给DeepSeek Harness装记忆：OpenViking实测Token降91%

大模型的健忘症与OpenViking的解法

DeepSeek^广告 Harness（下文简称DSH）是不少人日常使用的AI编程工具，但它有一个绕不开的痛点：换个会话就失忆。同一个项目，每开一次新对话都得从头把背景、目录结构、需求重新交代一遍，效率被反复的上下文重建拖垮。

针对这个问题，B站UP主给DSH接入了一个叫 OpenViking 的记忆层。这是字节跳动开源的上下文数据库项目，目前在GitHub上已积累约 37900 星。装完之后，同一个项目不必再从头交代，AI能够在跨会话之间保留记忆。

它的核心思路并不复杂：把AI需要记住的东西组织成一个文件系统。顶层只有三个目录——Agent、Resources、User。你可以直接用命令行去翻，ls、tree、find 这些熟悉的命令都能用。每个目录上都挂着一段摘要，这正是它节省Token的关键所在。

三层加载：Token省下来的秘密

OpenViking省Token的机制在于分层加载内容，而不是一次性把全部信息塞进上下文窗口。

• L0：一句话摘要，先用来判断这块内容与当前任务相不相关；
• L1：概览层，用于规划任务；
• L2：全文，只有真正需要精读的时候才会加载。

这种由粗到细的渐进式读取，避免了把无关的大段全文一股脑喂给模型。据官方实测数据，输入Token下降幅度在 34% 到 91% 之间，波动区间较大，取决于任务类型和检索命中情况。

除了省钱，记忆准确率也有提升。官方给出的数据显示，在Claude Code（视频中口述为“Cloud Code”）上，记忆准确率从 57% 涨到 80%。需要提醒的是，这些都是官方自己发布的数据，仓库里附带了复现脚本，感兴趣的读者可以自行验证。

上下文窗口（Context Window）是指模型在单次推理时能够"看到"的最大文本长度，以Token数量计量。Token并非等同于字符，中文一个汉字通常对应1-2个Token，英文一个单词大约1-1.5个Token。主流模型的上下文窗口已从早期的4K扩展到128K乃至更长，但更大的窗口并不意味着无限免费——商业API通常按输入Token收费，而且窗口越满，模型在长距离信息上的注意力分散问题也会加剧，导致"看了等于没看"的检索失效现象。OpenViking的分层加载机制本质上是在窗口之外做了一层手动检索与裁剪，只把与当前任务相关的内容片段放入窗口，从而在控制成本的同时维持模型对关键信息的注意力密度。

真实机器上的实测：四次里有一次白找

UP主没有停留在复述官方数据，而是在自己的机器上跑了一轮实测。结果值得关注：在 1257 次检索中，有 40.3% 是零结果——也就是说，差不多四次检索里就有一次“白找”，什么都没检索到。

这个数字提示了一个现实：OpenViking并不是装上就万事大吉的银弹。零结果比例的高低，很大程度上取决于你自己的目录结构是否合理。库里当前的规模是约 5270 个项目、三个挂载点（这一数据同样由作者自报，未经修饰）。换句话说，检索命中率需要使用者花心思去维护和组织，工具本身只是提供了机制。

作者在这里的态度相当克制：既没有夸大官方的降本数据，也如实点出了自己遇到的高零结果比例，这种“不美化”的呈现方式对读者更有参考价值。

如何接入DSH

把OpenViking接到DeepSeek Harness上，官方提供了两种方式：

1. 插件方式；
2. MCP（Model Context Protocol）方式。

两种接法各有适用场景，具体的仓库地址在视频简介中给出。对于已经在用DSH、又深受“换会话失忆”困扰的开发者来说，这是一个成本不高、值得一试的补丁。

不过要清醒地认识到它的边界：OpenViking解决的是跨会话记忆持久化和上下文压缩的问题，它治不了的地方作者也说得很明白——检索白找的比例，最终还得靠你自己把目录结构设计好来压下去。工具给了骨架，血肉要靠使用者自己填。

MCP（Model Context Protocol）是Anthropic于2024年底推出的开放协议，旨在为AI模型与外部工具、数据源之间建立标准化的通信接口。可以把它理解为AI领域的"USB接口"——只要工具和宿主都遵循这一协议，接入和切换就不需要各自定制适配层。目前Claude、Cursor、Windsurf等主流AI编程环境均已支持MCP，生态正在快速扩张。相比插件方式，MCP接入的优势在于互操作性更强：同一个OpenViking MCP服务，理论上可以同时被多个支持MCP的客户端调用，不必为每个工具单独维护一套集成代码。对于已经在多个AI编程环境之间切换的开发者，MCP方式的长期维护成本通常更低。

小结

OpenViking把AI记忆抽象成一个可用命令行操作的文件系统，配合L0/L1/L2三层渐进加载，在官方数据上实现了34%~91%的Token下降和记忆准确率的明显提升。但真实使用中约四成的零结果比例说明，它的效果高度依赖使用者对目录结构的组织能力。对于DSH用户，这是一个开源、可复现、接入门槛不高的记忆增强方案，值得根据自己的项目情况尝试。