火山养“龙虾”日志 | 告别“金鱼式”对话！OpenViking + 方舟 Coding Plan，让你的“龙虾”过目不忘 - 文章 - 开发者社区

点击上方👆蓝字关注我们！

picture.image

在与“龙虾”的交互过程中，用户普遍面临一个核心痛点：它似乎“记性不好”。每一次开启新的对话，都意味着需要重新交代背景、重复个人偏好，仿佛在训练一个永远无法毕业的实习生。这种“跨会话记忆断裂”不仅消耗了用户大量的沟通成本，也极大地限制了“龙虾”在复杂、长期任务中的实际应用价值。因此，如何为“龙虾”构建持久、精准且成本可控的长期记忆能力成为关键。

OpenViking 作为面向 AI Agent 的专业外挂记忆体与上下文数据库，通过与火山方舟 Coding Plan 深度适配，成功破解智能体长期记忆困局，实现记忆结构化、可控化、低成本化管理，全面提升 AI Agent 的任务执行效率与交互连贯性，为用户带来稳定、高效、可观测的智能使用体验。

OpenViking 深度剖析

OpenViking 是什么？

picture.image

OpenViking 信息图，由 vaka 知识助手生成

(https://aisearch.volcengine.com/)

用一句话概括：OpenViking 是 AI Agent 的外挂记忆体，也是一个面向 AI Agent 的上下文数据库。

它以插件形式接入 OpenClaw，专门解决一件事：让你的“龙虾”不再健忘。

OpenClaw 原生记忆方案存在三大痛点：

记忆碎片化：历史对话以平铺方式存储，信息结构混乱，关键内容难以精准检索与召回；
Token 成本失控：为保障信息留存，需将大量历史上下文塞入对话窗口，导致输入 Token 数量持续攀升，使用成本居高不下；
跨会话记忆断裂：新建对话后智能体记忆重置，历史需求与信息需重复告知，交互效率低下。

OpenViking 用一个简单但聪明的思路解决了这些问题：创新性采用文件系统管理模式重构 Agent 记忆逻辑，将每一条记忆转化为结构化 Markdown 文件，支持索引、检索、可视化展示与全链路管理。用户可通过 ov tui 指令进入文件管理界面，直观查看、导入、导出、删除记忆内容，实现记忆读写全流程可观测、可管控，无需面对黑盒式记忆机制，清晰掌握智能体信息留存状态。

先看效果

在和“龙虾”对话的过程中，OpenViking 会自动记录对话内容，写入可观测的记忆文件库。

OpenViking 能够让“龙虾”记住用户的风格偏好，再也不用和“龙虾”费尽口舌。

有了 OpenViking 之后，可以直接导入已有记忆，再也不用从零开始培养新“龙虾”。

接入 OpenViking，“龙虾”将会记住做过的事情。

OpenViking 好在哪里？

数据先说话

先看评测结果。以 LoCoMo10 (https://github.com/snap-research/locomo) 作为测试集（专注于长程对话理解与记忆，1540 条有效用例），将原生 OpenClaw、OpenClaw+OpenViking（关闭原生记忆）、OpenClaw+OpenViking（开启原生记忆）三种方案横向对比：

方案

任务完成率

输入 Token 总计

| |

OpenClaw (memory-core)

35.65%

24,611,530

| |

OpenClaw + OpenViking Plugin (-memory-core)

52.08%

4,264,396

| |

OpenClaw + OpenViking Plugin (+memory-core)

51.23%

2,099,622

OpenViking 不仅任务完成率最高，token 消耗反而是最低的。

当开启原生记忆时（与 +memory-core 组合）：

相较于原生 OpenClaw，任务完成率提升 43% ，而输入 token 成本剧降 91% 。

当关闭原生记忆时（与 -memory-core 组合）：

相较于原生 OpenClaw，任务完成率大幅提升 49% ，输入 token 成本则降低了 83% 。

无论是否保留原生记忆，集成 OpenViking 都能为 OpenClaw 带来巨大的性能飞跃和成本节约。

效果更好，成本更低，这两件事通常是矛盾的，OpenViking 为什么能同时做到？这就要说到它的设计思路。

OpenViking 的核心功能

OpenViking 把记忆插件的角色从"记忆的搬运工"升级成了"记忆的管理员"。

怎么理解这个差别？

过往的记忆插件就像图书馆的借还书窗口——你要书，给你；你还书，收下，仅此而已。

而新版 OpenViking 记忆插件就像图书馆馆长——决定哪些书放前台、哪些书进仓库、来了什么读者该推荐什么、整个图书馆怎么运转。

memory 插槽 = 图书馆的「借还书窗口」

你只能借书（recall）
你只能还书（capture）
窗口不管书架怎么摆

contextEngine 插槽 = 图书馆的「馆长」

决定书架怎么摆（上下文排列）
决定哪些书放前台（热数据常驻）
决定哪些书进仓库（冷存储归档）
来了什么读者推荐什么书（意图匹配）
管理整个图书馆的运作

picture.image

OpenViking contextEngine 示意图，由 Seedream 5.0 lite 生成

这意味着 OpenViking 现在能参与对话全程的上下文管理，在对话开始、组装、写入、压缩、结束等各个关键时刻都能介入，而不只是被动地存取记忆。

另外还有两个实用功能：

记忆冷热分层。 记忆存多了之后，今天刚用过的和三个月前的老记忆混在一起，搜索质量会下降。新版会自动把"最近常用"的记忆放在热层，低频的旧记忆归档到冷层。每次搜索只扫热层，冷层按需才调——用多少取多少，刚好够用。

中文 token 计算修复。 旧版按英文标准估算字数，放到中文场景下算不准，要么塞太多内容撑爆上下文，要么塞太少信息不够用。新版专门修了中日韩字符的计算方式，中文用户直接受益。

OpenViking 的设计哲学

OpenViking 的设计思路：能简单就别复杂，除非你真的需要复杂。

四大核心理念：

picture.image

文件系统管理范式

picture.image

分层上下文按需加载

picture.image

目录递归检索

picture.image

可观测与自迭代

拿"搜索"这件事来说。一般的 AI 记忆系统是这样工作的：先捞出一堆可能相关的内容，再用另一个模型筛一遍，才给你结果——两步走，多一个模型，速度也更慢。

而 OpenViking 换了个思路：在搜之前就先想清楚用户到底想找什么 ，然后一次精准命中。就像考试前先搞清楚考点，比考完了再去改卷要聪明得多。这样不用多搭一个模型，还把 AI 本身"理解语义"的能力用起来了，而不是靠堆工具。

存储这边也一样克制。OpenViking 默认用的是最简单的"逐条遍历"方式找记忆，只要记忆条数不超过一万条，这种方式反而是最准的，一条都不会漏。那些"更高级"的索引算法，在数据量小的时候反而会引入额外开销，还会漏掉一些结果。数据量匹配的时候，简单就是最优解。

保姆级教程启用 OpenViking 插件

可参考 Coding Plan 接入 OpenViking 文档进行快速配置：

https://www.volcengine.com/docs/82379/2288685?lang=zh

1. 升级 OpenClaw 版本

确保 OpenClaw 版本 ≥ 2026.3.7

可以在终端执行 openclaw update 升级到最新版本

picture.image

2. 安装 OpenViking 插件

在终端执行 OpenViking 插件安装命令

  
npm install -g openclaw-openviking-setup-helper  
ov-install

picture.image

插件默认安装至本地的 OpenClaw，可直接回车确认

picture.image

配置 OpenViking 的项目空间，回车则配置默认路径

picture.image

默认端口为 1933

picture.image

默认 AGFS 端口为 1833:

picture.image

VLM模型默认为 doubao-seed-2.0-pro，可以先回车确认，后续在配置文件中修改为 Coding Plan 模型

picture.image

Embedding 模型默认为 doubao-embedding-vision，可以先回车确认，后续在配置文件中修改为 Coding Plan 模型

picture.image

API Key 步骤可以留空跳过，后续步骤会通过修改配置文件来配置火山方舟 Coding Plan 模型。

picture.image

出现 installation completed 即代表安装成功

picture.image

3. 配置火山方舟 Coding Plan 模型

在设定的 OpenViking 项目空间中找到 ov.conf 文件进行配置（默认路径为：~/.openviking/ov.conf）
修改 embedding 和 vlm 的 model 和 api_base 的字段，新增 provider 字段，可参考如下代码进行配置

前往获取 API Key：

https://console.volcengine.com/ark/region:ark+cn-beijing/apikey

picture.image

  
"embedding": {  
    "dense": {  
      "backend": "volcengine",  
      "api_key": "<替换为你的API Key>",  
      "provider" : "volcengine",  
      "model": "doubao-embedding-vision",  
      "api_base": "https://ark.cn-beijing.volces.com/api/coding/v3",  
      "dimension": 1024,  
      "input": "multimodal"  
    }  
  },  
  "vlm": {  
    "backend": "volcengine",  
    "api_key": "<替换为你的API Key>",  
    "provider" : "volcengine",  
    "model": "doubao-seed-2.0-pro",  
    "api_base": "https://ark.cn-beijing.volces.com/api/coding/v3",  
    "temperature": 0.1,  
    "max_retries": 3  
  }

picture.image

4. 启动 OpenClaw + OpenViking

安装成功以后，运行以下命令启动 OpenClaw + OpenViking：

  
source ~/.openclaw/openviking.env && openclaw gateway restart

picture.image

检查插件状态，执行如下命令

  
openclaw plugins

picture.image

出现 openviking: registered context-engine 代表拉取成功。

接着验证插件是否启动，执行：

  
openclaw config get plugins.slots.contextEngine

picture.image

出现 openviking，则验证启动成功。

5. 使用方法

自行记忆

对话后验证：

如果是云服务器安装的OpenViking插件，则：在终端中进入 OpenViking 的项目空间（例如 ~/.openviking）

  
cd ~/.openviking

启用虚拟环境

  
source venv/bin/activate

进入 OpenViking TUI：

  
ov tui

如果是本地 MacOS 安装的 OpenViking，则直接在新建终端中执行命令

  
ov tui

进入 OpenViking TUI

然后就可以看到刚刚龙虾存下的记忆了：

picture.image

在对话过程中，OpenViking 会持续自动总结记忆：

picture.image

导入记忆

支持将一只“龙虾”的记忆传给新“龙虾”，不用担心重复训练适配：

picture.image

OpenViking 里面的数据库也成功更新：

picture.image

提取记忆

当你想了解某一条具体记忆的细节的时候，可以直接让“龙虾”从 OpenViking 中提取：

picture.image

删除记忆

已经过时的记忆可以通过直接和“龙虾”对话，让“龙虾”从 OpenViking 中删除，保持记忆库整洁高效：

picture.image

OpenViking 凭借创新的记忆管理架构、精准的算法优化与火山方舟 Coding Plan 的深度协同，解决“龙虾”长期记忆痛点，在提升任务完成效率的同时大幅降低使用成本，为企业级用户与开发者提供稳定、可控、高效的智能体记忆解决方案，推动智能交互向更高效、更智能、更经济的方向持续发展。

关注公众号回复：ArkClaw 攻略 ，领取“养虾宝典”，开启 AI 进化之旅。