OpenViking Context Database

字节跳动开源的 Agent 上下文数据库。通过 viking:// 文件系统协议统一管理记忆、资源和技能，L0/L1/L2 三层按需加载，token 消耗降低 83-96%。

能力	说明
文件系统协议	`viking://` 统一管理 resources/user/agent 三类上下文
L0/L1/L2 分层	摘要(~100 tokens) / 概览(~2k tokens) / 全文，按需加载
语义检索	目录递归检索 + 向量匹配
会话记忆	自动提取长期记忆，跨会话保持
Token 节省	对比全量加载，输入 token 降低 83%~96%

安装到 OpenClaw

bash scripts/install-skill.sh

脚本会将 skill 复制到 OpenClaw 的 skills 目录（自动检测路径），然后在 OpenClaw 中说 "refresh skills" 即可发现。

安装 OpenViking 依赖

skill 安装完成后，运行以下命令安装 OpenViking 本体：

bash scripts/install.sh

自动检测 Python >= 3.10，安装 openviking 包，创建工作目录，可选安装 Rust CLI (ov)。

配置

bash scripts/setup-config.sh

支持的模型提供商：

提供商	VLM 模型	Embedding 模型
`openai`	gpt-4o	text-embedding-3-large (dim=3072)
`volcengine`	doubao-seed-2-0-pro-260215	doubao-embedding-vision-250615 (dim=1024)
`litellm`	claude-3-5-sonnet / deepseek-chat	—
NVIDIA NIM	meta/llama-3.3-70b-instruct	nvidia/nv-embed-v1 (dim=4096)

注意：避免使用推理模型 (kimi-k2.5, deepseek-r1)，它们的 reasoning 字段与 OpenViking 不兼容。

启动服务器

openviking-server
# 或后台运行：
nohup openviking-server > ~/.openviking/server.log 2>&1 &

核心操作

通过 scripts/viking.py 与 OpenViking 交互：

python3 scripts/viking.py <command> [args]

命令	功能	示例
`add <path_or_url>`	添加资源（文件/URL/目录）	`viking.py add ./docs/`
`search <query>`	语义搜索	`viking.py search "认证逻辑"`
`ls [uri]`	浏览资源目录	`viking.py ls viking://resources/`
`tree [uri]`	树形展示	`viking.py tree viking://resources/ -L 2`
`abstract <uri>`	L0 摘要 (~100 tokens)	`viking.py abstract viking://resources/proj`
`overview <uri>`	L1 概览 (~2k tokens)	`viking.py overview viking://resources/proj`
`read <uri>`	L2 全文	`viking.py read viking://resources/proj/api.md`
`info`	检查服务状态	`viking.py info`
`commit`	提取当前会话记忆	`viking.py commit`
`stats`	查看 token 消耗统计	`viking.py stats`
`stats --reset`	重置统计数据	`viking.py stats --reset`

Token 消耗追踪

每次调用 search、abstract、overview、read 时自动追踪：

实际消耗：本次分层加载实际使用的 token 数
全量假设：如果用传统方式全量加载同一资源需要的 token 数
节省量：两者差值和百分比

每次命令结尾自动输出一行会话累计摘要：

📊 会话累计 | 实际: 2,300 tokens | 全量: 48,000 tokens | 节省: 45,700 (95.2%)

使用 stats 命令查看完整的逐操作明细表：

python3 scripts/viking.py stats

输出示例：

═══ Token 消耗统计 ═══
  会话开始: 2026-03-19 19:30:00
  操作次数: 4

  #    时间       操作       层级  实际     全量     节省     URI
  ──── ────────── ────────── ───── ──────── ──────── ──────── ──────────────────
  1    19:30:05   search     L0        300   48,000   47,700  用户认证 鉴权
  2    19:30:12   overview   L1      1,800   15,000   13,200  viking://resources/auth
  3    19:30:18   abstract   L0         80    8,000    7,920  viking://resources/db
  4    19:30:25   read       L2      3,200    3,200        0  viking://resources/auth/jwt

  ┌─────────────────────────────────────┐
  │  全量加载 (传统方式):     74,200 tokens │
  │  实际消耗 (分层加载):      5,380 tokens │
  │  节省 token 数量:        68,820 tokens │
  │  节省比例:                  92.8%        │
  └─────────────────────────────────────┘

统计数据持久化在 ~/.openviking/session_stats.json，跨命令调用累积。新会话可用 stats --reset 重置。

分层加载工作流

收到开发需求（如"帮我写一个用户认证模块"）时：

Step 1 — L0 快速扫描（~300 tokens）

python3 scripts/viking.py search "用户认证 鉴权 登录"

用 L0 摘要判断哪些资源相关，过滤无关内容。

Step 2 — L1 概览决策（~2k tokens/资源）

python3 scripts/viking.py overview viking://resources/auth-docs

理解架构和技术选型，制定实现计划。

Step 3 — L2 按需深读（仅必要文件）

python3 scripts/viking.py read viking://resources/auth-docs/jwt-config.md

只加载写代码需要的具体文件。

Token 对比演示

python3 scripts/demo-token-compare.py ./your-project-docs/

方案	Token 消耗	说明
全量加载 (传统 RAG)	~50,000	所有文档塞进 prompt
L0 扫描 + L1 概览	~3,000	分层按需，仅摘要和概览
L0 + L1 + L2 按需	~8,000	最终只深读 2-3 个必要文件
节省比例	84%~94%	相比全量加载

故障排查

问题	原因	解决
`Dense vector dimension mismatch`	embedding 维度配置错误	检查 ov.conf 中的 dimension 与模型匹配
`NoneType is not subscriptable`	使用了推理模型	换用 gpt-4o 或 llama-3.3-70b
`input_type required`	使用了非对称 embedding	换用对称模型如 nvidia/nv-embed-v1
搜索无结果	语义处理未完成	添加资源后等待：`viking.py add --wait`
服务连接失败	服务器未启动	运行 `openviking-server`