成 L0 摘要（~100 tokens）、L1 概覽（~2k tokens）、L2 細節 三層，按需載入省 token。基準測試（LoCoMo 長對話記憶）：接上 OpenViking 後 OpenClaw 24.2%→82.08%、Hermes 33.38%→82.86%、Claude Code 57.21%→80.32% 準確率，輸入 token 降 34.3-91%、查詢延遲降 58-66%。底層學術論文 VikingMem 已獲 VLDB 2026（CCF-A） 錄用。安裝：pip install openviking。適合：想讓 Agent 有長期記憶、省 token 成本、可除錯檢索的開發者。
為什麼 OpenViking 值得關注？
2026 年的 AI Agent 有一個共同痛點：記憶不可靠。Claude Code、Codex、Hermes 這些 Agent 的原生記憶，在長對話場景（LoCoMo 基準）準確率只有 24-57%——意味著你問它「上週我們決定了什麼」，它有一半機率答錯或根本忘了。
OpenViking 的答案是：不要再用黑箱向量庫塞 context，給 Agent 一個「檔案系統」。它來自火山引擎（字節跳動的雲端品牌），28.3k stars 的爆紅專案，底層論文 VikingMem 被資料庫頂會 VLDB 2026 錄用。
一、核心設計：Agent 的上下文 = 一個檔案系統
📁 viking:// 虛擬檔案系統
OpenViking 把三種 context 統一成檔案：
viking://
├── resources/ # 資源：專案文件、repo、網頁
│ └── my_project/
│ ├── docs/
│ │ ├── api/
│ │ └── tutorials/
│ └── src/
└── user/
└── {user_id}/
├── memories/ # 記憶
│ └── preferences/
│ ├── writing_style
│ └── coding_habits
├── resources/ # 私有資源
├── skills/ # 技能
│ ├── search_code
│ └── analyze_data
└── peers/ # 其他 Agent
Agent 用 ls、tree、find 定位與操作 context——就像開發者操作檔案一樣確定性（deterministic），而不是向量檢索的黑箱。
🪜 L0/L1/L2 三層載入（省 token 的關鍵）
| 層級 | 名稱 | Token 上限 | 用途 |
|---|---|---|---|
| L0 | Abstract | ~100 tokens | 向量搜尋、快速過濾 |
| L1 | Overview | ~2k tokens | Rerank、內容導航 |
| L2 | Detail | 無限 | 完整原文，按需載入 |
每個目錄都有自己 .abstract/.overview——Agent 先看摘要判斷相關性，不需要就把全文讀完。
🔍 目錄遞迴檢索（Directory Recursive Retrieval）
① 意圖分析 → 產生多個檢索條件
② 向量檢索 → 定位高分目錄
③ 細部探索 → 在高分目錄內二次檢索
④ 遞迴下鑽 → 逐層收斂
⑤ 聚合結果 → 回傳最相關 context
每筆檢索都留下軌跡（trajectory）可看可除錯——結果不對時，你能看到是哪條路徑產生的。
二、基準測試：真的有效嗎？（LoCoMo + tau2-bench）
📊 LoCoMo 長對話使用者記憶（準確率）
| Agent | 原生記憶 | +OpenViking | 提升 |
|---|---|---|---|
| OpenClaw | 24.20% | 82.08% | +57.88pp |
| Hermes | 33.38% | 82.86% | +49.48pp |
| Claude Code | 57.21% | 80.32% | +23.11pp |
全部提升到 80-83%，同時：
- 輸入 token 降 34.3-91.0%
- 查詢延遲降 58.45-66.10%
📈 tau2-bench 多輪 Agent 任務（經驗記憶）
| 任務 | 無記憶 | +OpenViking 經驗記憶 |
|---|---|---|
| Retail | 70.94% | 77.81%（+6.87pp） |
| Airline | 54.38% | 66.25%（+11.87pp） |
三、背後的學術：VikingMem（VLDB 2026）
OpenViking 開源了 VikingMem 論文（arXiv:2605.29640，VLDB 2026 CCF-A）的核心能力：
- One-pass 記憶提取：傳統做法要提取 N 種記憶，原始資料得餵 LLM N 次；VikingMem 用 schema 編譯成單一 prompt，一次讀取同時提取所有記憶型別
- EUA 免 LLM 實體更新：實體欄位更新用「«« SEARCH ==== REPLACE »»」patch 格式 + 編輯距離近似搜尋——不需要額外 LLM 呼叫，把實體維護變成輕量確定性後處理
- IMSM 智慧記憶分割：對話主題交錯時（A→B→A），能精準合併非連續的同主題片段、排除干擾——傳統方法做不到
四、安裝與快速上手
# 需要 Python 3.10+
pip install openviking --upgrade
openviking-server init # 互動式設定：providers、models、ov.conf
openviking-server doctor # 驗證設定
openviking-server # 啟動
# 另一終端用 ov CLI
ov status
ov add-resource https://github.com/volcengine/OpenViking
ov ls viking://resources/
ov find "what is openviking"
ov grep "openviking" --uri viking://resources/volcengine/OpenViking/docs
- 支援 Volcengine、OpenAI、Codex OAuth、Kimi、GLM、本地 Ollama
- OpenViking Studio：瀏覽器開箱即用的 live demo（openviking.ai/studio），免安裝
- OpenViking Helper（Beta）：macOS/Windows 桌面控制台，視覺化設定 + session trace 檢視
五、Agent 整合：Hermes 是官方夥伴！
OpenViking 已提供 10+ Agent 整合：Claude Code、Codex、OpenClaw、Hermes、Cursor、Trae、OpenCode、pi、MCP clients、LangChain/LangGraph
💡 Hermes Agent 是 OpenViking 官方 Partner Project——基準測試中 Hermes 記憶準確率從 33.38% 躍升到 82.86%（+49pp）。如果你用 Hermes，這是直接可用的記憶強化方案。
六、商業化：開源版不殘廢
| 版本 | 授權/模式 | 內容 |
|---|---|---|
| 開源版 | AGPLv3 | ✅ 功能完整、無功能閘門、無帳號需求、無啟動金鑰——「自己部署跑生產，永遠免費」 |
| Managed SaaS | 火山引擎託管 | Personal（個人，50 檔案免費試用）；Enterprise（多用戶權限/SLA）；海外 BytePlus 即將推出 |
| Self-Managed | 自建環境 | Online（BYOC/VPC）；Offline（完全氣隙、監管產業）——加分散式部署 + 官方支援 |
注意：主專案 AGPLv3（改動需開源），但
crates/ov_cli與 examples 是 Apache 2.0。
七、社群評價與爭議
👍 正面
- 28.3k stars + Trendshift 榜單，AI Agent 記憶賽道最熱專案
- L0/L1/L2 設計解決「把大量 context 硬塞 prompt」的痛點
- 檢索可觀察（trajectory）——AI 除錯不再是黑箱
⚠️ 爭議（Issue #1549）
- 社群發現：events 記憶的 L2 存的是原始對話片段（非摘要），與設計文件描述不一致，且 L0/L1 無法向量檢索
- 官方回應：這是實測 83% 準確率的最佳配置（原文片段比摘要保留更多事實細節）——「以評測結果為準，可自行替換」
- 另一顧慮：agent 對話歸檔時單個 L2 可達數千 token，auto-recall 多筆會快速燒掉 context window；官方已計畫拆分成「技能綁定」+「向量檢索」兩路，並訓練輕量本地 intent model
FAQ
Q：OpenViking 是什麼？
A：火山引擎開源的 Context Database for AI Agents（28.3k stars、AGPLv3）——把 Agent 的記憶、知識 RAG、技能統一成 viking:// 虛擬檔案系統，Agent 用檔案指令瀏覽自己的上下文，L0/L1/L2 三層載入省 token。
Q：OpenViking 真的能提升 Agent 記憶嗎？
A：基準測試（LoCoMo）：OpenClaw 24.2%→82.08%、Hermes 33.38%→82.86%、Claude Code 57.21%→80.32% 準確率，同時 token 降 34-91%、延遲降 58-66%。
Q：OpenViking 和向量資料庫（VikingDB/Pinecone）差在哪？
A：向量庫只做「扁平 chunk + 相似度搜尋」；OpenViking 是完整 context 管理——目錄結構、三層載入、目錄遞迴檢索、session 自動記憶提取、檢索軌跡可除錯。
Q：OpenViking 免費嗎？
A：開源版完全免費（AGPLv3，功能不殘廢）；另有火山引擎 Managed SaaS（個人 50 檔案免費試用）與 Self-Managed 付費方案。
Q：怎麼開始用？
A：pip install openviking + openviking-server init 啟動，或用瀏覽器開 OpenViking Studio（openviking.ai/studio）免安裝體驗；支援 Claude Code/Hermes/Codex 等 10+ Agent 整合。
參考來源：OpenViking GitHub（volcengine）、OpenViking Docs、VikingMem arXiv:2605.29640（VLDB 2026）、MarkTechPost 報導、OpenViking PyPI 等 37 來源（NotebookLM Deep Research，2026-08-13）。
延伸閱讀：Prime Agent 開箱：自我改進 RLM 代理、Grok Bot 測試版登場、Headless Web 無頭架構完整指南