OpenViking řeší praktický problém AI agentů: jak dlouhodobě spravovat jejich kontext, aniž by se paměti, zdroje a schopnosti rozpadly do oddělených systémů. Projekt popisuje kontext jako databázi pro agenty, která místo plochého ukládání fragmentů používá filesystemový model. Informace se organizují do virtuálních cest přes viking://, takže agent může s kontextem pracovat podobně jako vývojář se soubory a adresáři. Hlavní myšlenka je udělat z kontextu něco čitelného, dohledatelného a postupně aktualizovatelného, ne jen další vrstvu nad vektorovým vyhledáváním.
Za projektem stojí GitHub organizace volcengine, která OpenViking publikuje jako open-source repozitář. Projekt je určený pro AI agenty, například pro OpenClaw, a zaměřuje se na sjednocení tří typů informací: memories, resources a skills. Na GitHubu má repozitář zhruba 23 tisíc hvězd a obsahuje server, CLI, dokumentaci, příklady i integrace pro práci s agenty. Z pohledu vývojáře je důležité hlavně to, že OpenViking není jen knihovna pro embeddingy, ale vrstva pro organizaci a doručování kontextu agentovi.
V praxi má OpenViking pomoct ve chvíli, kdy agent pracuje s větším množstvím dokumentů, repozitářů, pamětí nebo instrukcí. Místo toho, aby se všechno posílalo do promptu najednou, projekt rozděluje kontext do vrstev L0, L1 a L2. L0 slouží jako krátký abstrakt, L1 jako přehled a L2 jako plný obsah, který se načítá až ve chvíli, kdy je potřeba. Tím se snižuje tlak na tokeny a agent může nejdřív zjistit, kde hledat, než začne číst detailní data.
Vyhledávání staví na kombinaci adresářové struktury a sémantického hledání. OpenViking nejdřív najde relevantní oblast, potom prochází obsah uvnitř adresáře a může pokračovat rekurzivně hlouběji. Tento postup má být lépe čitelný než běžné RAG řešení, protože zachovává trajektorii hledání a umožňuje sledovat, proč agent skončil u konkrétního výsledku. Součástí návrhu je také automatická práce se session, kde systém po interakcích extrahuje dlouhodobější paměti a aktualizuje uživatelský i agentní kontext.
Projekt uvádí i experiment s OpenClaw na datasetu LoCoMo10. OpenClaw s vlastním memory-core měl task completion rate 35,65 % a spotřeboval 24 611 530 vstupních tokenů. OpenClaw s OpenViking pluginem bez memory-core dosáhl 52,08 % při 4 264 396 vstupních tokenech, varianta s memory-core měla 51,23 % při 2 099 622 tokenech. Ve srovnání s LanceDB uvádí OpenViking vyšší task completion rate a výrazně nižší tokenovou spotřebu v obou testovaných variantách.
Zdroje:
