企业官网建设流程全解析

字节开源了一个叫 OpenViking 的项目，定位不是 RAG 平台，而是专为 AI Agent 设计的 Context Database。3 个月 2.2w Star，核心思路是用文件系统范式统一管理 Agent 的记忆、知识和技能。

传统 RAG 的困境

认真做过 AI Agent 的人都知道：上下文管理是最烦的那块。

• • 记忆在代码里，资源在向量库里，技能散落各处
• • 长任务跑着跑着，上下文撑满，截断就丢信息
• • RAG 平铺存储没有全局视图，检索结果拼起来凭感觉
• • 出错了也不知道哪步有问题，链路全黑

字节火山引擎开源的OpenViking给出了一个不一样的方向：把 Agent 所需的一切上下文，用文件系统的范式统一管理。

GitHub：volcengine/OpenViking，3 个月，2.2w+ Star。

OpenViking 是什么

官方定位：专为 AI Agent 设计的 Context Database。

思路很直接：别再把 Memory、Knowledge、Tool 分散在三个系统里各管各的，用文件系统把三者收到一起，统一检索，自动演化。

三种上下文类型

Memory 细分为 8 类：用户画像（profile）、偏好（preferences）、实体记忆（entities）、事件记录（events），以及 Agent 侧的案例（cases）、模式（patterns）、工具知识（tools）、技能知识（skills）。分类干净，三种东西原来都混在一起，OpenViking 分层存储、统一检索。

核心设计：L0/L1/L2 三层信息模型

这是整个方案最值得看的部分。

每个目录自动生成.abstract.md和.overview.md。检索时只向量化 L0，命中后用 L1 做 Rerank，真正需要详情才把 L2 全文送进 LLM 上下文。

viking://resources/docs/auth/ ├── .abstract.md # ~100 tokens，向量化用 ├── .overview.md # ~2k tokens，导航用 ├── .relations.json # 关联关系 ├── oauth.md # L2 全文 ├── jwt.md # L2 全文 └── api-keys.md # L2 全文

对比传统 RAG：

• •传统：所有 chunk 全量向量化，检索结果没层次，上下文拼接靠猜
• •OpenViking：L0 召回 → L1 精排 → L2 按需，Token 省不少

和人查资料的逻辑一样：先看目录 → 读摘要 → 翻全文，按需取用。

文件系统范式

用 Viking URI 寻址所有上下文：

viking://resources/docs/auth/oauth.md viking://user/memories/preferences/ viking://agent/skills/search-web/

操作接口也是文件系统风格：

client.ls("viking://resources/") client.mkdir("viking://resources/my-project/") client.tree("viking://resources/docs/") client.read("viking://resources/docs/auth/oauth.md") client.abstract("viking://resources/docs/auth/") # 获取 L0 client.overview("viking://resources/docs/auth/") # 获取 L1

文件系统的心智模型人人都懂，目录结构天然有层次、有全局视图，传统向量库"只见树木不见森林"的问题在这里直接消失了。

Session 管理与记忆自演化

最实用的特性：自动从对话里提取 Memory。

session = client.session() await session.add_message("user", [{"type": "text", "text": "我喜欢深色模式"}]) await session.add_message("assistant", [{"type": "text", "text": "好的，已记录"}]) # commit 触发后台记忆提取 commit = await session.commit() task = await client.get_task(commit["task_id"]) # 等 task["status"] == "completed" results = await client.find("UI 偏好", target_uri="viking://user/memories/")

Commit 之后，后台自动压缩历史对话，提取 8 类记忆写入对应目录。Agent 用得越多，知识库越丰富，不需要手动维护。

快速上手

安装：

pip install openviking --upgrade

初始化（本地 Ollama，入门首选）：

openviking-server init

向导自动检测硬件、拉取合适的 Embedding 和 VLM 模型、生成配置文件。

嵌入式用法（单进程，最快起步）：

from openviking import OpenViking client = OpenViking(path="./my_knowledge_base") client.add_resource("https://docs.example.com/api.pdf", reason="API 文档") results = await client.find("如何做 OAuth 认证") for ctx in results.resources: print(ctx.uri, ctx.content)

HTTP Server 模式（团队共享、生产）：

openviking-server start

from openviking import SyncHTTPClient client = SyncHTTPClient(url="http://localhost:1933", api_key="xxx")

HTTP 模式下任何语言都能接，curl 也行。

检索链路

Query ↓ Intent Analysis（生成 0-5 个类型化子查询） ↓ Hierarchical Retrieval（L0 向量召回 → 目录递归检索） ↓ Rerank（L1 精排） ↓ L2 按需加载 ↓ Context → LLM

检索轨迹可视化是内置的，能直接看到每次检索走了哪些目录路径。出问题有迹可查，不再瞎猜。

和主流方案的区别

OpenViking 不是 RAG 应用平台，是底层 Context 存储引擎，定位更接近"给 Agent 用的数据库"。

用 Dify 搭 RAG 应用的，OpenViking 暂时替代不了。自己写 Agent 框架的，值得认真看。

我的判断

思路是对的。用文件系统范式统一 Agent 上下文，比向量库更直观，也更有层次。L0/L1/L2 是目前见过最系统化的 Token 预算方案。

不足：

• • 文档还不完整，部分 API 要翻源码
• • L0/L1 生成依赖 LLM/VLM，有成本
• • 8 类 Memory 分类，上手有认知负担

定位清楚：这是面向 Agent 开发者的基础设施，不是给普通用户的产品。上下文管理是 Agent 开发绕不开的坑，OpenViking 给了一个系统化的解法，值得参考。

持续关注点：项目 topics 里有openclaw和opencode，和 Claude Code 等 Coding Agent 的集成正在推进——这条线很有意思。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】