模型上下文窗口一扩再扩,Agent 的 “记性” 却没有同步变好。跨越数周的项目里,早期敲定的规则、用户随口提过的偏好、上一轮任务的结论,要么在长对话中被挤出窗口,要么沉睡在某个文档里无人问津。等 Agent 真正需要这些信息时,团队只能重新整理、重新投喂,Token 花了不少,得到的答案还可能前后矛盾。

单点比拼模型能力的阶段正在过去,上下文工程成为新的分水岭。火山引擎推出的 OpenViking Context,就瞄准了这件事 —— 把 Agent 的上下文当作专门的数据资产来管理。

OpenViking Context 是什么?

它的定位很明确:一款 AI Agent 上下文数据库,也是基于开源 OpenViking 内核构建的全托管云服务。

传统 RAG 把信息切成碎片、平铺存放,OpenViking Context 则换了一套思路:采用 viking:// 虚拟文件系统范式,将 Memory(记忆)、Resource(资源)、Skill(技能)统一抽象为文件,每条内容都分配唯一 URI。Agent 调取信息的方式,由此从 “在一堆片段里碰运气”,变成 “按目录查档案”,结构化、可追溯、低成本三者兼顾。

四项核心功能,把上下文管起来

  • 智能上下文管理:记忆、资源与 Skill 被收进同一套清晰的上下文结构,支持统一管理、访问与复用,每条信息的来源、归属和边界都可查证。

  • L0/L1/L2 分层加载:内容写入时会被自动处理成三个层级 ——L0 摘要用一句话概括,方便快速判断;L1 概述整理核心信息与适用场景,服务规划决策;L2 详情留存完整原始数据,只在确有需要时读取。

  • 目录递归检索:先经意图分析生成检索条件,通过向量检索锁定高分目录,再在目录内二次检索,并沿子目录逐层递归、重排输出,语境不会在检索中丢失。

  • 多方式接入:覆盖 MCP Server、CLI、API、SDK 等通用接入方式,OpenClaw、Claude、Codex 等主流 Agent 都能直接对接。

两个评测场景,看懂真实落地表现

无论是做记忆管理还是知识管理,OpenViking 都能在拉高准确率的同时把 Token 用量压下来,效果和成本不用二选一。

用 OpenViking 做 Agent 记忆管

在 LOCOMO 记忆评测集中,OpenViking 接入 Claude Code、Hermes、OpenClaw 等不同 Agent 框架后,准确率均明显提升,Token 消耗同步大幅下降。以 OpenClaw 为例,接入后准确率达到 82.88%,总输入 Token 从原生方案的 205.5M 降至 37.4M,实现更高质量与更低成本的平衡。

用 OpenViking 做知识管理

在 HotpotQA 知识管理评测集中,OpenViking 准确率达到 91.88%,高于 Naive RAG、HippoRAG 2、LightRAG、LangChain SQL Agent 等方案;相比 LightRAG,在准确率更高的情况下 Token 减少约 56%,兼顾了回答质量与调用成本。

三类典型用法,覆盖不同业务阶段

能力最终要落进具体工作流,OpenViking Context 当前主要支撑三类用法。

  • AI Coding 助手

对接 GitHub 代码仓库后,目录树、索引与分层上下文自动生成,支持上传接入与 Watch 自动同步;Coding Agent 能更快摸清项目结构,代码问答、修改与排障效率更高,工具用法、排障经验和编码模式也能持续沉淀。

  • 知识管理

GitHub、飞书、网页 URL、Notion、本地文件等多源知识统一接入,自动生成目录树与检索索引,团队和个人知识都能被 Agent 快速定位、理解与调用。

  • 记忆网盘

用户与 Agent 的长期交互会被提炼成结构化记忆,用户偏好、任务状态、历史反馈、关键事实统一纳管,跨会话理解保持连贯,同一套记忆还能在多个 Agent 之间共享。

过去,上下文管理往往由团队自行搭建:写脚本、拼向量库、反复调试,耗费大量工程精力。OpenViking Context 将这套流程产品化,让 Agent 的记忆与经验可沉淀、可治理、可复用;当企业级应用进入多用户、多 Agent 协同阶段,这套上下文底座会变得更加关键。

如果你的 Agent 也正被上下文问题拖住,欢迎在评论区写下具体卡点,也可以留言咨询接入方式。

Logo

更多推荐