OpenViking: 這是什麼、解決什麼問題以及為什麼它正受到關注

解決的問題

OpenViking 解決了管理 AI Agents 上下文的挑戰，特別是碎片化的數據（儲存在不同地方的記憶、資源和技能）、因上下文需求激增而導致的高昂 Token 成本、傳統扁平化 RAG 系統中較差的檢索有效性，以及使除錯變得困難的檢索鏈「黑盒」特性。

工作原理

OpenViking 使用檔案系統範式實作了一個「上下文資料庫」。它不使用扁平的向量儲存，而是像管理本地檔案系統一樣組織 Agent 的大腦，從而實現對記憶和資源的結構化管理。它利用三層（L0/L1/L2）載入結構來按需載入上下文並減少 Token 消耗。它將目錄定位與語義搜索結合起來進行遞歸檢索，並提供視覺化的檢索軌跡，使過程變得可觀察。

對象群體

需要以結構化、可擴展的方式管理長期記憶、外部資源和技能集，且不想承受傳統 RAG 管理開銷的 AI Agents 開發人員。

重點亮點

• Filesystem Paradigm: 將記憶、資源和技能統一到單一的結構化組織中。
• Tiered Context Loading: 使用 L0/L1/L2 層級來優化 Token 使用量和成本。
• Recursive Retrieval: 將基於目錄的定位與語義搜索結合，以實現更精確的上下文獲取。
• Observable Context: 將檢索軌跡視覺化，以幫助開發人員除錯並優化檢索邏輯。
• Automatic Session Management: 透過自動壓縮內容和工具調用來從對話中提取長期記憶。