OpenViking Context Database

---

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：

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` |

参考