[Open Source] **OpenViking 來了！ AI 代理新檔案管理，立即擁有！**

OpenViking：專為 AI 代理設計的上下文資料庫，讓你的 AI 像個聰明的檔案管理員！

嘿，台灣的 AI 愛好者們！隨著 AI 技術的蓬勃發展，我們身邊充滿了各種各樣的 AI 工具和代理。但你是否也曾遇到過，給 AI 代理提供「高品質的上下文資訊」總是個大難題？資訊零碎、記憶混亂、檢索效果差… 這些都是 AI 代理開發者們經常遇到的挑戰。

今天要為大家介紹的，就是一個專門為了解決這些問題而生的 開源上下文資料庫 — OpenViking！它可以讓你的 AI 代理擁有像專業檔案管理員一樣的能力，輕鬆管理和利用上下文資訊，變得更聰明、更有效率！

傳統 RAG 遇到的挑戰

在深入了解 OpenViking 之前，我們先來看看傳統的 RAG（Retrieval-Augmented Generation，檢索增強生成）模式在上下文管理方面遇到的一些挑戰：

上下文資訊零碎：程式碼裡的記憶、向量資料庫裡的資源、分散的技能… 這些資訊散落在各處，很難統一管理。
上下文需求激增： AI 代理在長時間運作時，每次執行都會產生新的上下文資訊，簡單地截斷或壓縮會導致資訊遺失。
檢索效果不佳：傳統的 RAG 使用扁平的儲存方式，缺乏全局視角，難以理解資訊的全貌。
上下文資訊不透明：傳統 RAG 的檢索鏈條就像個黑盒子，發生錯誤時很難除錯。
記憶迭代有限：目前的記憶只記錄使用者互動，缺乏與代理相關的任務記憶。

OpenViking 的創新解決方案

OpenViking 針對這些挑戰，提出了一系列創新的解決方案，核心思想是： 用檔案系統的方式管理 AI 代理的上下文！這就像給你的 AI 代理裝上了一個聰明的檔案管理員，讓它能像你一樣輕鬆地管理文件和資料夾。

以下是 OpenViking 的核心特色：

檔案系統管理範式 → 解決資訊碎片化：採用檔案系統範式，統一管理 AI 代理所需的記憶、資源和技能，再也不怕資訊散落在各處。
分層上下文載入 → 降低 Token 消耗：採用 L0/L1/L2 三層結構，按需載入，大幅節省成本。
目錄遞迴檢索 → 提升檢索效果：支援原生檔案系統檢索方式，結合目錄定位與語義檢索，實現遞迴且精準的上下文獲取。
檢索軌跡可視化 → 上下文資訊透明化：支援目錄檢索軌跡的可視化，讓使用者清楚地觀察問題的根本原因，引導檢索邏輯優化。
自動化 Session 管理 → 上下文自我迭代：自動壓縮對話中的內容、資源引用、工具呼叫等，提取長期記憶，讓代理在使用中變得更聰明。

快速開始：讓你的 AI 代理動起來！

迫不及待想體驗 OpenViking 的威力了嗎？讓我們一起來看看如何快速上手！

先決條件

在開始之前，請確保你的環境符合以下要求：

Python 版本：3.10 或更高
Go 版本：1.22 或更高（用於構建 AGFS 組件）
C++ 編譯器：GCC 9+ 或 Clang 11+ （用於構建核心擴展）
作業系統：Linux、macOS、Windows
網路連線：穩定網路連線（用於下載依賴項和存取模型服務）

1. 安裝 OpenViking

首先，透過 Python 的 pip 進行安裝：

pip install openviking --upgrade --force-reinstall

也可以選擇安裝 Rust CLI (可選)：

curl -fsSL https://raw.githubusercontent.com/volcengine/OpenViking/main/crates/ov_cli/install.sh | bash

或者從原始碼構建：

cargo install --git https://github.com/volcengine/OpenViking ov_cli

2. 模型準備：打造 AI 代理的眼睛和耳朵

OpenViking 需要以下模型能力：

VLM 模型：用於圖像和內容理解
Embedding 模型：用於向量化和語義檢索

支援的 VLM 提供者

OpenViking 支援三種 VLM 提供者：

提供者	描述	取得 API Key
`volcengine`	來自火山引擎的 Doubao 模型	火山引擎控制台
`openai`	OpenAI 官方 API	OpenAI 平台
`litellm`	統一存取多種第三方模型 (Anthropic, DeepSeek, Gemini, vLLM, Ollama 等)	參考 LiteLLM Providers

提示：

litellm 支援統一存取多種模型。 model 欄位必須遵循 LiteLLM 格式規範

系統會自動偵測常用模型（例如 claude-*， deepseek-*，gemini-*，hosted_vllm/*，ollama/* 等）。對於其他模型，請依照 LiteLLM 格式使用完整的字首。

提供者特定注意事項

火山引擎 (Doubao)

火山引擎支援模型名稱和端點 ID。建議使用模型名稱，以便簡化操作：

{
  "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"
  }
}

您也可以使用端點 ID (可以在火山引擎 ARK 控制台找到)：

{
  "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：

{
  "vlm": {
    "provider": "openai",
    "model": "gpt-4o",
    "api_key": "your-api-key",
    "api_base": "https://api.openai.com/v1"
  }
}

您也可以使用自訂的 OpenAI 相容端點：

{
  "vlm": {
    "provider": "openai",
    "model": "gpt-4o",
    "api_key": "your-api-key",
    "api_base": "https://your-custom-endpoint.com/v1"
  }
}

LiteLLM (Anthropic, DeepSeek, Gemini, Qwen, vLLM, Ollama 等)

LiteLLM 提供了對各種模型的統一存取。 model 欄位應遵循 LiteLLM 的命名約定。這裡我們使用 Claude 和 Qwen 作為範例：

Anthropic：

{
  "vlm": {
    "provider": "litellm",
    "model": "claude-3-5-sonnet-20240620",
    "api_key": "your-anthropic-api-key"
  }
}

Qwen (DashScope)：

{
  "vlm": {
    "provider": "litellm",
    "model": "dashscope/qwen-turbo", // 更多細節請參閱 https://docs.litellm.ai/docs/providers/dashscope
    "api_key": "your-dashscope-api-key",
    "api_base": "https://dashscope.aliyuncs.com/compatible-mode/v1"
  }
}

Qwen 提示：

對於中國 / 北京地區，使用 api_base：`https://dashscope.aliyuncs.com/compatible-mode/v1`

對於國際地區，使用 api_base：`https://dashscope-intl.aliyuncs.com/compatible-mode/v1`

常見的模型格式：

提供者	模型範例	備註
Anthropic	`claude-3-5-sonnet-20240620`	自動偵測，使用 `ANTHROPIC_API_KEY`
DeepSeek	`deepseek-chat`	自動偵測，使用 `DEEPSEEK_API_KEY`
Gemini	`gemini-pro`	自動偵測，使用 `GEMINI_API_KEY`
Qwen	`dashscope/qwen-turbo`	根據地區設定 `api_base` (請參閱上方)
OpenRouter	`openrouter/openai/gpt-4o`	需要完整的字首
vLLM	`hosted_vllm/llama-3.1-8b`	將 `api_base` 設定為 vLLM 伺服器
Ollama	`ollama/llama3.1`	將 `api_base` 設定為 Ollama 伺服器

本機模型 (vLLM / Ollama)：


# 啟動 Ollama
ollama serve

// Ollama
{
  "vlm": {
    "provider": "litellm",
    "model": "ollama/llama3.1",
    "api_base": "http://localhost:11434"
  }
}

有關完整的模型支援，請參閱 LiteLLM 提供者文件。

3. 環境設定：讓 OpenViking 知道你的模型在哪裡

伺服器配置範本

建立設定檔 ~/.openviking/ov.conf，移除註釋後複製：

{
  "storage": {
    "workspace": "/home/your-name/openviking_workspace"
  },
  "log": {
    "level": "INFO",
    "output": "stdout"                 // 日誌輸出: "stdout" 或 "file"
  },
  "embedding": {
    "dense": {
      "api_base" : "<api-endpoint>",   // API 端點位址
      "api_key"  : "<your-api-key>",   // 模型服務 API 金鑰
      "provider" : "<provider-type>",  // 提供者類型: "volcengine" 或 "openai" (目前支援)
      "dimension": 1024,               // 向量維度
      "model"    : "<model-name>"      // Embedding 模型名稱 (例如，doubao-embedding-vision-250615 或 text-embedding-3-large)
    },
    "max_concurrent": 10               // 最大並發 embedding 請求 (預設值: 10)
  },
  "vlm": {
    "api_base" : "<api-endpoint>",     // API 端點位址
    "api_key"  : "<your-api-key>",     // 模型服務 API 金鑰
    "provider" : "<provider-type>",    // 提供者類型 (volcengine, openai, deepseek, anthropic, 等)
    "model"    : "<model-name>",       // VLM 模型名稱 (例如，doubao-seed-2-0-pro-260215 或 gpt-4-vision-preview)
    "max_concurrent": 100              // semantic 處理的最大並發 LLM 呼叫 (預設值: 100)
  }
}

注意：對於 embedding 模型，目前支援 volcengine (Doubao), openai 和 jina 提供者。對於 VLM 模型，我們支援三個提供者: volcengine, openai, 和 litellm。 litellm 提供者支援各種模型，包括 Anthropic (Claude), DeepSeek, Gemini, Moonshot, Zhipu, DashScope, MiniMax, vLLM, Ollama 等。

伺服器配置範例

展開以查看您的模型服務的配置範例：

範例 1：使用火山引擎 (Doubao 模型)

{
  "storage": {
    "workspace": "/home/your-name/openviking_workspace"
  },
  "log": {
    "level": "INFO",
    "output": "stdout"                 // 日誌輸出: "stdout" 或 "file"
  },
  "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-250615"
    },
    "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": 100
  }
}

範例 2：使用 OpenAI 模型

{
  "storage": {
    "workspace": "/home/your-name/openviking_workspace"
  },
  "log": {
    "level": "INFO",
    "output": "stdout"                 // 日誌輸出: "stdout" 或 "file"
  },
  "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": 100
  }
}

設定伺服器配置環境變數

建立配置檔案後，設定環境變數以指向它 (Linux/macOS)：

export OPENVIKING_CONFIG_FILE=~/.openviking/ov.conf # 預設

在 Windows 上，使用以下其中一種：

PowerShell：

$env:OPENVIKING_CONFIG_FILE = "$HOME/.openviking/ov.conf"

命令提示字元 (cmd.exe)：

set "OPENVIKING_CONFIG_FILE=%USERPROFILE%\.openviking\ov.conf"

提示：您也可以將設定檔案放置在其他位置，只需在環境變數中指定正確的路徑。

CLI/Client 配置範例

展開以查看您的 CLI/Client 的配置範例：

範例：用於存取本機伺服器的 ovcli.conf

{
  "url": "http://localhost:1933",
  "timeout": 60.0,
  "output": "table"
}

建立配置檔案後，設定環境變數以指向它 (Linux/macOS)：

export OPENVIKING_CLI_CONFIG_FILE=~/.openviking/ovcli.conf # 預設

在 Windows 上，使用以下其中一種：

PowerShell：

$env:OPENVIKING_CLI_CONFIG_FILE = "$HOME/.openviking/ovcli.conf"

命令提示字元 (cmd.exe)：

set "OPENVIKING_CLI_CONFIG_FILE=%USERPROFILE%\.openviking\ovcli.conf"

4. 運行你的第一個範例：體驗 OpenViking 的核心魅力

📝 先決條件：確保您已在先前的步驟中完成配置 (ov.conf 和 ovcli.conf)。

現在，讓我們執行一個完整的範例，來體驗 OpenViking 的核心功能。

啟動伺服器

openviking-server

或者您可以在背景執行

nohup openviking-server > /data/log/openviking.log 2>&1 &

運行 CLI

ov status
ov add-resource https://github.com/volcengine/OpenViking # --wait
ov ls viking://resources/
ov tree viking://resources/volcengine -L 2
# 如果尚未 --wait，請等待一些時間進行語義處理
ov find "what is openviking"
ov grep "openviking" --uri viking://resources/volcengine/OpenViking/docs/zh

恭喜！您已成功運行 OpenViking 🎉

VikingBot 快速開始

VikingBot 是一個基於 OpenViking 建置的 AI 代理框架。這裡是如何開始使用：

# 選項 1： 從 PyPI 安裝 VikingBot (建議給大多數使用者)
pip install "openviking[bot]"

# 選項 2： 從原始碼安裝 VikingBot (用於開發)
uv pip install -e ".[bot]"

# 啟動 OpenViking 伺服器，啟用 Bot
openviking-server --with-bot

# 在另一個終端中，啟動互動式聊天
ov chat

深入了解： OpenViking 的核心概念

在執行了第一個範例之後，讓我們深入了解 OpenViking 的設計理念。這五個核心概念與前面提到的解決方案一一對應，共同構建了一個完整的上下文管理系統：

1. 檔案系統管理範式 → 解決資訊碎片化

我們不再將上下文視為扁平的文本片段，而是將它們統一到抽象的虛擬檔案系統中。無論是記憶、資源還是能力，它們都映射到 viking:// 協議下的虛擬目錄，每個目錄都有唯一的 URI。

這種範式賦予了 AI 代理前所未有的上下文操作能力，使其能夠像開發人員一樣，通過 ls 和 find 等標準命令精確且確定地定位、瀏覽和操作資訊。這將上下文管理從模糊的語義匹配轉變為直觀、可追蹤的「檔案操作」。了解更多： Viking URI | 上下文類型

viking://
├── resources/              # 資源：專案文件、倉庫、網頁等
│   ├── my_project/
│   │   ├── docs/
│   │   │   ├── api/
│   │   │   └── tutorials/
│   │   └── src/
│   └── ...
├── user/                   # 使用者：個人偏好、習慣等
│   └── memories/
│       ├── preferences/
│       │   ├── writing_style
│       │   └── coding_habits
│       └── ...
└── agent/                  # 代理：技能、指令、任務記憶等
    ├── skills/
    │   ├── search_code
    │   ├── analyze_data
    │   └── ...
    ├── memories/
    └── instructions/

2. 分層上下文載入 → 降低 Token 消耗

一次性將大量的上下文資訊塞進 Prompt 不僅昂貴，還容易超出模型窗口，引入雜訊。 OpenViking 會在寫入時自動將上下文處理成三個層級：

L0 (Abstract，摘要)：一句話的摘要，用於快速檢索和識別。
L1 (Overview，概述)：包含核心資訊和使用場景，供代理在規劃階段進行決策。
L2 (Details，細節)：完整的原始資料，供代理在絕對必要時進行深度閱讀。

了解更多：上下文層級

viking://resources/my_project/
├── .abstract               # L0 層：摘要 (~100 tokens) - 快速相關性檢查
├── .overview               # L1 層：概述 (~2k tokens) - 了解結構和關鍵點
├── docs/
│   ├── .abstract          # 每個目錄都有相對應的 L0/L1 層
│   ├── .overview
│   ├── api/
│   │   ├── .abstract
│   │   ├── .overview
│   │   ├── auth.md        # L2 層：完整內容 - 按需載入
│   │   └── endpoints.md
│   └── ...
└── src/
    └── ...

3. 目錄遞迴檢索 → 提升檢索效果

單一的向量檢索難以應付複雜的查詢意圖。 OpenViking 設計了創新的 目錄遞迴檢索策略，深度整合多種檢索方法：

意圖分析：通過意圖分析生成多個檢索條件。
初步定位：使用向量檢索，快速定位初始切片所在的高分目錄。
精細探索：在該目錄中執行二次檢索，並將高分結果更新到候選集。
遞迴鑽取：如果存在子目錄，則逐層遞迴重複二次檢索步驟。
結果聚合：最後，獲取最相關的上下文資訊並返回。

這種「先鎖定高分目錄，再精細探索內容」的策略，不僅能找到語義上最匹配的片段，也能理解資訊所在的全域上下文，從而提高檢索的全局性和準確性。了解更多：檢索機制

4. 檢索軌跡可視化 → 上下文資訊透明化

OpenViking 的組織使用分層虛擬檔案系統結構。所有上下文資訊都以統一的格式整合在一起，每個條目都對應一個唯一的 URI（例如 viking:// 路徑），打破了傳統扁平黑盒管理模式，具有清晰易懂的層次結構。

檢索過程採用目錄遞迴策略。每次檢索的目錄瀏覽和檔案定位的軌跡都會被完整保留，使使用者能夠清楚地觀察問題的根本原因，引導檢索邏輯的優化。了解更多：檢索機制

5. 自動化 Session 管理 → 上下文自我迭代

OpenViking 內建記憶自我迭代迴圈。在每次 Session 結束時，開發者可以主動觸發記憶提取機制。系統將非同步分析任務執行結果和使用者回饋，並自動將其更新到使用者和代理記憶目錄。

使用者記憶更新：更新與使用者偏好相關的記憶，使代理的回應更好地符合使用者需求。
代理經驗累積：從任務執行經驗中提取核心內容，例如操作提示和工具使用經驗，幫助後續任務高效決策。

這使得代理能夠通過與世界的互動，實現「在使用中變得更聰明」，實現自我演進。了解更多： Session 管理

進階閱讀

文件

如需更多詳細資訊，請訪問我們的完整文件。

社群與團隊

如需更多詳細資訊，請參閱： 關於我們

加入社群

OpenViking 仍處於早期階段，還有許多需要改進和探索的地方。我們誠摯地邀請每一位對 AI 代理技術充滿熱情的開發者：

為我們點亮一顆寶貴的 Star，給我們前進的動力。
訪問我們的網站以了解我們傳達的理念，並通過文件在您的專案中使用它。感受它帶來的變化，並向我們提供您最真實的體驗回饋。
加入我們的社群，分享您的見解，幫助回答他人的問題，共同創建一個開放且互助的技術氛圍：
- 📱 Lark 群組：掃描 QR 碼加入 → 查看 QR 碼
- 💬 微信群組：掃描 QR 碼添加助手 → 查看 QR 碼
- 🎮 Discord：加入 Discord 伺服器
- 🐦 X (Twitter)：關注我們
成為 貢獻者，無論是提交錯誤修復還是貢獻新功能，您程式碼的每一行都將成為 OpenViking 成長的重要基石。

讓我們共同努力，定義並構建 AI 代理上下文管理的未來。旅程已經開始，期待您的參與！

Star 趨勢

授權

本專案已獲得 Apache License 2.0 授權 – 有關詳細資訊，請參閱 LICENSE 檔案。

參考閱讀

https://github.com/volcengine/OpenViking

n8n n8n

Administrator

View All Posts

發佈留言取消回覆

Related Stories

[科技快訊]微軟宣布2027年MicroLED光纜商業化：能耗砍半、速度激增47%，聯發科助攻重塑AI資料中心網路

嗆紅辣椒的兄弟情：追憶Hillel，見證The Rise of the Red Hot Chili Peppers的音樂之路

[科技奇點]大港開唱20週年：音樂盛典匯聚國際卡司，高雄城市文化再升級

You may have missed