[RFC] 社区征集：OpenViking 上下文数据库集成支持

[hrygo]

背景

OpenViking 是由字节跳动火山引擎开源的、专为 AI Agent 设计的上下文数据库 (Context Database)。通过分层文件系统（Hierarchical VFS）统一管理记忆、资源和技能。

将 OpenViking 接入 OpenClaw，可以显著提升：

• 长期记忆能力：跨会话经验沉淀
• 上下文效率：通过 L0/L1/L2 分层加载节省 Token

---

OpenViking 核心特性

特性	说明
L0 摘要	~100 Tokens，一句话概括
L1 概述	~2k Tokens，结构化引导
L2 详情	完整源码/文档，按需加载
上下文自迭代	自动从对话中提取用户偏好、任务经验
VFS 统一资源	user/ agent/ 目录管理

---

预期收益

• Token 节省：平均输入 Token 降低 80%+
• 准确率提升：复杂长任务上下文一致性提升 40%
• 经验闭环：跨项目、跨会话的专家经验累积

---

集成方案

方案 A：技能插件化 (Skills-based)

• 创建 skills/openviking 文件夹
• 实现 memo_save / memo_recall 功能
• 优点：不侵入核心代码

方案 B：生命周期钩子 (Lifecycle Hooks)

• 监听 agent_end 钩子，自动触发记忆提取
• 每次会话结束自动更新长效记忆

方案 C：存储层映射 (Storage Mapping)

• 将 workspace 挂载到 OpenViking VFS
• 自动实现 AGENTS.md / SOUL.md 向量化检索

---

实施路线图

1. 环境部署：Docker Compose 新增 openviking-server 服务
2. API 连通：.env 添加 OPENVIKING_ENDPOINT
3. 开发技能：实现 viking-recall 记忆检索
4. 配置自迭代：开启自动记忆提取

---

期望社区支持

• 新增 docker-compose.yml 中 OpenViking 服务配置
• 开发 skills/openviking 技能插件
• 实现生命周期钩子 agent_end 自动记忆提取
• 配置 VFS 存储层映射
• Scout → ContextScout 增强

相关文档

• OpenViking 集成调研报告
• OpenViking 深度集成方案

---

欢迎 PR 贡献！请在评论中说明你想要实现的功能，我们将提供详细的实现指导。

[aaronwong1989]

📋 深度调研报告：OpenClaw 接入 OpenViking

1. 版本要求

依赖	版本要求
OpenClaw	2.10+
Python	3.10+
OpenViking	0.1.18+

---

2. 安装配置

```bash

安装 OpenViking (含 VikingBot)

pip install "openviking[bot]"

启动服务

openviking-server --with-bot
```

配置文件 `~/.openviking/ov.conf`:
```json
{
"storage": {
"workspace": "/home/your-name/openviking_workspace"
},
"embedding": {
"dense": {
"api_base": "",
"api_key": "",
"provider": "openai",
"dimension": 1024,
"model": "text-embedding-3-small"
}
},
"vlm": {
"api_base": "",
"api_key": "",
"provider": "litellm",
"model": "claude-3-sonnet"
}
}
```

支持的 VLM 提供商: `volcengine`, `openai`, `litellm` (支持 Anthropic, DeepSeek, Gemini, Qwen, vLLM, Ollama 等)

---

3. 集成架构

```
OpenClaw → Skill 调用 → OpenViking CLI/API → 记忆存储/检索
```

关键限制: 当前 OpenViking 不能直接作为 OpenClaw 的 `memory.backend` 配置项，需通过 Skill 的 CLI 工具间接调用。

---

4. 性能基准测试

配置方式	任务完成率	Token 成本
OpenClaw (memory-core)	35.65%	24,611,530
OpenClaw + OpenViking (-memory-core)	52.08%	4,264,396
OpenClaw + OpenViking (+memory-core)	51.23%	2,099,622

提升效果:

• 任务完成率提升 43-49%
• Token 成本降低 83-96%

---

5. 推荐集成方案：方案 A (Skills-based)

基于调研，推荐方案 A 作为首选实施路径：

优势:

• 不侵入 OpenClaw 核心代码
• 可独立迭代，社区贡献门槛低
• 兼容现有 Skills 生态

实施步骤:

1. 创建 `skills/openviking/` 目录
2. 实现 CLI 封装脚本:
   • `viking-save`: 保存记忆
   • `viking-recall`: 检索记忆
   • `viking-scan`: 扫描上下文
3. 配置 OpenClaw skill manifest

---

6. 参考资源

• OpenViking GitHub
• OpenClaw GitHub
• 火山引擎官方文档
• 阿里云配置教程
• NVIDIA API 配置教程

---

7. 后续行动项

• 确认 OpenClaw 2.10+ skill 接口兼容性
• 设计 `viking-recall` skill API 规范
• 评估 LiteLLM 作为统一 VLM 入口的可行性
• 制定 Docker Compose 集成配置模板

---

调研时间: 2026-03-15