你让一个 AI 助手长期帮你工作，它很快会遇到一种尴尬：聊天里记住的偏好、知识库里的项目资料，以及它会用的工具，往往分散在不同系统中。需要旧信息时，它既可能找不到，也可能找到了却说不清从哪里找来的。OpenViking 想把这些东西收进同一套可浏览的“档案柜”。
本刊 7 月 13 日已经介绍过它的基本设计。本期更值得看的，是项目如何把这套设计推向可评测、可接入的完整工具链。以下功能与评测信息均来自 volcengine/OpenViking 官方仓库这一项独立信源，尚无交叉印证；仓库材料也没有提供足以核验的完整评测报告，因此不能据此判断它已经领先。
不只记住，还要知道记在哪里
OpenViking 是面向 AI Agent——能够连续执行任务的 AI 助手——的开源上下文数据库。所谓上下文数据库，就是专门保存模型工作时可能需要看到的记忆、资料和工具说明。
它把 memories、resources 和 skills，也就是长期记忆、外部资料与可调用技能，统一放在 viking:// 虚拟文件系统下。这里的“文件系统”是一套目录和路径式界面，底层内容不一定真是磁盘文件，也不代表所有数据必然使用同一种物理存储。
Agent 可以像整理电脑文件一样使用 ls、tree 和 find 浏览上下文，而不是只向一个看不见内部结构的向量数据库提问。向量检索会把文本转换成数字表示，再寻找语义相近的内容；它擅长判断“意思像不像”，却不天然保留文件属于哪个项目、相邻目录放着什么。OpenViking 先用向量搜索找到得分最高的目录，再逐层向下检索，希望把命中的内容连同周围结构一起带回来。
更重要的是，每次查询都会保存目录浏览轨迹。如果答案不对，开发者能检查 Agent 走过哪些路径、在哪一层选错了方向。对长期运行的助手来说，可排错往往和能检索同样重要。
先看标签，再决定是否开箱
为了避免每次都把整份资料塞给模型，OpenViking 在写入时把内容处理成三层。L0（Abstract）是一句约 100 tokens 的摘要，用来快速判断相关性；token 是模型处理文字时使用的基本单位。L1（Overview）约 2,000 tokens，概括结构、要点与使用场景。L2（Details）才是完整原始内容，只在确有需要时读取。这里的数字是近似规模，不是材料证明的严格上限。
可以把它理解成查档案：先读盒子标签，再看目录，最后才抽出原件。目录本身也有 L0 和 L1，因此 Agent 不必先打开所有文件，才能判断某个分支值不值得继续找。官方将其描述为能够减少 token 消耗，但现有材料没有给出足以独立核验的节省比例和适用边界。
对话怎样变成长期经验
OpenViking 还试图让会话沉淀为记忆。一次会话提交后，系统会异步提取用户偏好和 Agent 的任务经验，再写入长期记忆。这里有两个限制容易被宣传语遮住：必须先提交会话；写入的是提取结果，而非把每句话原样永久保存。
这一步让“记住用户喜欢短句”和“记住上次任务怎么完成”进入同一管理层。它也把 RAG——先从外部知识库取回资料，再交给模型回答——与记忆、技能放到了一套可浏览结构里。OpenViking 0.3.22 已在长对话用户记忆基准 LoCoMo 和多轮 Agent 任务基准 tau2-bench 上接受评测。不过，当前供稿不足以核对分数、对照模型和实验配置，所以这里只能确认“做过评测”，不能宣称效果提升或领先。
为什么值得继续看
Agent 的问题正在从“单次回答够不够聪明”，转向“运行几周后还能不能找到旧经验，并解释自己为什么找到它”。OpenViking 的价值不只是增加一种记忆组件，而是提出统一的管理界面：记忆、RAG 资料和技能都可以分层读取、沿目录追踪，并留下检索路径。
项目也在降低试用和接入门槛。OpenViking Studio 提供无需安装的浏览器演示；命令行工具可添加资源、浏览目录和执行检索。仓库还介绍了 Agent 集成、用于检查会话轨迹的桌面 Helper，以及建立在 OpenViking 之上的 VikingBot。它正在从一个存储抽象，扩展成围绕上下文管理的工具链。
局限与未知
- 所有功能与效果信息目前都来自官方仓库这一项信源，缺少独立复现和交叉验证。
- 供稿未提供可完整核验的基准报告，不能判断 LoCoMo 与 tau2-bench 的结果是否公平、稳定或优于其他方案。
- “统一”目前主要指统一到
viking://的虚拟文件系统抽象；底层存储方式、长期运行成本以及异步记忆提取的准确边界，材料没有说明。