OpenViking：给 AI Agent 装上跨会话、跨平台的长期记忆
你有没有这种经历：凌晨一点和 Agent 敲定了深色科技风的页面设计，第二天新开会话，AI 给你吐出一张白色卡片、五花八门的字体——你所有的设计规范在会话关闭那一刻全部清零。
更糟的是，你用 Trae 对齐交互逻辑，切到 Codex 继续开发又要从头解释；换 Claude Code 调 Bug，还是得重新交代设计规范。精心整理的组件文档、历史决策，像散落在各个聊天框里的碎纸片。
这不是 AI 工具的问题，是缺乏长期记忆底座的问题。
OpenViking 就是来治这个病的——它连接你和所有 AI Agent 工具之间的「记忆中枢」，让 AI 越用越懂你。
OpenViking 是什么？
OpenViking 以 MCP / 插件 / CLI 工具的形式接入 Trae、Codex、Claude Code 等工具，在你与 AI 协作的过程中，自动提炼、存储重要规范与决策，并在下次需要时精准召回。
核心能力
一、个人长期设计规范的提取与召回
记忆提取
和 AI 协作设计页面时，你会在对话中不断补充细节——配色偏好、布局要求、组件规范。这些零散信息包含了重要的上下文：审美倾向、布局偏好、组件要求。
OpenViking 在对话过程中持续捕捉这些有效信息，按语义类型分类存储：
- entities：被反复提及的组件
- events：关键决策事件（如某次背景颜色调整）
- preferences：可复用的偏好规则（配色、布局、字体、交互风格）
- profile：项目级画像（整体风格和长期约束）
原本散落在对话里的设计要求，被整理成可检索、可复用、可持续更新的上下文资产。
记忆召回
召回策略不是简单关键词搜索，而是意图分析 + 层级检索：
第一阶段：意图分析
当输入与 UI 设计相关的请求时，OpenViking 先借助 LLM 进行意图识别——判断这句话需要调用的是设计偏好、组件模板，还是已固化的操作技能。然后把请求拆解成带有类型标注的子查询，分别路由到对应的记忆空间。
第二阶段：层级检索
OpenViking 的记忆库不是大仓库，而是按语义路径生长的记忆树。检索时先做全局向量检索找到最相关的起始目录，然后从相关性评分最高的节点开始，采用递归搜索策略逐层深入——不是"大海捞针"，而是沿着最可能正确的路径逐层缩小范围。
二、跨会话记忆延续
前端设计这类长链路任务通常拆分为多个会话。问题在于每个会话只记得自己那一段，协作容易断层。
OpenViking 让同一项目下的多个会话共享一份长期记忆。新会话中，Agent 无需从零开始，而是基于已有的项目背景继续推进。
三、SubAgent 记忆共享
使用 Codex 这类工具时，多个 SubAgent 分工协作（需求 Agent 拆解任务、代码 Agent 实现功能、审查 Agent 检查结果）。加入 OpenViking 后，各 SubAgent 围绕同一份项目记忆协同工作——前一个 Agent 的输出成为后一个 Agent 的依据，后一个 Agent 的反馈继续沉淀进项目记忆。
四、跨平台 Agent 记忆共享
实际开发中，用 Codex 生成底图、切 Trae 添加功能、换 Claude Code 修 Bug 是常见操作。但每个工具各自为政的结果是——同一组件三种实现、三套风格。
OpenViking 让三者接入同一份项目记忆：
- 在 Codex 里沉淀的颜色规范，Trae 直接可见
- Trae 写入的页面布局决策，Claude Code 接手时照样能召回
- 你在任何工具里「教」过 AI 的东西，都不会消失
实战效果
以「搭建产品 Playground 网页」为例，完整走一遍流程：
阶段一：规范自动沉淀
搭建 Playground 页面过程中，你和 Agent 反复确认布局、配色、组件细节——每一轮交互里的设计决策，OpenViking 都在后台提炼、归类、写入记忆库。
阶段二：一句话召回全部规范
新项目、新会话，只需说「帮我复现上个 Playground 的风格」，OpenViking 立刻完成语义检索，把配色、布局、组件规范一并注入 Agent 上下文。Agent 收到的不是空白起点，而是完整的「项目记忆包」。
阶段三：追加新规范，后续自动遵守
项目迭代中随时调整或补充规范，OpenViking 写入记忆并与既有内容合并。新生成的页面自动遵循包含增量更新在内的完整历史规范。
阶段四：接入前后的差距
同样一句话需求：「根据历史代码规范，用 React + Vite 做一个视频知识库 Playground 网页」，没有额外补充设计稿：
| 维度 | 接入 OpenViking | 未接入 |
|---|---|---|
| 背景 | 米白底色+细网格纹理（保留原规范） | 常规灰白后台背景，网格消失 |
| 按钮 | 黑白主按钮、胶囊标签（历史组件一个没少） | 蓝色实心按钮，进度条变绿 |
| 标题 | 超大字号、极重字重（保持视觉冲击力） | 字号缩水、字重变轻 |
| 整体 | 有产品感的展示页面 | 功能 Demo 感 |
每一处都有据可依——因为你之前说过的每一个偏好，它都记着。
快速接入（以 Trae 为例）
五分钟内跑通：
第一步：连接 Trae 与 OpenViking
- 打开 Trae → 设置 → MCP
- 点击添加 → 手动配置，粘贴：
{
"mcpServers": {
"openviking": {
"url": "http://127.0.0.1:1933/mcp"
}
}
}
- 本地启动 OpenViking-server，回到 MCP 页面状态变为「连接成功」
第二步：配置检索规则
- 设置 → 规则 → 创建（选择全局或项目范围）
- 粘贴规则内容：
和用户的每一轮对话时，判断该用户的询问有没有需要用到 "ui历史记忆/偏好/规范" 的意图，
有的话则优先利用 OpenViking 的 search 召回记忆。
如果用户在对话中添加新模块，需要用 OpenViking 的 search 召回历史规范记忆并严格遵守。
判断用户对话中有没有需要提取沉淀的记忆/偏好/规范，有的话则利用 openviking 提取记忆，
使用 remember，记住以后不用验证和查看。
记住每轮对话的 UI 设计规范偏好和代码。
- 保存，立即生效
适合谁用？
- 前端开发者：频繁和 AI 协作做页面，需要保持设计一致性
- 多工具切换者：Trae + Codex + Claude Code 组合使用，上下文容易断裂
- 长周期项目：设计规范需要跨会话、跨阶段保持一致
- 团队协作：多人共用一套设计规范，需要统一的记忆底座
局限性
客观说几点：
- 需要本地部署 OpenViking-server：虽然不复杂，但对纯小白仍有门槛
- 记忆质量依赖提取精度：LLM 提取记忆有误判可能，噪声积累后需要手动清理
- 生态仍在早期：目前文档和社区资源不算丰富，踩坑需要自己摸索
- MCP 兼容性：主要适配支持 MCP 的工具，其他工具需要通过 CLI 方式接入
总结
AI Agent 的"失忆"问题，根源是缺乏可结构化、可召回、可跨会话跨平台流通的长期记忆底座。OpenViking 从记忆提取、意图分析、层级检索到跨平台共享，提供了一套相对完整的解决方案。
真正的 AI 协作，应该是越用越懂你，而不是每次都要重新认识你。