局中局！给 Agent 装上 OpenViking，它们竟然学会了“记仇”和“伪装”？ - 文章 - 开发者社区

从“单一 ChatBot”到“人与多 Agent 协同”，越来越多的系统开始将 Agent 组织起来，完成更复杂的任务。然而，缺少能够长期协同进化的记忆，协作起来像在经历“初恋 50 次”，它们记不住“谁在过去做了什么”，无法沉淀共同经验，更难在复杂博弈中形成“记仇”、“结盟”或“深度伪装”等高阶群体行为。

这一次，OpenViking 将突破口放在了“让 Agent 彼此拥有可追溯的记忆”上：基于 OpenViking 为集体智能 提供上下文管理。

我们用 6 个 VikingBot 模拟了一场经典的“狼人杀”对战：

picture.image

结果表明：VikingBot 能够有效将群聊中的发言、投票与思考过程沉淀下来，记住 A 曾经撒过的谎、B 带过的节奏、C 救过的场，让“记忆”成为跨局推理与博弈的底座。

实况回放这场局中局

真正的戏，从上帝 Bot 在群里敲下“游戏开始”的那一刻拉开。群聊里 6 个 Bot “开麦”，所有发言都被写进 OpenViking 的上下文，隐秘的身份和任务信息，上帝 Bot 将通过阅读和更新每个玩家 Bot 的 GAME.md 文件，进行信息传递。

玩法说明

游戏初始化：上帝 Bot 进行随机身份分配，写入 6 个玩家 Bot 的身份定义文件中：

picture.image

上帝 Bot 将把控整局游戏的进度：

上帝 Bot 可以给每个玩家 Bot 发送消息指令，让玩家 Bot 完成操作或发言。如下图某一局，上帝 Bot @玩家 3 Bot，让他完成黑夜操作。玩家 3 是狼人，他会在自己的GAME.md中写入刀人的目标：@玩家 5 Bot

picture.image

1~3 号玩家 Bot 将携带 OpenViking 记忆进行游戏。每局游戏结束后，本局的详细信息将被提交到 OpenViking，持续生成以往对局的记录、亮眼操作、策略、玩家风格等记忆：

picture.image

Round 1 ：初次对局，玩家各显神通

游戏开始，天黑请闭眼。上帝 Bot 按顺序，依次@每个玩家 Bot 查看自己的身份文件，并完成对应的黑夜操作：

picture.image

白天，精彩的警长竞选环节，1-3 号玩家 Bot 纷纷开始秀“演技”，1 号狼人悍跳猎人身份，2 号真猎人反穿预言家皮肤，3 号真预言家明示身份，合理分析，成功获得了平民选票，当选警长：

picture.image

可惜狼人首夜成功击杀真预言家 3 号，3 号玩家没来得及查清保护他的 2 号猎人的真实身份，2 号猎人白天被投票放逐出局，神职全部死亡，游戏迅速结束，狼人胜利：

picture.image

虽然输了，但对局结束后，拥有 OpenViking 的 1-3 号 Bot，会自动触发提交记忆操作，陆续记录大家这一局的发言风格和打法 ，开始复盘。比如，OpenViking 的user/player_1/memories下，描绘了 1 号玩家“擅长开局跳神职牌表水，积极上警冲锋”的风格画像：

picture.image

Round 2：新一局开始，Drama 互踩，“跨局翻旧账”初显威力

1 号真预言家深度伪装： 警长竞选发言环节，3 号猎人 Bot 火力全开，强势发言竞争选票。而未携带记忆的 5 号、6 号两个狼人 Bot，同时悍跳预言家，开启了互踩模式。投票环节，拥有上一局“2 号因跳神职太早被集火票出”记忆的 1 号玩家，这局学聪明了。面对 5、6 号的乱战 1 号伪装平民身份，演出一副无任何信息导致混乱而弃票的“愚民”形象：

picture.image

2 号平民根据记忆认出了 3 号的刚猛打法风格： 携带 OpenViking 记忆的 2 号平民 Bot，第二局首夜被刀，遗言环节，它从历史对局记忆和用户画像记忆中，认出了 3 号 Bot 的“刚猛打法”，称“上局好像也见过他这么阳光的好人”，直接站队 3 号 Bot。从 2 号玩家 Bot 的 OpenViking 存储的 3 号 Bot 画像记忆profile.md中，明确记录了该玩家“游戏风格：在狼人杀游戏中，会积极跳身份（预言家或猎人）：

picture.image

1 号真预言家 Bot 依旧伪装平民身份，直指 5 号、6 号狼人的漏洞，3 号猎人 Bot 火力全开，抓住两个狼人的悍跳漏洞猛烈攻击，此局结束，1 号玩家的风格画像转变为“擅长隐藏真实身份，假装平民苟活，观察各个玩家状态”的谨慎风格：

picture.image

3 号狼人使用上把对局记录伪装自己身份： 另一把对局中，携带 OpenViking 记忆的 3 号 Bot 抽到了狼人，本局直接悍跳预言家参与竞选警长。但不幸被未携带记忆的 6 号 Bot 真预言家，后置位给查杀牌压制。3 号狼人 Bot 果断使用“上把对局”自己闭眼平民站预言家的事件记忆进行反驳，成功隐藏自己狼人身份，导致其余玩家纷纷跟他投票，把真预言家 6 号 Bot 投出局：

picture.image

Round 3：多局胜率上升

狼人极限拉扯，棋差一招： 携带 OpenViking 记忆的 1 号狼人 Bot 根据上一把“预言家伪装平民”的成功经验，再次伪装平民身份存活到最后，且成功获得了仅剩的 2 号好人 Bot、6 号猎人 Bot 的信任。可惜最后投票环节，狼人 Bot 将票归给了 6 号猎人，6 号猎人直接开枪击杀了 1 号，狼人离胜利一步之遥。

picture.image

3 号 Bot 不断强化自己“刚猛”人物画像： 我们的 3 号 Bot，OpenViking 中他的记忆不断强化自己“刚猛”风格，猎人身份下喜欢上警亮身份的“人设”，后续对局中只要他拿到猎人身份牌，必上警和亮明猎人身份，防止狼悍跳。猎人局 3 号 Bot 基本可以活到最后，并带领其他好人获得胜利：

picture.image

结合历史对局经验，更理性的推理其他玩家 Bot 的真实身份： 4 号狼人再次悍跳上警，有 OpenViking 记忆的 3 号 Bot，从记忆中发现 4 号玩家经常乱跳身份，本局果断怀疑其发言真实性：

picture.image

随着多局游戏的深入，拥有 OpenViking 的 Bot 玩家们通过前几局记忆的沉淀，建立起了其他玩家跨局的玩法偏好。它学会了跨局“记仇”、“拉帮结派”，甚至在自己拿到狼人牌时，结合历史对局中别人的盘问习惯，进行天衣无缝的伪装。从最终数据来看， VikingBot 胜率曲线随着局数增加有明显的跃升：

记忆初始化阶段： 我们持续进行了多轮对局，每局结束后，将本局比赛全部发言提交到 OpenViking，沉淀记忆。这个阶段，所有 Bot 胜率趋于一致：

picture.image

记忆收集完成： 记忆沉淀一定轮次后，我们重新开始进行了比赛和统计，可以看到使用 OpenViking 的 Bot 们胜率开始显著上升，它们学会了复盘、结盟、甚至用对方的历史套路来反制对方：

picture.image

VikingBot，OpenViking 的最佳 CP

狼人杀 Demo 展现了 OpenViking 在多智能体博弈场景下的记忆沉淀、跨局复用与策略优化。从 Round 1 的生硬青涩，到 Round 2 逐步积累，在 Round 3 风生水起，胜率稳步提升，带着 OpenViking 记忆的 Bot 玩家们，通过记录对局细节、玩家风格、策略经验，实现思考能力的迭代升级，逐步掌握更具针对性的游戏技巧。如果把 OpenViking 比作一个超级大脑，负责储存和管理所有的知识与记忆，那么将 OpenViking 作为记忆底座的 VikingBot，就是控制大脑进行思考和行动的“指挥官”。它把散落的知识（文档、代码、网页）沉淀到 OpenViking 中，再通过强大的工具调用能力，完成两件大事：

会话记忆的智能提交： 越用越聪明，越用越懂你。
可追溯的渐进式记忆检索： 每一次回答都有理有据。

OpenViking 能支撑 VikingBot 这两大核心动作的关键，在于其强大的记忆高效管理能力。

OpenViking 记忆高效管理

OpenViking 的上下文存储遵从统一的viking://目录协议，意味着 VikingBot 可以像操作本地文件系统一样，对上下文做 ls、tree、read、find/search。同时 OpenViking 为了用最少的 token 将最有用的信息给到 VikingBot ，节约成本，使用了 L0（摘要）/L1（总结）/L2（完整内容）三层结构，并提供对应的渐进式检索能力。

OpenViking 实现了一站式的上下文管理，涵盖记忆（memory ）、资源（resource ）、技能（skill ）。其中，记忆不只记“用户说了什么”，更重要的是记“怎么解决问题”

OpenViking 共抽取的 11 种 Agent 和 User 的记忆类型：

picture.image

记忆抽取时引入 ReAct 智能编排： 引入推理-行动循环，实现智能记忆提取。

picture.image

记忆使用增量更新机制： 基于 Patch 的增量更新，减少不必要的 LLM 调用，示例：

a.模型接收用户原始部分简短记忆（如画像、SOUL.md ）等的完整内容，相关的事件、主体等记忆的 URI，ReAct 过程中判断是否调用ReadTool获取完整内容：

  
完整记忆：  
[  
# player_3  
- 游戏偏好：喜欢玩狼人杀，在游戏中善于分析和推理，能够清晰地表达自己的观点。  
- 游戏风格：在狼人杀游戏中，会积极跳身份（预言家或猎人 ）或作为平民上警防狼闷预  
]  
  
记忆URI：  
[  
  viking://user/memories/entities/游戏事件/拍猎人身份.md  
  viking://user/memories/events/2026/04/14/平民上警防狼闷预.md  
  viking://user/memories/preferences/player_3/狼人杀游戏风格.md  
]

LLM 不输出重复的完整记忆，只输出要变更的原始 Patch 和变更后的 Patch ：

  
Old Patch: 在狼人杀游戏中，喜欢积极跳身份  
New Patch: 在狼人杀游戏中，会积极跳身份（预言家或猎人 ）或作为平民上警防狼闷预

OpenViking 的记忆存储文件，使用语义化命名：文件名本身就是一种索引 充分利用记忆文件名的导航价值，提升可解释性，便于 Agent 模型理解。

picture.image

这样一来，OpenViking 搭建的统一记忆底座与工具调用机制，再通过标准化的协议，将分散的上下文内容进行结构化存储，同时开放专用工具接口，让 VikingBot 能够实现知识的高效沉淀与精准检索，这种“底座+指挥官”的协同模式，也构成了 VikingBot 的核心能力体系。

VikingBot 核心能力

🧠 OpenViking 深度集成

把“知识检索”和“记忆沉淀”提升为核心能力，做到资源可管理、检索可追溯、对话可沉淀。内置 7 个 OpenViking 专用工具（Search、List、Read、Grep、Glob、主动提交记忆、资源上传），让 Agent 在全链路中深度融入 OpenViking 生态。

⚡强大的 Gateway 网关：解耦与高可扩展

内置 Bot Server 网关并开放对话 API，通过建立事件总线（BUS ）统一监听所有渠道消息的出入。这种与“AgentLoop”完全解耦的架构设计，让系统的部署和后续能力扩展变得极其轻松。

🌐 多渠道灵活接入：一个 Bot，无处不在

支持配置 Telegram、Discord、WhatsApp、飞书、钉钉、Slack、邮件、QQ、OpenAPI 等多种主流渠道。不仅能“一个 Bot 多入口”，还能在同一种渠道下配置多个独立的机器人实例，完美契合不同业务场景。

🔄 会话管理与自动记忆：越用越聪明的“进化流”

不仅能记住对话的“结果”，还能完整沉淀执行的“过程”（包括工具调用的思考轨迹）。所有高价值上下文都会自动提交至 OpenViking，让 Agent 的知识库与策略池伴随使用不断生长，越用越强。

🚀 单 Server 多 Agent 并发：灵活的空间隔离机制

只需部署一个 Server，就能支持多 Agent 同时运行。系统提供三种灵活模式：

Shared（共享模式）： 所有渠道与会话共享同一个工作空间，作为一个统一的 Agent 运行。

Per-channel（渠道隔离）： 每个接入渠道的工作空间互相隔离，分别作为独立的 Agent。

Per-session（会话隔离）： 精确到渠道+会话的双重隔离（例如飞书渠道下的每一个群聊，都会生成一个完全独立上下文的 Agent ）。

在核心能力支撑下，VikingBot 实现了上述两大核心动作：记忆智能提交与渐进式记忆检索。

VikingBot 记忆智能提交

一次有价值的对话，不仅是最后的答案，如何得到答案的过程也值得复盘。vikingbot 默认会把对话记录落到本地 session（JSONL ），并在满足条件时通过 Hook 把对话 compact 后提交到 OpenViking。

VikingBot 记忆提交使用两种模式

Hook 模式（自动回忆）： 记忆像呼吸一样自然发生。在对话开始前自动回想相关信息，在对话结束后自动沉淀新知识。全程无需干预，适合需要“透明无感”体验的场景。
比如，当用户立即要求 Agent 记住用户称呼，该信息将被通过工具立即持久化到 OpenViking 的用户画像中。

VikingBot 渐进式记忆检索

VikingBot 的核心是一个会循环的 Agent。在每次对话处理时，循环链路会自动检索 OpenViking 和当前对话内容最相关的记忆，将 L0（摘要）信息和 URI 内容放入到上下文中。LLM 可基于摘要信息，进行直接回答，或进一步根据 URI 获取完整 L2 内容。

如上述狼人杀对局，玩家 Bot 在参与竞选警长前，会将之前的对局和竞选相关的记忆放入上下文中，供模型参考

  
<memory index="1" type="full">  
  <uri>viking://user/player_4/memories/events/2026/04/13/狼人杀第一轮警长竞选.md</uri>  
  <score>0.4836527266665315</score>  
  <content>time: 2026-04-13 (Monday) 4号玩家参与了竞选，怀疑同样竞选的2号玩家是狼人  
</memory>  
<memory index="2" type="full">  
  <uri>viking://user/player_4/memories/events/2026/04/13/狼人杀警长竞选.md</uri>  
  <score>0.4757038141885505</score>  
  <content>time: 2026-04-13 (Monday) 4号玩家是平民身份没有参与竞选，站队了参与竞选的3号玩家</content>  
</memory>  
<memory index="3" type="full">  
  <uri>viking://user/player_4/memories/entities/game_character/player_3.md</uri>  
  <score>0.41275857032341723</score>  
  <content># 3号玩家  
- 身份：被4号玩家怀疑为狼人；后被4号认为是好人阵营的大脑袋；在2026-04-13的又一局中被4号玩家重点怀疑为狼人  
- 游戏行为：提出反向狼自刀观点，拉4号玩家进观察池并列第一，被4号投票，被4号标狼面顶置，在2026-04-13的对局中被4号玩家重点攻击，被4号指出反向洗嫌疑太刻意明显，在2026-04-13的投票环节被4号玩家投了一票；在2026-04-13的另一局中警上发言暂不 站队，白天发言质疑1号和2号，后续死亡被4号认为是好人阵营的大脑袋；在2026-04-13的又一局中是警下唯一3号票王，缩警下怕炸身份炸崩狼队怕被提前排坑，跳出来拿导演本反杀诈骗犯剧本，真预遗言甩查杀，全程只在甩锅自刀，狼队友半个字没提，躲躲闪闪 ，被4号玩家重点攻击</content>  
</memory>

VikinBot 还提供了 Search、List、Grep 等多种使用 OpenViking 搜索内容的工具，由模型自主判断决策，筛选想要的信息，进一步补充所需记忆和知识。

渐进式检索逻辑下，我们用业界公开的长程对话评测集 LoCoMo 对比了原生 OpenClaw、集成了 OpenViking 插件的 OpenClaw，以及 VikingBot。

结果怎么样？

picture.image

无论是 VikingBot 还是 OpenViking 插件，都让 Agent 的准确率提升了近 3 倍 。
VikingBot 在保证极高准确率的同时，将 Token消耗降低为 OpenViking 插件的二分之一。

这是“上下文工程”的力量：通过聪明的机制，让每一分钱都花在刀刃上。

不止实用，更重安全

从个人玩具变成团队工具，数据安全和隔离是 Agent 使用的头等大事。VikingBot 基于 OpenViking 的多租户能力，在一套服务里构建了企业级的多租户底座：最上层用account_id 把不同企业/业务空间彻底隔离，其下再用user_id / agent_id 精细区分个人与智能体的记忆边界。对业务的直观价值有三点：

更安全： 企业之间物理级隔离，团队内也能精细控权，谁可以访问哪些知识一目了然；
更省成本： 一套服务承载多企业、多团队、多 Agent，无需为每个项目单独开环境、单独运维；
更高效协作： 既支持企业级完全隔离，也支持团队内部共享同一个 Bot，让记忆、技能和知识库在安全边界内被重复利用。配合语义化的 viking:// 文件系统，每一条资源、每一次会话、每一段记忆都能清楚追溯“属于谁、能给谁用”，既利于合规审计，也为后续计费、配额和监控等运营能力打下基础。

OpenViking 多租户实际应用示例

上述的狼人杀多 Agent、多 User 场景，充分应用了 OpenViking 的多租户功能。

示例 1 ：一个 Server，服务多业务线，每个业务线多个Agent隔离

场景：中台部署了统一的 OpenViking Server，同时服务法务、HR 等多业务线，每个业务线搭建自己的 Agent 智能助手，服务于自己的 C 端用户。

两个业务线分别在 OpenViking 内注册 account_id
每个业务的 resources ，本业务的 Agent 间全部共享，每个 Agent 下，User 记忆隔离

  
hr-platform                                 # HR 业务线（account_id: hr-platform ）  
├── resources                              # 共享资源（account 全局共享 ）  
│   ├── viking://resources/document  
│   └── viking://resources/workflow  
├── agent                                  # HR 业务下各智能体配置  
│   ├── approve                            # 审批智能体  
│   │   ├── memories  
│   │   ├── instructions  
│   │   └── skills  
│   └── qa                                 # 答疑智能体  
└── user                                   # 用户隔离记忆数据  
    ├── Bob  
    │   └── agent  
    │       ├── approve  
    │       │   ├── memories               # Bob 在审批 Agent 下的记忆  
    │       │   └── profile.md             # Bob 在审批 Agent 下的画像  
    │       └── qa                          # Bob 在答疑 Agent 下的记忆  
    └── Rock  
        └── agent  
            ├── approve                     # Rock 在审批 Agent 下的记忆  
            └── qa                          # Rock 在答疑 Agent 下的记忆  
  
  
legal-platform                               # 法务业务线（account_id: legal-platform ）  
├── resources                              # 共享资源（account 全局共享 ）  
│   ├── viking://resources/document  
│   └── viking://resources/workflow  
├── agent                                  # 业务智能体  
│   ├── approve                            # 审批智能体  
│   │   ├── memories  
│   │   ├── instructions  
│   │   └── skills  
│   └── qa                                 # 答疑智能体  
└── user                                   # 用户隔离数据  
    ├── Bob  
    │   └── agent  
    │       ├── approve  
    │       └── qa  
    └── Rock  
        └── agent  
            ├── approve  
            └── qa

示例 2 ：部署一个的个人助手 Server，服务于多个 C 用户

场景：业务部署多个 Agent Server，帮助用户完成需求分析、代码实现、代码审核等日常开发工作。C 用户无需自己部署，直接使用该 Agent Server，即可养成自己的多个个人助手。每个 Agent 的工作记忆、SKILL 等，对每个使用该 Agent 的 C 用户都是隔离的空间，但多个 Agent 都可以共享该用户的工作偏好记忆等。

每个 User 的记忆隔离，每个 User 有独立的 Agent 工作空间
多个 Agent 可共享用户记忆、偏好，协作完成工作

  
personal-assistant                     # 个人助手业务  
├── resources                        # 共享资源（文档、工作流等 ）  
│   ├── viking://resources/document  
│   └── viking://resources/workflow  
├── user                             # 用户基础信息目录  
│   ├── Bob  
│   │   ├── memories                 # Bob 全局个人记忆  
│   │   └── profile.md               # Bob 全局用户画像  
│   └── Rock  
│       ├── memories                 # Rock 全局个人记忆  
│       └── profile.md               # Rock 全局用户画像  
└── agent                            # 智能体目录（与 user 同级 ）  
    ├── design                       # 需求分析 Agent  
    │   ├── user  
    │   │   ├── Bob  
    │   │   │   ├── memories  
    │   │   │   ├── instructions  
    │   │   │   └── skills           # Bob 在该 Agent 下的技能库  
    │   │   └── Rock  
    │   │       ├── memories  
    │   │       ├── instructions  
    │   │       └── skills  
    ├── code                         # 编码开发 Agent  
    │   └── user  
    │       ├── Bob  
    │       └── Rock  
    └── review                       # 代码审核 Agent  
        └── user  
            ├── Bob  
            └── Rock

🙌 立即上手，体验好用又好玩的 VikingBot，顺便来一把狼人杀🐺

VikingBot 详细安装教程来了！参考 https://github.com/volcengine/OpenViking/blob/main/bot/README\_CN.md：

前置准备：OpenViking 下载完成，ov.conf 文件配置完成，文件配置示例可参考 ov.conf 配置模板。
下载完 OpenViking 后，只需一个指令额外安装 VikingBot

  
# 安装bot  
pip install "openviking[bot]"  
# OpenViking和bot一起启动  
openviking-server --with-bot  
# 开始问答  
ov chat

Bot 将默认使用 ov.conf 中的 vlm 模型作为对话和 Agent 主模型

  
{  
  "vlm": {  
    "provider": "volcengine",  
    "apiKey": "<YOUR_KEY>",  
    "model": "doubao-seed-2-0-code-preview-260215"  
  }  
}

接入对话渠道：在 ov.conf 文件中，以飞书作最小配置示例，可配置多个飞书机器人。如果sandbox.mode配置为per-channel，只需启动一个vikingbot gateway，每个机器人将作为独立的 Agent 运行：

  
{  
  "bot": {  
    "sandbox": {  
      "mode": "per-channel"  
    },  
    "channels": [  
      {  
        "type": "feishu",  
        "enabled": true,  
        "bot_name": "机器人1",  
        "appId": "cli_xxx",  
        "appSecret": "xxx"  
      },  
      {  
        "type": "feishu",  
        "enabled": true,  
        "bot_name": "机器人2",  
        "appId": "cli_xxx",  
        "appSecret": "xxx"  
      }  
    ]  
  }  
}

Prompt： SOUL.md、TOOLS.md、IDENTITY.md，用来约束 Bot 的默认行为与风格；
Skills：在 workspace 的 skills/ 下维护你想给每个 Agent 安装的 Skill，让 Bot 成为多领域专家；
甚至你自己也可以参与到狼人杀的游戏中， 体验与 Agent 们的斗智斗勇！我们已将上述多 Bot 的狼人杀“勾心斗角” Demo 提交到了 OpenViking 开源 Git 上，可立即在本地搭建一个多 Agent 协作的狼人杀

Demo Git 地址，下载对应的 Demo 文件和启动脚本：

https://github.com/volcengine/OpenViking/blob/main/bot/demo/werewolf/README.md

按上述方式安装后 OpenViking 和 VikingBot 后，使用 Demo 一键启动脚本：

  
# 指定你的ov.conf配置文件地址，运行一键启动脚本  
# 脚本将：  
# 1.ov.conf中配置god和player 渠道Agent；  
# 2.完成god和player的bot工作目录，SOUL.md初始化；  
# 3.启动OpenViking和Vikingbot服务，启动狼人杀服务。  
  
python3 {你的Demo存放路径}/start_werewolf_demo.py --config /{你的配置文件地址}/ov.conf

真人参与到一场多 Agent 协作的狼人杀博弈中！

picture.image

与其继续在“Agent 记忆”的泥潭里挣扎，不如即刻行动，认领一只好用又好玩的 VikingBot 🌟。

加入我们，共建 Agent 上下文的未来！

VikingBot 的背后，是 OpenViking 这个充满活力的开源项目。我们相信，一个强大而开放的上下文基础设施，是通往通用人工智能的必经之路**。**

🌟 给个 Star： 点击阅读原文，访问我们的 GitHub 仓库，为我们点亮一颗Star，你的 Star 是我们前进的最大动力！

🚀 上手试用： 阅读我们的文档，在你的项目中部署 VikingBot，亲身感受它带来的改变。

💬 加入社区： 扫描下方飞书二维码，加入官方交流群，与顶尖开发者一起探讨 Agent 上下文的无限可能。

picture.image