OpenViking x OpenClaw：开箱即用 解决 Agent 的长期记忆困局

OpenClaw 的长程记忆困局

近期 OpenClaw 在开发者社区中备受瞩目。它赋予了 Agent "看见"和"操作"的能力，开启了自动化复杂任务的想象空间。

但随着交互加深，一个普遍的"上下文管理困境"也随之浮现：Agent 常常遗忘之前交代过的信息，正如一些开发者在深入体验后指出的，尽管 OpenClaw 备受赞誉，但在长期使用中，"它完全忘记了我给它的API密钥"。这种不稳定的"记忆"不仅影响了 Agent 的自主性，也暴露了当前 AI Agent 在长周期任务中管理海量、动态上下文的普遍难题。

根据社区的真实反馈和我们的深入测试，OpenClaw 原生的 memory-core 模块在处理长程任务时，存在几个核心痛点：

• 任务完成率偏低： 单次对话随着对话轮次增加，原生记忆机制难以有效支撑复杂的上下文依赖，导致记忆出错，回复结果不尽如人意。
• 记忆碎片化，检索低效： 随着使用时间增加，记忆信息记录杂乱，且是平铺式检索，在需要时难以高效、精准地检索到关键上下文。
• Token 成本激增： 为了维持记忆，原生模式需要将大量历史信息塞入上下文窗口，这直接导致输入 Token 数量爆炸式增长，使用成本居高不下。
• 跨场景协作困难： 在多会话、跨场景的协作任务中，Agent 间的记忆孤岛问题尤为突出，关键信息无法流转，导致协作失败。

这些问题共同构成了长程 Agent 落地的一道高墙。

OpenViking 的文件系统式方案

作为发布仅一个月就斩获 4.5k Github Star 的开源项目OpenViking ，已然成为社区热议的全新品类------面向AI Agent的上下文数据库，其核心价值正是为解决上下文工程中长期记忆的核心痛点而生，它并非要取代OpenClaw，而是作为其强大的"外挂记忆体"，提供跨应用、跨平台、跨智能体的通用记忆和上下文能力。

OpenViking 的核心价值在于：

• "虚拟文件系统"范式： 创新地以文件系统的方式来组织和管理 Agent 的上下文，无论是记忆、资源还是技能，皆可结构化存储，告别碎片化，让用户可视化管理 Agent 记忆。
• 轻量高效，成本极低： 通过分层上下文供给和高效的检索机制，仅在必要时加载信息，从根本上解决了输入 Token 消耗巨大的问题。
• 插件化无缝集成： 作为 OpenViking Plugin，它可以轻松接入 OpenClaw，开发者无需对框架核心代码进行任何改造，即可享受强大的长程记忆能力。

简而言之，OpenViking 为 OpenClaw 提供了一个轻量、高效且低成本的"长程记忆解决方案"。

OpenViking 记忆架构

效果与成本的双重飞跃

为了量化 OpenViking 带来的提升，我们在严格控制的实验环境下，用 公开评测集进行了一场全面的对比测试。

实验环境设置：

• 测试集：LoCoMo10 （github.com/snap-resear... 1540 条有效测试用例。
• 实验组： 为帮助用户找到最佳记忆方案，我们设立了四组对照实验，涵盖了不同的记忆方案组合，包括是否启用 OpenClaw 原生的 memory-core。
• 版本信息： OpenViking 0.1.18 ，测试模型为 seed-2.0-code。
• 评测脚本： 采用开源评测脚本 ZaynJarvis/openclaw-eval （github.com/ZaynJarvis/...

实验数据对比：

实验结论：

数据结果清晰地展示了 OpenViking 在效果 和成本上的双重、压倒性优势。

• 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。推荐大家保持原生开启使用，此时实际只会使用OpenViking，memory-core 是关闭的，但OpenClaw原生的一些优化策略会让成本更低，效果几乎无影响。

从"健忘"到"过目不忘"

我们模拟真实用户在使用 OpenClaw的过程中，集成 OpenViking 前后的效果对比，帮助大家感知 OpenViking 的优势和价值。

优势一：日常 Skill 使用经验沉淀为记忆，提升任务效率

场景： 销售小王日常会用通过 OpenClaw 调用销售数据库的检索 Skill 查询全国销售结果，用来分析产品数据。

• 原生 OpenClaw 反复犯错： OpenClaw 在调用"查询公司内部销售数据库"的 Skill 时，每次都会犯同样的错误（如参数格式不对、缺少鉴权信息等），需要经过多次报错、试错才能勉强完成任务。而每次开启新对话，它都会把以前犯过的错再犯一遍。

原生 OpenClaw：第一次调用 Skill

原生 OpenClaw：再次调用 Skill 出同样错误

• 结合 OpenViking 越用越熟练： OpenViking 为 OpenClaw 引入了针对特定资源的经验记忆机制 。当 OpenClaw 第一次成功使用某个 Skill 或克服某个工具的"坑"之后，OpenViking 会自动总结出"避坑指南"（如：该 API 时间参数必须是 ISO 格式），并将其作为该 Skill 的专属上下文记忆存储起来。 下次调用时，OpenClaw 会自动检索并加载这份"经验记忆"，指导自己避开雷区，实现一次性精准调用，大幅降低了推理成本和工具报错率。

结合 OpenViking：第一次调用 Skill，经验记忆生成

结合 OpenViking：再次调用能正确引用skill记忆，直接完成任务

优势二：长程对话下的核心信息不丢失，保持记忆稳定

场景： 小杨会为 OpenClaw 定义工作目标，和 OpenClaw 进行各类主题的长周期对话后，让其围绕目标进行总结。

• 原生 OpenClaw 金鱼记忆： 小杨在进行各种主题超过一百轮对话后，OpenClaw 开始遗忘最初设置的工作目标，导致回答不够聚焦，无法产生价值。

原生 OpenClaw：第一次对话同步目标

原生 OpenClaw：100轮对话后，无法围绕工作目标输出核心要点，记忆遗忘

• 结合 OpenViking 越用越懂你： OpenClaw 能够始终记住对话的核心上下文。即使在百轮对话后，依然能准确调用最初设定的目标，并结合过程中的新信息进行推理，准确写出了我们在开头希望它明确的核心指标，表现出优异的"记忆一致性"。

结合 OpenViking：第一次对话同步目标

结合 OpenViking：100轮对话后，仍能记住长期目标并给出要点，记忆稳定

优势三：多 OpenClaw 共享统一用户记忆，实现高效协同

场景： 研究生小李在本地部署了多个 OpenClaw 实例，由主 OpenClaw 负责调度决策，设实验助手、代码助手、训练助手三个子 OpenClaw，仅主 OpenClaw 有 gateway 权限。小李希望所有助手都能 "读懂" 他完整的研究过程，本地各 OpenClaw 记忆安全互通，无需手动同步，实现一站式科研。

• 原生 OpenClaw 表现： 本地部署的多 OpenClaw 记忆独立存储，无法自动感知彼此的对话与成果。主 OpenClaw 调度训练助手执行任务时，仍需小李手动复制和实验助手理清的实验思路、和代码助手迭代的脚本文件，交给训练助手重新理解，产生重复性工作，还可能因手动操作失误，导致实验参数出错、进度延误。
• 结合 OpenViking 优化效果： 所有本地 OpenClaw 共享 OpenViking 的用户记忆目录。主 OpenClaw 可直接读取小李和其他两位助手讨论的实验思路和代码迭代记忆，将最新实验流程和脚本文件直接同步给训练助手，输入指令后，训练助手无需重复理解即可按计划开展实验，高效推进科研。

三条路径，开箱即用

心动不如行动。我们提供了三种灵活的路径，帮助不同类型的开发者将 OpenViking 的强大记忆能力集成到 OpenClaw 中，为了让各类硬件运行环境都能快速体验，OpenViking 支持了 Linux/OSX/Windows 等多种操作系统，并在社区支持下适配了 X86/ARM 架构下的 AMD/鲲鹏/英特尔/树莓派 等不同芯片的向量计算指令。

1. 本地 OpenClaw 接入插件

• 适用场景： 若你是本地使用的 OpenClaw，希望快速升级 OpenViking 能力。
• 核心优势： 执行如下命令快速安装 OpenViking 插件，无需改造 OpenClaw 核心代码，即刻获得更优的长程记忆体验。

前置条件： Python >= 3.10、Node.js >= 22。脚本会自动校验这些依赖，若有缺失会给出安装指引。

curl -fsSL https://raw.githubusercontent.com/volcengine/OpenViking/main/examples/openclaw-memory-plugin/install.sh | bash

• 使用特点： 安装简单，学习曲线低，是体验 OpenViking 价值的最快方式。
• 参考链接： github.com/LinQiang391...

1. 火山云上版本 OpenClaw

• 适用场景： 需要稳定、可扩展环境的个人开发者或中小型团队；或者想一键直接使用的普通用户。
• 核心优势：

-对于开发者：我们直接与火山 ECS 合作，直接参考集成文档配置便可在云上使用，免去本地部署和维护的烦恼。后续也会提供预装 OpenViking 的 OpenClaw 环境，开箱即用，并使用字节自研向量库 VikingDB 让数据上云，天然支持大规模长会话和高并发场景。

-对于普通用户：我们后续将内置在 ArkClaw，可通过 ArkClaw 直接使用 OpenViking 记忆能力，更多 Claw 产品合作敬请期待。

• 使用特点： 稳定、可扩展、易于维护。
• 参考链接： www.volcengine.com/docs/6396/2...

1. 基于 OpenViking 自研 类Claw产品

• 适用场景： 资深开发者、企业级研发团队，想基于 OpenViking 深度定制化自己的 Claw。
• 核心优势： 我们提供了完全基于 OpenViking 实现的类 Claw 产品的最佳实践 VikingBot，带来更全面的任务效果及更低的使用成本，开发者可参考最佳实践，基于 OpenViking 深度定制 Agent 的记忆系统，以适配高度个性化的业务场景。
• 使用特点： 架构完全可控，可扩展性强，拥有最强的可观测与自迭代能力。
• 参考链接： github.com/volcengine/...

OpenViking 的底层引擎------VikingDB 向量数据库

OpenViking 通过云端提供卓越性能服务时，底层依托VikingDB 向量数据库 大规模高性能的上下文检索服务。对于需要处理更大数据规模、寻求企业级解决方案的开发者而言，直接利用 VikingDB 向量数据库的能力是通往未来的最佳路径。 VikingDB 向量数据库具备五大核心优势：

• 内置最先进 Doubao 模型： 默认集成业界领先的 Doubao Embedding 和 Rerank 模型，从源头保证向量化和检索排序的顶尖效果。
• 兼顾语义与关键词的更强检索： 支持向量与关键词的混合检索，完美应对需要精确匹配与语义理解并存的复杂场景。
• 多模态数据嵌入： 原生支持文本、图片等多种数据格式的嵌入和检索，轻松构建多模态 AI 应用。
• 万亿级向量规模与极致成本优势： 专为海量数据设计，可承载万亿级向量，同时通过架构创新，对比传统内存方案成本可降低 75%。
• 百亿数据毫秒级检索延迟： 在提供强大扩展性的同时，依然保持业界绝对领先的性能，实现百亿数据规模下的毫秒级响应。

开源号召：共建 Agent 长程记忆新生态

OpenViking 的征程才刚刚开始，我们深知一个充满活力的社区是项目成功的基石。我们在此真诚地邀请每一位对 AI Agent 技术充满热情的开发者加入我们。

• Star & Fork 我们： 请访问我们的 GitHub 仓库 github.com/volcengine/... Star，这是对我们最大的鼓励。
• 访问我们的网站： openviking.ai，了解我们传递的理念，在您的项目中感受它带来的改变，并向我们反馈最真实的体验。
• 加入社区： 扫描下方二维码，加入我们的官方交流群，与我们和其他开发者共同探讨 Agent 的未来，分享你的洞见。
• 成为贡献者： 无论是提交一个 Issue，还是贡献一段代码 (PR)，你的每一次参与都将使 OpenViking 变得更好。

火山引擎将长期投入并维护 OpenViking 项目，持续优化其与 OpenClaw 等主流框架的适配体验。让我们一起，为 Agent 插上记忆的翅膀，共同定义下一代 Agent 上下文管理的未来！

关于我们：字节跳动 Viking 团队

我们用 C 端产品的体验标准打造能够重塑企业生产力的产品和技术。在上下文工程领域具有深厚的技术积累与商业化实践，我们的愿景是提供用户友好的上下文工程产品矩阵。

我们的产品历程

• 2019 年： VikingDB 向量数据库支撑字节内部全业务大规模使用
• 2023 年： VikingDB 在火山引擎公有云售卖
• 2024 年： 推出面向开发者的产品矩阵：VikingDB 向量数据库、Viking 知识库、Viking 记忆库
• 2025 年： 打造 AI 搜索、vaka 知识助手等上层应用产品
• 2025 年 10 月： 开源 MineContext github.com/volcengine/... AI 应用探索
• 2026 年 1 月： 开源 OpenViking，为 AI Agent 提供底层上下文数据库支撑