这件事的核心是什么
火山引擎 OpenViking 开发者生态负责人刘智恒将在2026 AICon人工智能开发与应用大会·北京站,介绍火山引擎 Agent-Native 上下文管理实践,并讲解开源上下文数据库 OpenViking 如何连接企业知识、规则、记忆和实时数据。
这次分享指向一个容易被忽略的问题:企业Agent表现不稳定,未必是模型不够聪明,也可能是它拿到了错误、过时或残缺的上下文。OpenViking试图为这些信息建立统一入口,让Agent知道资料在哪里、哪些规则必须遵守,以及什么操作已经获得授权。
其核心不是再做一个检索插件,而是把上下文当作可管理的基础设施。知识、记忆、技能、规则与业务状态能够被组织、检索、继承和更新,Agent才有条件从问答助手变成长期运行的工作系统。

为什么值得关注:三个关键原因
- 企业落地瓶颈发生转移:模型能力提供上限,资料完整性、规则召回和权限控制决定Agent能否进入真实业务流程。
- 上下文成为独立工程层:OpenViking把目录结构、分层召回、长期记忆和跨Agent交接纳入统一设计,改变了零散拼接提示词的做法。
- 效果已有业务验证:官方披露的测试中,规则召回率由43%提升至100%;Issue Fix场景两天提交67个PR并合入28个。

关键细节拆解
传统向量检索擅长找到语义相近的片段,却不天然理解企业知识的层级关系。一份制度可能同时包含适用部门、生效日期和例外条款,一段代码知识也可能关联仓库、版本、负责人及修改权限。单纯返回几个文本块,容易出现“找到了内容,却没有找对语境”的问题。
OpenViking的设计可以概括为给上下文建立一套类似文件系统的地址体系。知识、记忆、技能、规则和实时数据被挂到 viking:// 目录树下;L0、L1、L2分层与目录递归检索用于控制搜索范围和上下文粒度。长期记忆负责保存跨会话经验,Handoff则承担任务交接,使不同人员或不同Agent能够共享进度。
需要区分的是,上下文数据库并不替代知识图谱、模型记忆或RAG,而是尝试承接它们之间的组织工作。OpenViking官方还规划了Context Gateway和长程数字员工方向,关注点已从一次性召回延伸到持续运行。
| 能力 | 传统做法 | OpenViking方案 | 实际价值 |
|---|---|---|---|
| 知识组织 | 文档切片后平铺检索 | viking://目录树 |
保留归属与层级关系 |
| 上下文召回 | 依赖相似度匹配 | L0、L1、L2分层递归检索 | 减少遗漏与噪声 |
| 经验沉淀 | 保存在单个会话 | 长期记忆与Handoff | 支持跨会话、跨Agent协作 |
| 规则约束 | 写入提示词或人工检查 | 规则进入统一上下文层 | 提高可发现性与可追踪性 |
| 公开数据 | 官方未公布统一版本号 | 40k+星,开源版与私有化版本 | 支持试用及企业部署 |

对普通用户意味着什么
最直接的变化是,AI处理复杂任务时更少“忘记前提”。例如向客服Agent询问退款,它不仅需要识别退款政策,还应知道订单状态、客户资格、地区差异及操作权限。统一上下文能减少因资料散落造成的误答,也让转人工时不必从头描述一遍。
对经常使用AI办公工具的人而言,长期记忆会逐渐变得重要。AI可以保留已确认的偏好、工作背景和任务进度,但“能记住”不等于“可以随意使用”。企业仍需提供查看、纠正、删除和撤回记忆的入口,避免错误信息在后续任务中被不断放大。
对管理者而言,Agent的考核方式也会改变。过去常用单次回答准确率衡量效果,进入执行阶段后,更应观察任务完成率、返工率、违规操作数、人工接管率和单位任务成本。上下文质量将直接影响这些指标。
对开发者和从业者意味着什么
技术选型上,开发者不应把全部精力投入提示词微调,而要先做上下文资产盘点:哪些信息稳定、哪些经常变化、哪些必须实时读取、哪些只在特定组织内可见。再决定它们适合进入目录、规则层、长期记忆,还是由业务系统通过工具实时提供。
OpenViking强调“接入—理解—编译—规则—授权—记忆”的链路,这暗示企业Agent平台正在形成新的技术分工。模型供应商负责推理能力,Agent框架负责编排,上下文数据库负责组织和供给信息,身份与权限系统负责行动边界,评测平台则验证最终结果。
商业模式也可能沿此链路展开:基础检索未必具有高客单价,真正有价值的是规则治理、行业知识模板、合规授权、跨系统交接及运行分析。AI平台工程师、企业架构师和MLOps工程师需要补上的,是知识治理、上下文工程与Agent评测能力。
现在可以怎么做
- 选择一个边界清晰的流程,列出完成任务所需的知识、规则、实时数据和操作权限,避免一开始改造整个企业知识体系。
- 用OpenViking开源版建立最小目录树,将高频资料、关键制度和示例记忆分类挂载,并验证搜索结果是否完整。
- 接入一种主流Coding Agent,通过CLI、MCP或Agent插件测试读写流程,同时记录召回失败与错误引用案例。
- 为每类上下文标注负责人、更新频率、访问范围和失效机制,再逐步加入授权、审计及Handoff能力。
- 建立任务级评测基线,比较改造前后的完成率、规则召回率、人工接管率和单次执行成本。
常见问题
OpenViking是向量数据库吗?
不是简单替代品。向量检索解决相似内容召回,OpenViking更关注上下文的统一组织、分层访问、长期记忆和交接,并可与现有RAG、知识图谱及业务系统组合使用。企业应根据缺失环节选型。
上下文管理能否直接提升模型能力?
它不能改变模型本身的参数上限,却能显著减少因资料缺失、规则遗漏和状态丢失造成的失败。对长流程Agent而言,可靠的上下文往往比一次更复杂的提示词更能改善任务完成率。
企业知识接入OpenViking后会自动更新吗?
不会自动等于实时准确。目录与检索解决的是访问和发现问题,源数据同步、版本管理、权限同步仍需接入具体业务系统。生产环境应明确更新频率、冲突处理和责任人。
普通企业适合使用云服务还是私有化部署?
可先使用开源版或可试用云服务验证场景。涉及敏感经营数据、严格审计或深度权限控制时,再评估私有化版本。部署方式应由数据敏感度、团队运维能力和预期规模共同决定。
总结
火山引擎 Agent-Native 上下文管理实践释放出的关键信号是:企业Agent的下一阶段,不只是追求更聪明的模型,而是建设可维护的上下文基础设施。OpenViking通过统一目录、分层检索、规则治理和长期记忆,把散落信息转化为Agent能够理解与执行的依据。
OpenViking的实际价值最终仍要由业务指标验证。对企业而言,最稳妥的策略是从高价值、低风险流程切入,同时建设评测、授权和审计机制,再逐步扩展到跨系统、跨Agent的长程任务。

