📌 如果你正准备把整个知识系统都接进 OpenViking，这篇比产品介绍更重要。
📌 OpenViking 适合做“冷资料层”，不适合拿来接管你的全部日常记忆。
OpenViking 最近很火。
但我用下来最大的感受，不是“它很强”。
而是：
👉 千万别什么都往里塞。
我见过太多人，
把一个本来很强的系统，
👉 用成了一个“AI杂物间”。
OpenViking 很强，但它不适合所有人，也不适合所有资料。
如果你手里本来就有大量文章、剪藏、书、课程、项目文档，那它非常值得接。
但如果你想把 daily notes、短笔记、临时日志、配置碎片一股脑都塞进去，最后大概率会把一个本来很有优势的系统，硬用成一个笨重的杂物间。
👉 QMD 是你的“工作记忆”
👉 OpenViking 是你的“档案馆”
🧩 OpenViking 真正解决的，不只是“检索更准”
做过 RAG 的人都踩过这些坑：
- chunk 语义孤立、没有上下文关系
- 向量相似不等于真正相关、召回率高但精度偏低
- 会话结束后没有结构化沉淀，AI 并没有学到什么东西
我们再看看 OpenViking 是如何解决这些问题的。
🗂️ 它牛的地方，在于把上下文变成了可操作的文件系统
必须搞清楚一个事情：这里的上下文指的是资料的上下文逻辑，并不是模型的临时上下文窗口！
你可以把它理解成：
👉 先看封面
👉 再看目录
👉 最后才翻正文
AI不再一上来就“读整本书”。这也是为什么能够大量节约Tokens的原因！
1. OpenViking 的核心思路：
用「文件系统范式」替代「平铺向量库」，所有上下文统一映射到虚拟文件树 viking://。
viking://
├── resources/ # 文档 / 代码 / 网页
├── user/memories/ # 用户偏好
└── agent/
├── skills/ # 可复用技能
└── memories/ # 任务经验
每个节点都有唯一 URI，AI 可以像操作文件一样操作上下文，整个过程也更容易追踪和调试。
2. L0/L1/L2 三层上下文读取，彻底解决 token 爆炸
- L0 Abstract：约 100 tokens，快速判断“这里有没有我要的东西”
- L1 Overview：约 2k tokens，作为规划阶段的决策依据
- L2 Detail：完整原文，真正需要时才读
类比一下，就是先看书的封面摘要，再看目录，最后才翻正文。
AI 不需要每次都读完整本书，推理成本会低很多。
3. 目录递归检索，解决“语义相似但实际无关”
传统向量搜索通常是：全库暴力找最相似 chunk。
OpenViking 的策略更像这样：
- 先做意图分析，拆解多个检索条件
- 顶层向量搜索，先锁定高分目录
- 进入目录做二次精细搜索
- 如果还有子目录，就继续递归向下
- 最后汇总候选集，返回最终结果
你可以把它理解成找书：先定位书房，再找书架，最后找具体那本书。
这种逐层缩小范围的方式，会比全库平铺搜索更接近真实的信息定位过程。
4. Session 自动记忆提取，让 Agent 逐步积累可复用经验
每次会话结束后，系统会尝试提取两类信息：
- 用户偏好，写入
user/memories/ - 任务经验，写入
agent/memories/
这样下一次启动时，就不必完全从零开始。
总结成一句话就是：
RAG 存的是碎片，OpenViking 存的是结构。
⚖️ 拿 QMD 对比，你会更容易看清它适不适合你
QMD 和 OpenViking，不是同一种工具。
它们解决的不是同一个问题。
| 维度 | qmd | OpenViking |
|---|---|---|
| 核心定位 | 本地快速检索/索引 | 分层上下文数据库 |
| 最适合内容 | MEMORY、daily log、Obsidian、skills、本地 Markdown | 长文、书、研究资料、剪藏库、项目文档 |
| 检索速度 | 快，适合高频查询 | 相对慢，尤其首次 ingest 和分层处理 |
| 上手成本 | 低 | 高 |
| 维护成本 | 低到中 | 中到高 |
| 结果风格 | 命中文本片段、全文检索感强 | 资源级、目录级、分层摘要感强 |
| 对短笔记/流水记录 | 很适合 | 不划算 |
| 对长文/书/报告 | 能搜到，但结构感弱 | 很适合，优势明显 |
| 对项目代码/文档资产库 | 可用，但偏片段命中 | 更适合项目级理解和回访 |
| 与 OpenClaw 当前整合度 | 高 | 低，需要额外桥接 |
| Token 节省效果 | 间接节省，主要靠更快定位内容 | 对长资料场景更容易减少无效全文投喂 |
| 对“上下文管理”帮助 | 偏快速召回 | 偏结构化供给 |
| 是否适合作为主记忆层 | 是 | 不建议 |
| 是否适合作为冷资料层 | 一般 | 是 |
| 根据你的需求选择使用： |
👉 日常用：选 QMD
👉 长资料：再接 OpenViking
简单来说：
📌 QMD 像电脑内存，快、轻，适合高频调用。
📌 OpenViking 像电脑硬盘，不是为了秒开，而是为了把大块资料结构化存起来，并按层读取。
对于你日常高频调用的 memory / daily logs / skills / obsidian，QMD 目前依然是更优解。
但如果你手上有大量文献资料、剪藏内容、书籍和其他长篇内容，OpenViking 的处理优势会非常明显。
✅ 最适合进 OpenViking 的，是这五类资料
如果你手里本来就有大量资料，OpenViking 真的很值得接。
但最值的不是“什么都接”，而是先接最能体现它优势的几类。
长文资料
- 行业报告、研究文章、白皮书、长博客
- 这类内容信息密度高，不想每次都重读全文。OpenViking 的 L0/L1/L2 分层读取，正好适合“先判断，再深入”。
剪藏库
- 你剪藏的文章、推文、案例
- 量大、异构、值得长期回访，但不适合靠人脑记住具体放在哪
书和课程资料
- 已读书、待读书、课程讲义、操作手册、章节整理
- “值得反复查，但不想每次全文翻”的典型资料。它们天然适合做成一个冷资料层
vibecoding 项目 / 代码资产库
- README、架构说明、设计文档、复盘
- 你真正需要的，往往不是一句全文检索结果，而是“这个项目整体在讲什么”“哪个目录最相关”“之前哪个方案和这次最接近”
专题研究资料库
- 一个主题下的网页、报告、文章、视频转写
- 这类资料最怕全库乱搜，而 OpenViking 的目录递归检索，恰好适合在一个主题目录里逐层往下找
🚫 不太适合接入的资料
说实话，OpenViking 确实很强，所以很多人会一股脑儿把所有内容都交给它来索引。
但对短内容来说，硬要给它做分层摘要和目录结构，最后可能比你原本的文档系统还复杂。
所以，下面这些内容，更建议继续用轻量化的 QMD 来处理：
MEMORY.mdmemory/YYYY-MM-DD.md- 高频短笔记
- Skills 说明、配置碎片、临时日志
🧠 最合适的组合用法，不是替代，而是分层
qmd：热记忆层（要快）- MEMORY、daily notes、Obsidian、本地短笔记
OpenViking：冷资料层（要稳）- 书、长文、剪藏、研究资料、项目文档
看完这里，你应该已经能判断：
OpenViking 该不该接，不取决于它强不强，而取决于你手上的资料类型。
我之前推出的【记忆管家 2.0】，本质上就是基于 QMD 去管理日常高频调用的资料。
接下来，我也会考虑在【记忆管家 2.0】的基础上接入 OpenViking，增强“外延大脑”这部分能力。
但前提不是替代，而是分层。
💬 最后问你两个更实际的问题
很多人在搭自己的AI知识系统/养龙虾，都会被All in One的思路毒害！
All in One是理想化，真正实用高效的一定是合理的工具矩阵！
- 你手上的资料里，是热记忆更多，还是冷资料更多？
- 你最想先让 OpenViking 处理的，是什么类型的资料？
如果你身边也有正在困惑 OpenViking 的朋友，这篇可以直接转给他。
🍥下期预告
Openclaw创始人官方发布的lossless claw是个什么玩意儿？下一篇我们来讨论拆解～
#OpenViking #QMD #AI知识库 #RAG检索 #上下文工程 #AgentMemory #MarkWave