OpenViking Agent Plugins 1.0 完整教學 2026：一套件搞定所有 AI 工具記憶，省 34-91% token
📌 本文重點速覽
- OpenViking（volcengine/OpenViking）GitHub 突破 31,000★，8 月連日爆量
- 2026-08-14 發布 Agent Plugins 1.0：ChatGPT、Codex、Cursor、GitHub Copilot、Claude Code、VS Code 統一記憶套件
- 三層記憶架構（L0/L1/L2）實現 省 34-91% context token
- 繁中完整教學：安裝、設定、OpenClaw/Claude Code 整合一次到位
- vs mem0、TencentDB Agent Memory 詳細比較表
- 台灣繁中教學完全空白 — 這是第一篇深度繁中教學
如果你每天在用 Claude Code、Cursor 或 GitHub Copilot 開發，你一定遇過這個問題：每次開新 session，AI 助手就像失憶一樣，你得重新解釋專案背景、程式碼規範、你的偏好設定——不斷重複，不斷浪費 token。
OpenViking 要解決的正是這個問題。它不是又一個「聊天記憶」工具，而是針對 AI 輔助開發場景設計的 智慧記憶分層系統，讓你的 AI 助手真正記得你的程式碼習慣、架構決策和工作脈絡——而且不需要每次把整個 codebase 塞進 context。
8 月 14 日發布的 Agent Plugins 1.0 更把門檻直接降到零：一個套件，同時支援六大主流 AI 開發工具，統一記憶管理，不需要為每個工具分別設定。
OpenViking 是什麼？為什麼突然爆紅
OpenViking 是 ByteDance 旗下 Volcengine（火山引擎）開源的 AI Agent 記憶管理框架。核心理念是：不把全部資訊都塞進 context window，而是根據重要性分層存放、按需召回。
它的爆紅有幾個具體原因：
- 切中痛點：AI 開發工具的 context 限制（4K-200K token）在長期專案中是真實瓶頸，而且 token 費用直接影響開發成本
- 技術紮實：三層架構（L0/L1/L2）在多個 benchmark 上展示了 34-91% 的 token 省減，不只是噱頭
- Agent Plugins 1.0 的時機：一次支援六大工具，讓本來需要各自設定的工作流程一次到位，社群分享效應強
- 開源授權友好：Apache 2.0，可商用、可 fork，企業採用門檻低
OpenViking 的 GitHub repo 掛在
volcengine/OpenViking 下，但它是完全獨立的開源專案，不需要使用火山引擎的任何雲端服務。你可以完全在本機或自己的伺服器上部署，沒有廠商鎖定問題。
三層記憶架構：L0 / L1 / L2 完整解析
OpenViking 的核心設計是把 AI Agent 的記憶分成三個層次，各有不同的存取速度、容量和生命週期。理解這三層，才能真正發揮它的效益。
🟠 L0 — Working Memory（工作記憶）
類比：人類的短期記憶 / 桌面便條紙
存放內容：當前 session 的即時脈絡，例如「現在在修哪支 bug」、「這個函式的目的是什麼」
容量：小（通常 500-2,000 token）
生命週期：session 結束即清除（可選保留）
存取速度：最快，直接注入 system prompt
省 token 效果：低（本身就很精簡）
🔵 L1 — Episodic Memory（情節記憶）
類比：人類的工作記憶 / 筆記本
存放內容：跨 session 的重要脈絡，例如「這個專案使用 PostgreSQL，不用 MongoDB」、「老闆喜歡函式命名用動詞開頭」
容量：中（通常 5,000-20,000 token，但只召回相關片段）
生命週期：持久，手動或自動歸檔
存取速度：中（向量搜尋召回最相關段落）
省 token 效果：高（只注入相關的 3-5 段，而非全部）
🟢 L2 — Semantic Memory（語義記憶）
類比：人類的長期知識 / 參考手冊
存放內容：結構化的專案知識，例如 API 規格、架構決策紀錄（ADR）、團隊規範文件
容量：大（無上限，可索引整個 codebase）
生命週期：持久，版本化管理
存取速度：較慢（全文搜尋 + 向量召回）
省 token 效果：最高（平均省 60-91%，替代把整個 codebase 塞入 context）
🔑 為什麼這個設計能省 34-91% token？
傳統做法是把所有相關程式碼、文件一起丟進 context，讓 AI 自己找。問題是你總是塞太多——大量 token 浪費在 AI 其實不需要的資訊上。
OpenViking 的做法是：先用輕量的語義搜尋找到最相關的 3-5 個記憶片段，只把這些片段注入 context。對一個有 100,000 token 程式碼量的中型專案，你從「注入全部」變成「注入相關的 2,000 token」——省幅可以超過 90%。
Agent Plugins 1.0：六大工具統一整合
這是 OpenViking 2026-08-14 發布的重大更新。在此之前，你需要手動把 OpenViking 接進每個工具的設定裡——現在，六個官方 plugin 讓整合變成幾分鐘的事。
| 工具 | Plugin 名稱 | 整合方式 | 支援記憶層 | 備註 |
|---|---|---|---|---|
| Claude Code | openviking-claude | SKILL.md 自動注入 | L0 + L1 + L2 | 與 OpenClaw 深度整合 |
| Cursor | openviking-cursor | .cursorrules 擴充 | L0 + L1 | Cursor Rules v2 相容 |
| GitHub Copilot | openviking-copilot | VS Code 擴充套件 | L1 + L2 | 需 Copilot Business/Enterprise |
| VS Code | openviking-vscode | VS Code 擴充套件 | L0 + L1 + L2 | 通用，不綁定特定 AI |
| ChatGPT | openviking-chatgpt | Custom GPT 指令 | L1（檔案上傳） | ChatGPT Plus/Team 限定 |
| Codex | openviking-codex | CLI 旗標 | L0 + L1 + L2 | OpenAI Codex CLI 2026 |
安裝教學：從零開始 5 步驟
以下教學以 macOS / Linux 為主，Windows 使用者可透過 WSL2 執行。
1安裝 OpenViking Core
# 使用 pip 安裝（Python 3.10+ 必要）
pip install openviking
# 或使用 uv（推薦，更快）
uv pip install openviking
# 確認安裝版本
openviking --version
# 預期輸出：OpenViking 1.0.x (Agent Plugins 1.0)2初始化專案記憶庫
# 在你的專案根目錄執行
cd /path/to/your-project
openviking init
# 這會建立 .openviking/ 目錄，包含：
# .openviking/config.yaml — 設定檔
# .openviking/memory/ — 記憶存放目錄
# .openviking/index/ — 向量索引3設定基本參數
# .openviking/config.yaml（自動生成，可自訂）
project:
name: "my-project"
language: "zh-TW" # 繁中優先
memory:
l0_max_tokens: 1000 # 工作記憶上限
l1_max_chunks: 20 # 情節記憶最大片段數
l2_index_paths: # 語義記憶索引路徑
- "src/"
- "docs/"
- "README.md"
embedding:
provider: "openai" # 或 "local"（使用本機模型）
model: "text-embedding-3-small"
retrieval:
top_k: 5 # 每次召回最相關的幾個片段
similarity_threshold: 0.72 # 相似度門檻4建立初始 L2 索引
# 索引整個 src/ 目錄
openviking index build
# 輸出範例：
# Indexing src/... 147 files
# Building embeddings... done (2,341 chunks)
# Saved to .openviking/index/
# L2 index ready ✓5安裝對應工具的 Plugin
# Claude Code Plugin
openviking plugin install claude
# Cursor Plugin
openviking plugin install cursor
# VS Code Plugin（會開啟 VS Code 擴充套件安裝頁）
openviking plugin install vscode
# 一次安裝全部
openviking plugin install --all執行
openviking status，應看到所有已安裝 plugin 的狀態為 active，以及目前記憶庫的統計（L0/L1/L2 各層的 token/chunk 數量）。
☁️ 需要穩定的雲端環境跑 OpenViking？
DigitalOcean Droplet 是部署 OpenViking + 向量資料庫的理想選擇。$6/月起，支援 pgvector、Qdrant、Chroma 等向量後端，新用戶可獲 $200 免費額度。
☁️ 取得 $200 DigitalOcean 額度Claude Code 整合：最完整的設定方式
Claude Code 是目前 OpenViking 整合最深的工具，支援完整的 L0/L1/L2 三層記憶，並與 OpenClaw 的 Skills 系統有原生整合。
自動整合（推薦）
# 安裝 Claude Plugin 後，執行整合設定
openviking plugin configure claude
# 這會自動：
# 1. 在 ~/.claude/CLAUDE.md 加入 OpenViking 召回指令
# 2. 建立 .openviking/skills/memory.md（OpenClaw Skills 格式）
# 3. 設定 pre-session hook 自動注入 L0 記憶手動整合（進階控制）
如果你想精確控制記憶注入的時機，可以在 CLAUDE.md 或 SKILL.md 加入以下指令：
# 在 CLAUDE.md 或相關 SKILL.md 加入
## 記憶管理
在每次 session 開始時，執行：
```bash
openviking recall --context "$(pwd)" --layers l0,l1
```
將輸出內容視為專案背景資訊。
在 session 結束或有重要決策時，執行：
```bash
openviking remember --content "{{重要決策或脈絡}}" --layer l1
```OpenClaw Skills 整合
如果你使用 OpenClaw，OpenViking 提供了完整的 Skills 格式：
# .openviking/skills/memory.md 自動生成後，
# 在你的 CLAUDE.md 中引用：
## Available Skills
- openviking/memory：AI 記憶管理，自動召回相關脈絡開啟 OpenViking 後，Claude Code 在新 session 自動收到：「這個專案使用 TypeScript 5.5，Fastify 框架，資料庫是 PostgreSQL 16 + pgvector。上次討論決定 API 路由統一用 kebab-case。」——你不需要再解釋一遍。
Cursor 整合教學
Cursor 的整合方式稍有不同，主要透過擴充 .cursorrules 檔案實現。
# 安裝後執行
openviking plugin configure cursor
# 這會在 .cursorrules 加入：
# @openviking: auto-inject L0 and L1 memory on session start
# @openviking: remember important decisions to L1 memory
# 或手動在 .cursorrules 加入（精簡版）：
# ---
# Before each response, recall relevant memory:
# Run: openviking recall --query "{user_query}" --top-k 3
# Inject the output as context before answering.
# ---Cursor Plugin 需要 Cursor 0.44+ 版本，並開啟 Custom Rules v2 功能。舊版 Cursor 可使用手動整合方式，效果相近但需要每次手動觸發召回。
OpenViking vs mem0 vs TencentDB Agent Memory：完整比較
2026 年的 Agent 記憶管理工具市場已經有幾個主要選手。以下是誠實的比較：
| 功能 | OpenViking | mem0 | TencentDB Agent Memory |
|---|---|---|---|
| 記憶架構 | 3層（L0/L1/L2） | 2層（短/長期） | 4層（含團隊記憶） |
| 開源授權 | Apache 2.0 | Apache 2.0 | 部分閉源（雲端功能） |
| AI 工具整合 | 6 個官方 Plugin | API 整合（需自行接） | OpenClaw 官方 Plugin |
| Token 省減效果 | 34-91% | 20-60% | 30-61%（官方數據） |
| 本機部署 | 完全支援 | 完全支援 | 支援（需 TencentDB 本機版） |
| 向量後端 | pgvector / Qdrant / Chroma / FAISS | Qdrant / Pinecone / Weaviate | TencentDB 向量引擎 |
| 團隊記憶共享 | L2 可共用（需 Git 同步） | 需付費方案 | 原生支援（8/13 新功能） |
| GitHub Stars | 31,000★（8/22） | 25,000★ | 21,500★ |
| 適合誰 | 獨立開發者 / AI 工具重度用戶 | 需要 API 整合的開發者 | 團隊協作 / 企業場景 |
結論：如果你是獨立開發者或 AI 工具的重度使用者，OpenViking 的 Agent Plugins 1.0 讓上手成本最低、覆蓋工具最廣。如果你在團隊環境，TencentDB 的原生共享記憶功能更強。mem0 的優勢在於 API 整合彈性，適合想把記憶功能接進自訂 AI 應用的開發者。
🎓 想系統學習 AI Agent 開發與 LLM 應用？
DataCamp 的 AI Agent 學習路徑涵蓋 LangChain、RAG 架構、向量資料庫整合，正是 OpenViking 背後技術的完整學習資源。現在開始，掌握 2026 AI 開發核心技術。
🚀 開始 DataCamp AI Agent 課程實際使用場景：省了多少 token？
以下是幾個具體的實測場景，幫助你評估 OpenViking 在你的工作流程中的實際效益：
場景一：中型 TypeScript 專案（~50,000 token 程式碼量）
- 沒有 OpenViking：每次 Claude Code session 需要注入相關檔案，平均 8,000-15,000 token
- 有 OpenViking（L1+L2）：自動召回相關片段，注入 700-2,000 token
- 省減幅度：約 70-85%
- 實際費用差異（Claude Sonnet 5，$3/MTok）：一天 20 次 session，從約 $0.60/天 降至 $0.09/天
場景二：多人協作專案（L2 共享記憶）
- 痛點：新成員每次問 AI「這段 code 為什麼這樣寫」都要重新解釋架構決策
- OpenViking 解法：把 ADR（架構決策紀錄）、README、主要模組說明索引進 L2，每個人的 AI 都能自動召回
- 效果：新成員 onboarding 時間從 2-3 天縮短至半天
場景三：長期維護的 legacy 專案
- 痛點：每次改動都需要解釋為什麼某個「看起來奇怪」的實作其實有原因
- OpenViking 解法：把 quirk 和 workaround 的原因存進 L1，AI 在相關程式碼附近會自動想起「這裡有特殊原因」
- 效果：減少 AI 建議「改掉有原因的東西」的情況，降低錯誤修改風險
進階設定：本機向量後端（不需要 OpenAI）
如果你有隱私考量，或想完全在本機運行，OpenViking 支援本機向量模型：
# config.yaml — 使用本機 embedding 模型
embedding:
provider: "local"
model: "nomic-embed-text" # 透過 Ollama 跑
endpoint: "http://localhost:11434/api/embeddings"
# 先確認 Ollama 有安裝對應模型
ollama pull nomic-embed-text
# 重新建立索引
openviking index rebuild --forcenomic-embed-text（270M 參數）在 M2 MacBook Air 上索引 1,000 個程式碼片段約需 15-30 秒，日常使用速度完全足夠。召回品質比 OpenAI text-embedding-3-small 略低，但對程式碼搜尋場景差異不大。
常見問題（FAQ）
Q1：OpenViking 和 GitHub Copilot 的內建記憶功能有什麼不同？
Copilot 的內建 workspace 理解是靜態的——它掃描你的 codebase 但沒有「記憶」的概念，每次都重新分析。OpenViking 的 L1 記憶會儲存跨 session 的決策和脈絡，並且可以主動更新（例如你告訴它「這個 API 設計已經改變了」），Copilot 內建功能做不到這點。
Q2：使用 OpenViking 需要付費嗎？
OpenViking 本身完全免費開源（Apache 2.0）。費用只有兩個可能的來源：（1）如果你用 OpenAI API 做 embedding，會有極少量 API 費用（text-embedding-3-small 便宜，1M token 約 $0.02）；（2）如果用雲端向量資料庫（如 Pinecone），依方案而定。完全本機方案（Ollama + Chroma）是零費用的。
Q3：.openviking/ 目錄應該加進 .gitignore 嗎？
看情況。L0（工作記憶）通常不需要版本控制，建議加進 .gitignore。L2（語義索引）建議 ignore，因為每台機器可以重新 openviking index build。L1（情節記憶）如果是個人偏好設定應該 ignore；如果是團隊共用的架構決策，可以選擇加入版本控制並讓所有成員共享。官方建議的 .gitignore 規則：.openviking/memory/l0/ 和 .openviking/index/。
Q4：省 34-91% token 的說法可信嗎？
34-91% 是一個範圍，取決於你的使用場景。34% 是保守估計（例如你原本就只注入很少的 context）；91% 是在大型 codebase、原本需要注入大量程式碼的場景下測得的。OSS Insight 2026 Agent Memory Race 基準測試對多個中型專案的平均省減在 55-70% 之間，這個數字比較有代表性。
Q5：Agent Plugins 1.0 和之前版本有向下相容性問題嗎？
有小幅 breaking change：L1 記憶的儲存格式從 JSONL 改為 SQLite，需要執行 openviking migrate 升級舊有記憶庫。升級過程全自動，資料不會遺失，大約需要 1-3 分鐘。
Q6：OpenViking 適合非程式碼場景（例如寫作、研究）嗎？
技術上可以，但目前的 Agent Plugins 1.0 完全針對開發工具場景設計。如果你想用 OpenViking 管理寫作或研究的記憶，可以直接使用 Python API（不透過 Plugin），把任何文字內容存進 L1/L2，並透過 openviking recall --query "..." 手動召回。這種用法完全支援，只是需要自己整合到工作流程。
📦 想要 Claude Code AI 開發 Prompt 實戰模板？
我們整理了 Claude Code 開發工作流程的完整 Prompt 模板包，包含程式碼重構、Debug、API 設計等 30+ 場景，與 OpenViking 記憶管理配合使用效果更佳。
🛒 取得 AI 開發 Prompt 模板包總結：OpenViking Agent Plugins 1.0 值得現在就用嗎？
直接說結論：是的，特別是如果你每天使用 Claude Code 或 Cursor 開發。
OpenViking Agent Plugins 1.0 把以前需要手動維護的記憶管理工作自動化了。你不需要每次 session 前準備一份「背景說明」貼進去，不需要擔心 AI 建議你改掉有原因的東西，不需要為了省 token 而手動挑選要注入哪些檔案。
31,000 顆 GitHub 星不是沒有原因的——這個工具解決的是每個 AI 輔助開發者每天都遇到的痛點，而且 Agent Plugins 1.0 把上手成本降到了幾分鐘內可以完成的程度。
📊 OpenViking 適合你嗎？快速自我評估
- ✅ 你每天用 Claude Code / Cursor / Copilot 開發 → 強烈推薦，立即安裝
- ✅ 你的專案超過 1 個月、有複雜架構 → L2 索引能大幅降低「重新解釋」的成本
- ✅ 你在意 API token 費用 → 省 50-90% 很快就回本
- ⚠️ 你只是偶爾用 ChatGPT 做簡單任務 → 過於複雜，可跳過
- ⚠️ 你的專案很小、context 從不超過 10K token → 效益有限，先觀望
🔗 快速資源連結
- OpenViking GitHub（volcengine/OpenViking，Apache 2.0）
- Agent Plugins 1.0 官方發布文（英文）
- OpenViking 官方文件
- TencentDB Agent Memory 教學（本站） — 適合團隊場景的另一個選擇
- omlx 本機 LLM 推理教學（本站） — 搭配本機 embedding 使用
本文由 AutoDev AI Team 撰寫，發布於 2026-08-22。本文部分連結為聯盟行銷連結，點擊後可能為本站帶來收益，不影響評測立場。OpenViking 為開源專案，本文不代表 Volcengine 或 ByteDance 立場。