OpenViking 实战：给 AI Agent 装上字节跳动的记忆架构

作者: Jason Zuo (@xxx111god)
来源: https://x.com/i/status/2023838143045136557
整理时间: 2026-02-18

📝 文章概述

作者分享如何将字节跳动开源的 OpenViking Agent 记忆管理框架接入自己的 AI Agent，实现 10 倍以上的 token 节省，同时保持甚至提升输出准确性。

🎯 核心问题：记忆膨胀与检索低效

原有架构的问题

作者之前已经跑了一个月的记忆管理系统：

memory/
├── MEMORY.md          # 长期记忆（手动维护）
├── 2026-02-15.md      # 每日日志
├── 2026-02-16.md
└── insights/
    └── 2026-02.md     # 月度洞察

已解决的问题：

  • ✅ 每天自动记录重要对话到日志
  • ✅ 定期 compound（压缩提炼）→ insights
  • ✅ P0/P1/P2 生命周期系统（P0永不过期，P1 90天，P2 30天）
  • ✅ 过期记忆自动归档

未解决的问题：

  • ❌ 即使没过期，文件也越来越大（MEMORY.md 已 8000+ tokens）
  • ❌ Bot 每次启动都要读全文
  • ❌ 大部分时候用不到那么多信息（问天气交易不需要知道报税进度）
  • ❌ Bot 不知道”哪些该读哪些不该读”

💡 OpenViking 的核心洞察

把 Memory 当「文件系统」管理，不是当「文档」读

关键创新：.abstract 索引机制

给每个目录加一个 .abstract 文件，作为”目录索引”。

之前：insights/ 目录，bot 要读就得读整个月度文件

之后：

  1. 先读 100 tokens 的索引
  2. 知道”这个月记录了 weather trading 策略、Reflex 调试经验、Mac Mini 迁移”
  3. 只有问到相关问题才去读具体内容

类比：你不会打开电脑就把所有文件内容读一遍吧？先看文件夹结构，再打开需要的文件。

🏗️ L0/L1/L2 分层架构 + P0/P1/P2 生命周期

两套系统互补

维度 L0/L1/L2 分层 P0/P1/P2 生命周期
解决什么问题 怎么取（检索效率） 记什么（存储效率）
L0 根目录 .abstract 索引 -
L1 章节/月度概述文件 -
L2 完整原始日志 -
P0 - 永不过期（核心身份、偏好、铁律）
P1 - 90天 TTL（活跃项目、工作上下文）
P2 - 30天 TTL（临时信息）

新架构文件结构

memory/
├── .abstract              # 🆕 根目录索引 (L0)
├── MEMORY.md              # 长期记忆 + P0/P1/P2 标签
├── SESSION-STATE.md       # 🆕 工作缓冲区
├── insights/
│   ├── .abstract          # 🆕 洞察索引 (L0)
│   └── 2026-02.md         # L1 提炼
├── lessons/
│   ├── .abstract          # 🆕 教训索引 (L0)
│   └── operational-lessons.jsonl  # 🆕 结构化 (L1)
├── 2026-02-17.md          # L2 原始日志
└── archive/               # 过期 P1/P2 归档

检索流程

  1. 读 L0 .abstract → 快速定位相关目录
  2. 读 L1 概述 → 确认是否需要深入
  3. 按需读 L2 详情 → 获取完整信息

生命周期流程

新信息 → 打 P1/P2 标签 → 90/30天后过期 → 自动归档
核心信息 → 打 P0 标签 → 永不过期

📊 效果：Token 节省 10 倍以上

日常场景：

  • 之前：无脑全加载，8000+ tokens
  • 之后：先读索引 100 tokens，按需加载详情

该深入的时候还是会深入，但不再每次都要全读。

🛠️ 实现细节

新增脚本：

  • generate_abstract.py — 扫描目录，自动生成/更新 .abstract
  • rescue_before_compound.py — Context 压缩前把重要内容抢救到工作缓冲区

开发成本：一个下午，大部分代码让 bot 写，作者提需求和测试。

💭 核心认知转换

Agent 不应该每次都”读完整本书”，而是：

  1. 先看目录（L0 abstract）
  2. 定位章节（L1 overview）
  3. 按需读详情（L2 full content）

这跟人类的记忆很像 — 重要的事记得牢，琐碎的事会淡忘，但需要的时候还能想起来。

📋 给 OpenClaw / Claude Code 用户的建议

  1. 不要让 memory 无限膨胀 — 定期 compound（压缩提炼）
  2. 分层存储 — 热数据小而精，冷数据按需取
  3. 给 bot 建个 working buffer — 压缩前能自救
  4. 给记忆加 TTL — P0 永久，P1/P2 定期归档

🔗 相关链接

  • 原文: https://x.com/i/status/2023838143045136557
  • OpenViking: 字节跳动开源的 Agent 记忆管理框架

🏷️ 标签

#AI #Agent #Memory #OpenViking #字节跳动 #OpenClaw #Context管理 #Token优化