- name
- openviking-context
- description
- OpenViking context database for AI agents — layered context loading (L0/L1/L2), semantic search, file-system memory management. Use when setting up OpenViking, managing agent memory/resources, performing semantic search, browsing context filesystem, or comparing token consumption. Triggers on: 'openviking', 'context database', 'viking memory', 'layered context', 'token saving', 'L0/L1/L2', 'viking://', 'memsearch', 'memread', 'context setup'.
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 |