一个长期工作的 AI Agent，常像桌面被摊满文件的人：用户偏好记在代码里，参考资料塞进向量数据库，能调用的技能又散落在别处。OpenViking 想把这些东西收进同一套上下文数据库。上下文，就是模型回答时实际能看到的对话、文档、记忆和工具说明；应用必须从大量历史中挑出相关部分，交给模型。
它最具体的选择，是不用传统 RAG（先从外部知识库检索资料，再交给模型回答）常见的扁平向量存储来统管一切，而是采用类似文件系统的目录结构，把记忆、资源和技能统一组织。系统先定位目录，再结合语义搜索递归查找；内容分为 L0、L1、L2 三层，按需加载。检索经过哪些目录也能被看见，方便排查 Agent 为什么找错资料。
OpenViking 还会自动整理会话，压缩对话内容、资源引用和工具调用，并从中提取长期记忆。值得关注的不是又多了一个知识库，而是 Agent 的记忆、RAG 知识和技能正在合流成一层可管理、可观察、可持续积累的数据基础。项目仓库介绍了这些能力，但未披露其内部实现细节或可独立核验的实际收益。