什么值得买App下载 App ›
连续签到专享现金活动

字节跳动OpenViking:基于虚拟文件系统的Agent记忆架构解析

字节跳动近日开源了专为Agent设计的记忆系统OpenViking。针对当前主流Agent记忆方案在处理大规模、复杂场景时面临的检索效率与成本问题,该系统提出了一种基于虚拟文件系统的层级化管理架构。通过重构信息的存储与检索逻辑,OpenViking在实测中实现了任务完成率提升43%至49%,同时将输入Token成本降低了83%至96%。
01现有记忆系统的局限性
  • 记忆量硬上限
    主流方案(如ClaudeCode)的扫描上限通常在200个文件左右,超过部分会被直接忽略,难以应对海量项目文档或领域知识的存储需求。
  • 检索缺乏探索能力
    现有检索多为单次判断,模型仅依据摘要清单做一次选择,缺乏递归回溯与多步探索机制,易因摘要表述差异而漏掉关键信息。
  • 信息结构扁平化
    用户偏好、项目背景、工具经验等不同类型信息混杂在同一平面清单中,增加了模型判断类型与相关性的难度。
  • Token消耗控制粗放
    系统往往只能选择读取全文(消耗高)或仅看摘要(易丢失细节),缺乏中间粒度的分级加载机制。
  • 执行经验难沉淀
    Agent在任务执行过程中积累的工具使用经验、解题策略及错误模式,往往无法被自动提炼并转化为长期记忆。
02OpenViking的架构解法
OpenViking的核心思路是将Agent的所有上下文映射到一个统一的虚拟文件系统中,利用文件系统的天然层级结构来组织信息。该系统顶层设有三个主要目录:Resources用于存放项目文档、代码仓库等外部资源;User用于存储用户画像、偏好及实体记忆;Agent则专门用于存放Agent自身学习的案例、模式及技能。这种设计使得每一条记忆不再是孤立的数据,而是拥有明确上下文路径的节点。
层级名称Token量功能定位
L0层Abstract约100一句话摘要,用于快速判断目录与问题的相关性
L1层Overview约2000包含核心信息与使用场景,辅助决策是否深入阅读
L2层Full Content完整原文仅在确定需要详细信息时加载,避免无效消耗

三层分级加载机制

在检索层面,OpenViking摒弃了传统的平面向量搜索,转而采用目录递归检索策略。该过程包含四个关键步骤:首先在所有L0和L1节点上进行全局向量搜索,锁定高分目录;随后在高分目录内递归搜索子节点,若子节点仍为目录则继续下钻,若为叶子节点则作为候选结果;第三步执行分数传播,子节点的最终得分将继承父目录的得分,使得高度相关目录下的内容获得“位置加成”;最后通过收敛检测机制,当连续三轮搜索结果无变化时停止递归,防止无限下钻。
03自我迭代与性能表现
为了解决经验沉淀问题,OpenViking引入了Session Commit机制。当对话结束时,系统自动从交互内容中提取记忆,并将其细分为Profile、Preferences、Entities、Events(用户侧)以及Cases、Patterns、Tools、Skills(Agent侧)共八类。每条记忆均生成L0至L2三层内容并写入对应目录。此外,系统还维护了包含会话标题、任务目标、关键决策等七个段落的Working Memory,通过保持、更新或追加的方式,确保工作记忆的结构稳定性。

OpenViking与基线系统效果对比

性能提升

基于层级递归检索,精准定位所需信息

  • 任务完成率提升 43% ~ 49%
  • 输入Token成本降低 83% ~ 96%
核心优势

并非通过增加信息量,而是提升检索精度

  • 利用层级先验信息缩小搜索范围
  • 分级加载机制大幅减少无效Token读取
04待解决的挑战
尽管OpenViking在检索效率上表现优异,但目前仍未从根本上解决记忆的“级联更新”问题。当上游事实发生变化时(例如用户居住地变更导致通勤方式失效),系统无法自动检测并更新依赖该事实的下游记忆。虽然层级结构将相关事实聚集在同一目录下,使得Agent在递归检索时有机会发现不一致,但这仍依赖于模型自身的推理能力,而非系统层面的强制保证。级联更新依然是Agent记忆系统领域的一个开放性难题。

评论

评论区空态插画

当前文章无评论,是时候发表评论了