Self-evolving Context Database for AI Agents. Unify Agent Memory, Knowledge RAG and Skills.
Python agent-contextagent-memoryagent-pluginsagentic-ragcontext-databasedsh-pluginknowledge-basememorymemory-managementself-evolvingvector-database
概念与原理
这里按学习顺序组织 OpenViking 的上下文模型、处理机制、架构与治理。尚未运行过 OpenViking,可以先导入并检索第一份文档,再回到这里理解结果如何产生。
先理解上下文模型
按顺序阅读前三篇,回答“存什么、在哪里、读多少”:
- 上下文类型:资源、记忆与技能各自承担什么职责。
- Viking URI:如何定位上下文,如何区分用户、Peer 与共享空间。
- 上下文层级(L0/L1/L2):摘要、概览与原文的关系,以及按层读取的边界。
再看处理与记忆
沿着资料导入和会话积累两条路径阅读:
- 上下文提取:原始资料如何经过解析、组织与语义处理。
- 检索机制:如何查找相关上下文,
find与search有什么区别。 - 会话管理:消息、会话提交与记忆提取如何衔接。
- 规则(Beta):如何编译持久强约束,并按任务召回供 Agent 核验。
准备写应用时,回到应用开发路径选择操作流程;参数和响应查参考文档。
按问题深入架构与治理
| 想理解的问题 | 阅读路径 |
|---|---|
| 模块如何协作,数据存在哪里? | 架构概述 → 存储架构 |
| 处理何时结束,失败后如何恢复? | 任务状态 → 路径锁与崩溃恢复 |
| 主备写入、读取和观测有什么语义? | 主备存储 → 指标与 Metrics |
| 谁能看到什么,权限如何继承? | 多租户 → 资源访问控制(ACL) |
| 数据如何加密,Skill 和 Session 隐私如何处理? | 数据加密 → 隐私配置与自动管理 |
配置和部署步骤集中在部署运维。原理页说明行为与约束,操作指南说明如何设置和验证,两者通过链接连接。
看一个应用示例
VikingBot展示 Agent、上下文与多渠道交互如何组合。需要运行它时,继续阅读VikingBot 安装与配置;接入其他现成工具时,先选择 Agent 接入方式。