🎁 Get the FREE AI Skills Starter Guide — Subscribe →
BytesAgainBytesAgain
BytesAgain › Skills › openviking-token-saver
🦀 ClawHub

openviking-token-saver

by @cnoder-wgh

OpenViking context database for AI agents — layered context loading (L0/L1/L2), semantic search, file-system memory management. Use when: (1) setting up Open...

Versionv2.2.0
Downloads685
#crypto-defi#legal#productivity
TERMINAL
clawhub install openviking-token-saver

📖 About This Skill

name: openviking-context description: "OpenViking context database for AI agents — layered context loading (L0/L1/L2), semantic search, file-system memory management. Use when: (1) setting up OpenViking, managing agent memory/resources; (2) performing semantic search or browsing context filesystem; (3) comparing token consumption; (4) answering questions about project code, configs, components, or any knowledge base content by searching. Triggers on: 'openviking', 'context database', 'viking memory', 'layered context', 'token saving', 'L0/L1/L2', 'viking://', 'memsearch', 'memread', 'context setup', '知识库', '搜索.*项目', '查一下', '看一下', '帮我找', '搜索.*代码', '查看.*配置', '项目.*路径', '在哪', '怎么配置', '哪个文件', '哪个组件'."

OpenViking Context Database

字节跳动开源的 Agent 上下文数据库。通过 viking:// 文件系统协议统一管理记忆、资源和技能，L0/L1/L2 三层按需加载，token 消耗降低 83-96%。

| 能力 | 说明 | |---|---| | 文件系统协议 | viking:// 统一管理 resources/user/agent 三类上下文 | | L0/L1/L2 分层 | 摘要(~100 tokens) / 概览(~2k tokens) / 全文，按需加载 | | 语义检索 | 目录递归检索 + 向量匹配 | | 会话记忆 | 自动提取长期记忆，跨会话保持 | | Token 节省 | 对比全量加载，输入 token 降低 83%~96% |

安装到 OpenClaw

bash scripts/install-skill.sh

脚本会将 skill 复制到 OpenClaw 的 skills 目录（自动检测路径），然后在 OpenClaw 中说 "refresh skills" 即可发现。

安装 OpenViking 依赖

skill 安装完成后，运行以下命令安装 OpenViking 本体：

bash scripts/install.sh

自动检测 Python >= 3.10，安装 openviking 包，创建工作目录，可选安装 Rust CLI (ov)。

配置

bash scripts/setup-config.sh

支持的模型提供商：

| 提供商 | VLM 模型 | Embedding 模型 | |---|---|---| | openai | gpt-4o | text-embedding-3-large (dim=3072) | | volcengine | doubao-seed-2-0-pro-260215 | doubao-embedding-vision-250615 (dim=1024) | | litellm | claude-3-5-sonnet / deepseek-chat | — | | NVIDIA NIM | meta/llama-3.3-70b-instruct | nvidia/nv-embed-v1 (dim=4096) |

> 注意：避免使用推理模型 (kimi-k2.5, deepseek-r1)，它们的 reasoning 字段与 OpenViking 不兼容。

第一次使用完整流程

首次安装时，按顺序执行以下步骤：

Step 1 — 安装依赖 

bash ~/.openclaw/workspace/skills/openviking-token-saver/scripts/install.sh
> 自动检测 Python >= 3.10，创建 venv，安装 openviking 包

Step 2 — 配置 API Key 

bash ~/.openclaw/workspace/skills/openviking-token-saver/scripts/setup-config.sh
> 交互式配置 VLM 和 Embedding 的 API Key、模型、API 地址

Step 3 — 验证安装 

/Users/wuguanhua/.openviking/venv/bin/python3 ~/.openclaw/workspace/skills/openviking-token-saver/scripts/viking.py info
> 确认 ov.conf 配置正确，服务可连接

Step 4 — 添加资源 

/Users/wuguanhua/.openviking/venv/bin/python3 ~/.openclaw/workspace/skills/openviking-token-saver/scripts/viking.py add ./你的项目文档路径/

Step 5 — 开始搜索 

/Users/wuguanhua/.openviking/venv/bin/python3 ~/.openclaw/workspace/skills/openviking-token-saver/scripts/viking.py search "关键词"

> ⚠️ 所有 viking.py 命令都必须用 ~/.openviking/venv/bin/python3，不能用系统 python3

启动服务器（可选）

scripts/viking.py 支持 direct mode（直接访问数据文件，不需要服务器）。服务器仅在使用 Web UI 时才需要。

# 启动 API 服务器（后台运行）
nohup ~/.openviking/venv/bin/openviking-server > ~/.openviking/server.log 2>&1 &
启动 Console Web UI（后台运行）

nohup ~/.openviking/venv/bin/python3 -m openviking.console.bootstrap \
  --host 127.0.0.1 --port 8020 \
  --openviking-url http://127.0.0.1:1933 \
  > ~/.openviking/console.log 2>&1 &
API 文档地址

open http://localhost:1933/docs
Console Web UI 地址

open http://localhost:8020

> 何时需要服务器： > - 需要 Web UI 管理界面 → 必须启动 API server + Console > - 只需要 scripts/viking.py 做 search/add/read → 不需要，direct mode 已够用

核心操作

通过 scripts/viking.py 与 OpenViking 交互（direct mode，不需要服务器）：

/Users/wuguanhua/.openviking/venv/bin/python3 scripts/viking.py  [args]

> ⚠️ 重要：必须使用 venv 中的 Python（3.11），系统 Python 3.9 不支持 openviking。

| 命令 | 功能 | 示例 | |---|---|---| | add | 添加资源（文件/URL/目录） | viking.py add ./docs/ | | search | 语义搜索 | viking.py search "认证逻辑" | | ls [uri] | 浏览资源目录 | viking.py ls viking://resources/ | | tree [uri] | 树形展示 | viking.py tree viking://resources/ -L 2 | | abstract | L0 摘要 (~100 tokens) | viking.py abstract viking://resources/proj | | overview | L1 概览 (~2k tokens) | viking.py overview viking://resources/proj | | read | L2 全文 | viking.py read viking://resources/proj/api.md | | info | 检查服务状态 | viking.py info | | commit | 提取当前会话记忆 | viking.py commit | | stats | 查看 token 消耗统计 | viking.py stats | | stats --reset | 重置统计数据 | viking.py stats --reset |

Token 消耗追踪

每次调用 search、abstract、overview、read 时自动追踪：

  • 实际消耗：本次分层加载实际使用的 token 数
  • 全量假设：如果用传统方式全量加载同一资源需要的 token 数
  • 节省量：两者差值和百分比

    • 每次命令结尾自动输出一行会话累计摘要：

    📊 会话累计 | 实际: 2,300 tokens | 全量: 48,000 tokens | 节省: 45,700 (95.2%)

    使用 stats 命令查看完整的逐操作明细表：

    python3 scripts/viking.py stats

    输出示例：

    ═══ Token 消耗统计 ═══
  会话开始: 2026-03-19 19:30:00
  操作次数: 4
      #    时间       操作       层级  实际     全量     节省     URI
  ──── ────────── ────────── ───── ──────── ──────── ──────── ──────────────────
  1    19:30:05   search     L0        300   48,000   47,700  用户认证 鉴权
  2    19:30:12   overview   L1      1,800   15,000   13,200  viking://resources/auth
  3    19:30:18   abstract   L0         80    8,000    7,920  viking://resources/db
  4    19:30:25   read       L2      3,200    3,200        0  viking://resources/auth/jwt
      ┌─────────────────────────────────────┐
  │  全量加载 (传统方式):     74,200 tokens │
  │  实际消耗 (分层加载):      5,380 tokens │
  │  节省 token 数量:        68,820 tokens │
  │  节省比例:                  92.8%        │
  └─────────────────────────────────────┘

    统计数据持久化在 ~/.openviking/session_stats.json，跨命令调用累积。新会话可用 stats --reset 重置。

    分层加载工作流

    收到开发需求（如"帮我写一个用户认证模块"）时：

    Step 1 — L0 快速扫描（~300 tokens）

    python3 scripts/viking.py search "用户认证 鉴权 登录"

    用 L0 摘要判断哪些资源相关，过滤无关内容。

    Step 2 — L1 概览决策（~2k tokens/资源）

    python3 scripts/viking.py overview viking://resources/auth-docs

    理解架构和技术选型，制定实现计划。

    Step 3 — L2 按需深读（仅必要文件）

    python3 scripts/viking.py read viking://resources/auth-docs/jwt-config.md

    只加载写代码需要的具体文件。

    Token 对比演示

    python3 scripts/demo-token-compare.py ./your-project-docs/

    | 方案 | Token 消耗 | 说明 | |---|---|---| | 全量加载 (传统 RAG) | ~50,000 | 所有文档塞进 prompt | | L0 扫描 + L1 概览 | ~3,000 | 分层按需，仅摘要和概览 | | L0 + L1 + L2 按需 | ~8,000 | 最终只深读 2-3 个必要文件 | | 节省比例 | 84%~94% | 相比全量加载 |

    故障排查

    | 问题 | 原因 | 解决 | |---|---|---| | Dense vector dimension mismatch | embedding 维度配置错误 | 检查 ov.conf 中的 dimension 与模型匹配 | | NoneType is not subscriptable | 使用了推理模型 | 换用 gpt-4o 或 llama-3.3-70b | | input_type required | 使用了非对称 embedding | 换用对称模型如 nvidia/nv-embed-v1 | | 搜索无结果 | 语义处理未完成 | 添加资源后等待：viking.py add --wait | | 服务连接失败 | 服务器未启动 | 运行 nohup ~/.openviking/venv/bin/openviking-server > ~/.openviking/server.log 2>&1 & | | Embedding failed: No embedding data | embedding API 调用失败 | 确认 ov.conf 中 key 有 embedding 权限；检查余额；确认模型名为 embo-01 且 provider 为 openai | | python3: command not found 或 No module named openviking | 系统 Python 版本不对 | 必须用 ~/.openviking/venv/bin/python3，不要用系统 python3 |

    参考

  • OpenViking GitHub
  • OpenViking 官网
  • LiteLLM 提供商文档
  • NVIDIA NIM API