上下文数据库。

它用"虚拟文件系统"的方式管理

Agent

分层上下文：L0摘要

L1概览

语义搜索：融合目录定位与向量检索

自动生成文档摘要和概览

会话记忆：自动提取对话中的长期记忆

https://github.com/volcengine/OpenViking

~/.openviking/ov.conf：

class="language-json">{"embedding":
{"dense":
"https://integrate.api.nvidia.com/v1","api_key":
4096,"model":
"https://integrate.api.nvidia.com/v1","api_key":
"openai","model":
dimension
Embedding
embedding.model
推荐使用
nvidia/nv-embed-v1（对称模型，不需要
input_type
vlm.model
meta/llama-3.3-70b-instruct
OPENVIKING_CONFIG_FILE=~/.openviking/ov.conf

OPENVIKING_CONFIG_FILE=~/.openviking/ov.conf'

>>

test_openviking.py：

ov.SyncOpenViking(path="./openviking_data")try:client.initialize()print("✅
OpenViking
client.add_resource(path="./your_file.md")print(f"添加文件:
{result}")#
等待处理完成print("等待处理...")client.wait_processed()print("✅
处理完成！")#
{r.score:.4f})")client.close()print("\n🎉
OpenViking
client.add_resource(path="./docs/readme.md")#
URL
client.add_resource(path="https://example.com/article.html")

client.ls("viking://resources")#

列出子目录

client.ls("viking://resources/my_project")

{client.read(r.uri)[:200]}...")

client.abstract("viking://resources/my_project")#

层：详细概览

client.overview("viking://resources/my_project")

client.read("viking://resources/my_project/readme.md")

nvidia/nv-embed-v1

meta/llama-3.3-70b-instruct。

id="q-nvidia-api-报错-input_type-required">Q:

NVIDIA

nvidia/nv-embed-v1，不需要

id="为什么用-openviking替代-openclaw-默认的-qmd-记忆后端">为什么用

OpenViking？——替代

id="openclaw-现有记忆方案的局限">OpenClaw

OpenClaw

id="方式一作为-openclaw-的补充记忆推荐">方式一：作为

OpenClaw

ov.SyncOpenViking(path="./openviking_data")

recursive=True):client.add_resource(path=f)for

recursive=True):client.add_resource(path=f)client.wait_processed()

client.close()

glob.glob("./memory/*.md"):client.add_resource(path=f)#

workspace

recursive=True):client.add_resource(path=f)

id="方式三给-sub-agent-提供上下文">方式三：给

Sub-agent

viking://resources/第01章/张三的叙事.md

https://github.com/swizardlv/openclaw_openviking_skill.git

openclaw_openviking_skill/openviking

id="附录可用的-nvidia-embedding-模型">附录：可用的

NVIDIA

nvidia/nv-embed-v1

4096

nvidia/nv-embedqa-e5-v5

1024

nvidia/llama-3.2-nv-embedqa-1b-v2

2048

nvidia/nv-embedcode-7b-v1

4096

id="附录可用的-nvidia-chat-模型用于-vlm">附录：可用的

NVIDIA

meta/llama-3.3-70b-instruct

✅

meta/llama-3.1-70b-instruct

稳定版本

meta/llama-3.1-8b-instruct

轻量版

mistralai/mistral-large

Mistral

kimi-k2.5、deepseek-r1），它们返回的格式与

OpenViking

https://github.com/volcengine/OpenViking

NVIDIA

https://docs.api.nvidia.com/nim/

class="post-meta-container">