Agent的记忆一直是个黑盒。你问它为什么检索到这条信息，它答不上来；你想看看它到底存了什么，也没有入口。开源方案 OpenViking 想解决的就是这件事——把 Agent 的记忆、知识、技能统一塞进一个叫 viking:// 的虚拟文件系统，检索过程直接摊开看。

说白了，就是让 Agent 的"记忆"不再是黑盒，搜了啥、为啥搜，都能看明白。

用文件系统的方式管记忆

传统向量检索的问题在于不可解释。你丢进去一段文本，它返回一堆相似度分数，中间发生了什么没人知道。OpenViking 换了个思路：把记忆抽象成虚拟文件系统，支持类似 ls、tree、find 这样的 shell 式指令来定位上下文。

这意味着检索过程从"猜"变成了"看"。你可以像翻文件夹一样，一层层找到 Agent 到底调用了哪些知识、哪些技能。

分级加载，按需取用

OpenViking 的另一个设计是分层加载。记忆被拆成 L0 摘要到 L2 详情三个层级，需要哪层取哪层，不必一次性把所有上下文都塞进窗口。

评测数据说明了这套机制的效果：

  • 记忆准确率：80%-83%
  • Token 消耗：最高降低 91%
  • 查询延迟：降低 58%-66%

这三个数字放在一起看，指向的是同一个逻辑——不是靠更大的模型硬扛，而是靠更聪明的加载策略省下不必要的开销。

会话结束自动沉淀

除了检索侧的优化，OpenViking 还处理了记忆的写入问题。会话结束后，系统会自动归档长期记忆，不需要人工干预。

这一点对实际部署很关键。Agent 如果每次对话都从零开始，那它永远只是个问答工具；只有把每次交互沉淀下来，才谈得上"越用越懂你"。OpenViking 把这一步做成了自动化流程。

从可解释性到分级加载，再到自动归档，这套方案的核心思路是一致的：把 Agent 的记忆从黑盒变成可透视、可操作的文件系统。对于正在搭建 Agent 应用的开发者来说，这提供了一个不同于纯向量检索的架构选项。