openviking-context
by cnoder-wgh
OpenViking context database for AI agents — layered context loading (L0/L1/L2), semantic search, file-system memory management. Use when setting up OpenViking, managing agent memory/resources, performing semantic search, browsing context filesystem, or comparing token consumption. Triggers on: 'openviking', 'context database', 'viking memory', 'layered context', 'token saving', 'L0/L1/L2', 'viking://', 'memsearch', 'memread', 'context setup'.
安装
claude skill add --url github.com/openclaw/skills/tree/main/skills/cnoder-wgh/openviking-token-saver文档
OpenViking Context Database
字节跳动开源的 Agent 上下文数据库。通过 viking:// 文件系统协议统一管理记忆、资源和技能，L0/L1/L2 三层按需加载，token 消耗降低 83-96%。
| 能力 | 说明 |
|---|---|
| 文件系统协议 | viking:// 统一管理 resources/user/agent 三类上下文 |
| L0/L1/L2 分层 | 摘要(~100 tokens) / 概览(~2k tokens) / 全文，按需加载 |
| 语义检索 | 目录递归检索 + 向量匹配 |
| 会话记忆 | 自动提取长期记忆，跨会话保持 |
| Token 节省 | 对比全量加载，输入 token 降低 83%~96% |
安装到 OpenClaw
bash scripts/install-skill.sh
脚本会将 skill 复制到 OpenClaw 的 skills 目录（自动检测路径），然后在 OpenClaw 中说 "refresh skills" 即可发现。
安装 OpenViking 依赖
skill 安装完成后，运行以下命令安装 OpenViking 本体：
bash scripts/install.sh
自动检测 Python >= 3.10，安装 openviking 包，创建工作目录，可选安装 Rust CLI (ov)。
配置
bash scripts/setup-config.sh
支持的模型提供商：
| 提供商 | VLM 模型 | Embedding 模型 |
|---|---|---|
openai | gpt-4o | text-embedding-3-large (dim=3072) |
volcengine | doubao-seed-2-0-pro-260215 | doubao-embedding-vision-250615 (dim=1024) |
litellm | claude-3-5-sonnet / deepseek-chat | — |
| NVIDIA NIM | meta/llama-3.3-70b-instruct | nvidia/nv-embed-v1 (dim=4096) |
注意：避免使用推理模型 (kimi-k2.5, deepseek-r1)，它们的
reasoning字段与 OpenViking 不兼容。
启动服务器
openviking-server
# 或后台运行：
nohup openviking-server > ~/.openviking/server.log 2>&1 &
核心操作
通过 scripts/viking.py 与 OpenViking 交互：
python3 scripts/viking.py <command> [args]
| 命令 | 功能 | 示例 |
|---|---|---|
add <path_or_url> | 添加资源（文件/URL/目录） | viking.py add ./docs/ |
search <query> | 语义搜索 | viking.py search "认证逻辑" |
ls [uri] | 浏览资源目录 | viking.py ls viking://resources/ |
tree [uri] | 树形展示 | viking.py tree viking://resources/ -L 2 |
abstract <uri> | L0 摘要 (~100 tokens) | viking.py abstract viking://resources/proj |
overview <uri> | L1 概览 (~2k tokens) | viking.py overview viking://resources/proj |
read <uri> | L2 全文 | viking.py read viking://resources/proj/api.md |
info | 检查服务状态 | viking.py info |
commit | 提取当前会话记忆 | viking.py commit |
stats | 查看 token 消耗统计 | viking.py stats |
stats --reset | 重置统计数据 | viking.py stats --reset |
Token 消耗追踪
每次调用 search、abstract、overview、read 时自动追踪：
- 实际消耗：本次分层加载实际使用的 token 数
- 全量假设：如果用传统方式全量加载同一资源需要的 token 数
- 节省量：两者差值和百分比
每次命令结尾自动输出一行会话累计摘要：
📊 会话累计 | 实际: 2,300 tokens | 全量: 48,000 tokens | 节省: 45,700 (95.2%)
使用 stats 命令查看完整的逐操作明细表：
python3 scripts/viking.py stats
输出示例：
═══ Token 消耗统计 ═══
会话开始: 2026-03-19 19:30:00
操作次数: 4
# 时间 操作 层级 实际 全量 节省 URI
──── ────────── ────────── ───── ──────── ──────── ──────── ──────────────────
1 19:30:05 search L0 300 48,000 47,700 用户认证 鉴权
2 19:30:12 overview L1 1,800 15,000 13,200 viking://resources/auth
3 19:30:18 abstract L0 80 8,000 7,920 viking://resources/db
4 19:30:25 read L2 3,200 3,200 0 viking://resources/auth/jwt
┌─────────────────────────────────────┐
│ 全量加载 (传统方式): 74,200 tokens │
│ 实际消耗 (分层加载): 5,380 tokens │
│ 节省 token 数量: 68,820 tokens │
│ 节省比例: 92.8% │
└─────────────────────────────────────┘
统计数据持久化在 ~/.openviking/session_stats.json，跨命令调用累积。新会话可用 stats --reset 重置。
分层加载工作流
收到开发需求（如"帮我写一个用户认证模块"）时：
Step 1 — L0 快速扫描（~300 tokens）
python3 scripts/viking.py search "用户认证 鉴权 登录"
用 L0 摘要判断哪些资源相关，过滤无关内容。
Step 2 — L1 概览决策（~2k tokens/资源）
python3 scripts/viking.py overview viking://resources/auth-docs
理解架构和技术选型，制定实现计划。
Step 3 — L2 按需深读（仅必要文件）
python3 scripts/viking.py read viking://resources/auth-docs/jwt-config.md
只加载写代码需要的具体文件。
Token 对比演示
python3 scripts/demo-token-compare.py ./your-project-docs/
| 方案 | Token 消耗 | 说明 |
|---|---|---|
| 全量加载 (传统 RAG) | ~50,000 | 所有文档塞进 prompt |
| L0 扫描 + L1 概览 | ~3,000 | 分层按需，仅摘要和概览 |
| L0 + L1 + L2 按需 | ~8,000 | 最终只深读 2-3 个必要文件 |
| 节省比例 | 84%~94% | 相比全量加载 |
故障排查
| 问题 | 原因 | 解决 |
|---|---|---|
Dense vector dimension mismatch | embedding 维度配置错误 | 检查 ov.conf 中的 dimension 与模型匹配 |
NoneType is not subscriptable | 使用了推理模型 | 换用 gpt-4o 或 llama-3.3-70b |
input_type required | 使用了非对称 embedding | 换用对称模型如 nvidia/nv-embed-v1 |
| 搜索无结果 | 语义处理未完成 | 添加资源后等待：viking.py add --wait |
| 服务连接失败 | 服务器未启动 | 运行 openviking-server |
参考
相关 Skills
迁移架构师
by alirezarezvani
为数据库、API 与基础设施迁移制定分阶段零停机方案，提前校验兼容性与风险，生成回滚策略、验证关卡和时间线，适合复杂系统平滑切换。
✎ 做数据库与存储迁移时，用它统一梳理表结构和数据搬迁流程，架构视角更完整，复杂迁移也更稳。
数据库建模
by alirezarezvani
把需求梳理成关系型数据库表结构，自动生成迁移脚本、TypeScript/Python 类型、种子数据、RLS 策略和索引方案，适合多租户、审计追踪、软删除等后端建模与 Schema 评审场景。
✎ 把数据库结构设计、ER图梳理和SQL建模放到一处，复杂业务也能快速统一数据模式，少走不少返工弯路。
资深数据工程师
by alirezarezvani
聚焦生产级数据工程，覆盖 ETL/ELT、批处理与流式管道、数据建模、Airflow/dbt/Spark 优化和数据质量治理，适合设计数据架构、搭建现代数据栈与排查性能问题。
✎ 复杂数据管道、ETL/ELT 和治理难题交给它，凭 Spark、Airflow、dbt 等现代数据栈经验，能更稳地搭起可扩展的数据基础设施。
相关 MCP 服务
PostgreSQL 数据库
编辑精选by Anthropic
PostgreSQL 是让 Claude 直接查询和管理你的数据库的 MCP 服务器。
✎ 这个服务器解决了开发者需要手动编写 SQL 查询的痛点，特别适合数据分析师或后端开发者快速探索数据库结构。不过，由于是参考实现，生产环境使用前务必评估安全风险，别指望它能处理复杂事务。
SQLite 数据库
编辑精选by Anthropic
SQLite 是让 AI 直接查询本地数据库进行数据分析的 MCP 服务器。
✎ 这个服务器解决了 AI 无法直接访问 SQLite 数据库的问题，适合需要快速分析本地数据集的开发者。不过，作为参考实现，它可能缺乏生产级的安全特性，建议在受控环境中使用。
Firecrawl 智能爬虫
编辑精选by Firecrawl
Firecrawl 是让 AI 直接抓取网页并提取结构化数据的 MCP 服务器。
✎ 它解决了手动写爬虫的麻烦，让 Claude 能直接访问动态网页内容。最适合需要实时数据的研究者或开发者，比如监控竞品价格或抓取新闻。但要注意，它依赖第三方 API，可能涉及隐私和成本问题。