OpenViking：把Agent上下文变成文件系统，告别检索噪声

资料越多，Agent反而越容易找错

当你给 Codex 或 Claude Code 接入项目文档、代码库、聊天记录和一堆 Skill 之后，一个新麻烦就出现了：Agent 每次到底该找哪份资料？要不要把所有内容都塞进上下文？上一次做过的决定，下一次还能不能被找到？

资料的增多并没有让 Agent 变得更聪明，反而制造了检索噪声。传统做法要么把全部内容一股脑塞进上下文窗口，浪费 Token 也稀释了模型注意力；要么依赖向量搜索，返回几个孤立的相似文本片段，却丢失了它们原本所处的章节结构和上下文关系。

GitHub 上一个已经获得三万两千多星的项目 OpenViking，正是针对这个痛点提出了一套新思路：把散乱的资料整理成一个 Agent 可以自己浏览的文件系统。

OpenViking的核心设计：给Agent准备一个"资料柜"

你可以把 OpenViking 理解成给 Agent 准备的一个资料柜，里面主要存放三类东西：

知识类：项目文档、代码库和网页
记忆类：用户偏好、历史决定和做过的任务
能力类：Agent 可以调用的 Skill

这些内容都会被赋予一个以 viking 开头的地址，然后按目录存放。Agent 可以像操作文件系统一样：查看目录、搜索内容、再打开需要的资料。它不再需要面对一堆没有结构的文本片段，而是像人一样在目录中层层导航。

三层摘要机制：L0、L1、L2

OpenViking 的核心设计之一，是为每一份写入的内容准备三个版本：

L0：一句话摘要
L1：更详细的摘要
L2：完整原文

L0是一句话摘要

举个例子，假设你放进去一套几十万字的项目文档。Agent 会先看目录里的短摘要，判断"认证"、"支付"、"部署"这几个文件夹哪个跟当前任务相关；找到认证目录后，它再阅读这一层的概览；只有当任务确实需要某个具体接口时，它才打开完整文档。

这种"由粗到细"的检索方式，既减少了读入的无关内容，也避免了一开始就把整套资料塞给模型，从根本上降低了上下文的浪费。

结构化检索：保留上下文关系而非孤立片段

普通向量搜索的问题在于：它经常只返回几个相似的文本片段，你很难知道这些片段原来属于哪个章节、周围还有什么内容。这对需要理解上下文的 Agent 来说是致命的信息缺失。

OpenViking 的检索逻辑不同——它会先定位相关目录，再一层层往下查，返回结果时尽量保留周围的结构关系。此外，它在找资料时还会保存经过的路径：如果结果不对，你可以回头查看它先进入了哪个目录、又打开了哪份文件，整个检索过程是可追溯、可复盘的。

这一点对调试 Agent 行为非常关键。传统黑箱式检索让人很难判断错误发生在哪一步，而 OpenViking 把检索路径显式化，等于给 Agent 的"找资料"过程装上了行车记录仪。

长期记忆：让Agent记住你的偏好和决策

除了知识管理，OpenViking 的另一大亮点是长期记忆机制。

接下来是长期记忆

一轮任务结束后，Agent 可以把这次的对话提交给 OpenViking，系统会从中提取出用户偏好、做过的决定和任务经验，再放进记忆目录。

比如你一直要求项目使用某种特定的测试方式，新的会话开始时，Agent 可以先找回这条偏好，不用你每次都重新解释。如果上一次修过类似的问题，它也能查到当时看了哪些文件、最后用了什么处理办法。这让 Agent 从"每次都是新手"变成了"越用越懂你"的协作者。

接入方式与效果验证

OpenViking 目前已经提供了 Codex、Claude Code、Cursor、OpenCode 以及 MCP 等多种接入方式。以 Codex 为例，插件会在你提交需求前查找相关记忆，对话结束后再把新记录交回 OpenViking；你也可以让 Agent 主动搜索、读取或添加记忆。

如果想先看效果，可以打开官方的 OpenViking Studio 页面，在里面添加资料、浏览目录、搜索内容，还能直观查看检索过程。项目还提供了 OpenViking Helper，它会自动检测电脑里的 Codex、Claude Code、Cursor 和 OpenCode，帮你配置插件、MCP 和 Hook。

项目还提供OpenViking Helper

官方测试数据

官方公布了两组测试结果：接入 OpenViking 后，几种 Agent 的长对话记忆准确率都达到了 80% 以上，同时减少了输入 Token 消耗；在多轮任务测试中，加入历史经验后，任务成功率也有明显提高。

加入历史经验以后

不过需要客观看待——这些数字来自项目自己的测试，模型、数据和配置都会影响结果。更靠谱的做法是先放一套自己熟悉的项目资料进去，再对比它找到的内容和原文是否一致。

部署门槛与安全考量

这个项目也存在一定的使用门槛。你需要配置服务器、Embedding 模型和 Agent 接入，资料写入后还需要等待解析和索引完成。自己部署时，要先安装 OpenViking Server，再配置模型和存储——它支持火山引擎、OpenAI、Kimi、GLM，也可以接本地 Ollama。服务器启动后，你可以把本地文件、网页或整个 GitHub 仓库加进去。

更重要的是安全问题：记忆里可能包含私有代码、内部文档、个人偏好和完整对话。如果你把服务部署到服务器上，访问密码、网络入口、用户权限和备份都需要一并管理。

此外，主项目使用 AGPLv3 协议，如果你打算修改它并对外提供在线服务，务必先看清楚协议要求。项目当前稳定版是 0.4.16，仍在持续更新中。

结语

OpenViking 提供了一个值得思考的方向：与其不断扩大上下文窗口，不如让 Agent 学会像人一样"翻资料柜"。三层摘要降低了信息噪声，结构化检索保留了上下文关系，长期记忆则让 Agent 具备了跨会话的连续性。对于那些资料越堆越多、却越来越难用好的 AI 编程场景，这套"上下文即文件系统"的思路，或许比单纯堆砌 Token 更值得尝试。