为什么个人需要知识库
首先解释下当前AI趋势，今年大模型迭代速度远超以往，模型已经非常智能，但限制AI走进我们生活和工作的是工程化编排：提示词工程、上下文记忆、工具定义、纠错、验证、循环等。今天这篇聊聊和上下文相关的知识库。
个人知识库相当于个性化的第二大脑，能让通用大模型更懂你。通用模型很智能但它不一定能懂你，比如了解你的工作，兴趣喜好，原因是你没给他提供足够的上下文信息。这些信息从哪来，那就需要你日常积累，比如所在行业，日常工作内容，最近做的项目，会话纪要等和自己切身相关的数字化信息。如何采集呢？当前效率最高的方式是让AI自动给你整理归纳存档，比如你的文章、视频、图片等一切能形成数字化信息保存的内容，都可以交给它并创造自动化采集流程（skill），让个人信息源源不断的自动积累。那如何存储和应用，这就是本文要讲的内容。
选择哪个知识库工具
不卖关子，直接"祭出"和对比两套开源记忆工具：OpenViking和TencentDB-Agent-Memory，它们定位有细微差别但主要功能相同——记忆知识库，在Github上也很热门，博主也亲自验证(折腾)了两套工具，最终建议直接选择OpenViking。
花了近一周时间从TencentDB-Agent-Memory再到OpenViking，最大的感触是TencentDB给老子爬，OpenViking真香，一个半成品，一个近乎成熟应用——差就差在导入体验和 Agent 接入上，两套方案对比：
| 维度 | OpenViking | TencentDB-Agent-Memory |
|---|---|---|
| 部署体验 | Docker 一键起，文档全 | 能跑，但文档少 |
| Agent 接入 | MCP 官方支持，主流 Agent 开箱即用 | 靠 Proxy 中转，配置复杂 |
| 资产导入 | 异步处理，状态进度可见 | 缺状态管理，黑盒且慢 |
| 使用体验 | 近乎成熟应用 | 半成品 |
OpenViking
OpenViking主页基本涵盖了完整的应用、管理、监控等功能，在使用体验上相当流畅。
支持各类AGENT工具接入，接口和配置齐全，涵盖各主流Agent：claude、codex、opencode、hermes、Pi、workbuddy、openclaw等
架构图：AI 助手们从各个入口进来，把活儿交给一个总管家，它派三个帮手分别管聊天、找资料、收资料，所有东西最终存进两个仓库——一个放原文，一个放索引方便快速翻找。
资产管理图：一条资料加工流水线——各种来源的文件进来排队，先拆解整理存好，再自动写摘要、编索引，以后随时能搜到；还会定时回访源头，有新内容就自动更新。
记忆作用域图：像一套同心圆的保险柜——最外层是公司大家共用的资料架，中间是每个人的私人抽屉，最里层是你跟不同人聊天时留下的分别的小本本，谁也翻不到别人的。记忆存储图：
TencentDB-Agent-Memory
TencentDB主页展示美观，功能较全，重点是对团队/个人的资产管理：知识库、对话记忆、技能以及项目代码图谱等，但操作体验糟糕，核心功能的用户路径没有优化好，资产导入解析缺少状态和进度管理，尤其在知识库解析上，50 份共 10MB 的文件，居然耗时约 1 小时；之前单次上传 400 份文件，跑了 1 天都没结果，由于缺少状态机制，底层的资产处理近乎是黑盒。
TencentDB-Agent-Memory - GitHub
支持Agent有限，接入靠Proxy中转，不在接入范围内容的Agent需要单独配置，较为复杂且缺少明确的官方接口/操作文档
如何安装OpenViking
下方是全部署流程skill，已将踩过的坑全填上，耗时约 10–30 分钟即可部署完成。用法：下载后将文件内容直接发给 Claude Code / ZCode，让它按步骤执行即可。唯一需要记住的破坏性运维是，若换 Embedding 模型时会重建向量
👉 点击下载部署 Skill（openviking-deploy-skill.md）
推荐使用 ZCode，新用户赠送 3 亿 tokens 的 GLM-5.3 免费额度：ZCode | GLM-5.3 官方 Harness
模型 Key 来自智谱开发平台：智谱 bigmodel.cn
如何使用OpenViking
怎么用：三条路径
路径 1：在编程智能体对话里直接用（最常用）
OpenViking 官方提供 MCP 接入，接入 ZCode / Claude Code 等智能体后，对话里就有 15 个工具，按用途分四组：
| 用途 | 工具 | 说什么就行 |
|---|---|---|
| 检索 | find / search / read / tree / list / grep / glob | “用 openviking 搜一下供应链分析的方法” |
| 写入 | add_resource / write / edit / forget | “把这个网页加进我的资源库” |
| 记忆 | remember | “记住我喜欢……” |
| 运维 | health / list_watches / cancel_watch | 检查服务状态、管理订阅 |
配合官方记忆插件（hooks），还能做到：新会话自动注入用户画像、每次提问前自动语义召回、对话结束自动沉淀记忆——全程无感。
路径 2：ov 命令行（批量导入、运维）
# 导入本地文件（Docker 部署：先拷到挂载目录）
cp 我的文档.md ~/.openviking/import/
MSYS_NO_PATHCONV=1 docker exec openviking ov add-resource /app/.openviking/import \
--parent-auto-create viking://resources/my_docs
# 检索 / 浏览
docker exec openviking ov find "文档主题"
docker exec openviking ov tree viking://resources/my_docs -L 3
# 健康度和模型调用统计
docker exec openviking ov status
docker exec openviking ov observer models
两个注意点：
- 导入别加
--wait。摘要生成和向量化是异步的，加了常超时报错但任务其实还在跑。用ov status看"处理中"归零即可。 - root 管理密钥不能读写数据，日常数据操作要用用户 Key（首次部署时用
ov admin register-user创建）。
路径 3：Web Studio 可视化界面
浏览器打开 http://localhost:1933/studio，用用户 Key 登录，图形化浏览 viking:// 目录树、查看检索轨迹。
典型使用场景
上图是 Web Studio 里的知识库目录树实拍，对应下面第 1 条"攒资料"的成果：
- 攒资料：剪藏的文章、项目文档、GitHub 仓库 → 导入
resources，自动生成摘要和向量 - 查资料：对话里直接问，语义检索带着周边上下文返回，不只是孤立片段
- 攒记忆：告诉 AI"记住这个偏好" → 写入记忆库，以后每个新会话自动生效
- 会话沉淀：聊完天，重要的结论和偏好自动变成笔记，无需手动整理
运维备忘
监控主页实拍，日常看这几项就够：
- 日常启停：
docker compose up -d / stop（建议restart: unless-stopped开机自启） - 看日志：
docker logs openviking --since 10m
模型调用量统计，用来确认 VLM 和 Embedding 都在正常工作。此外还有两条必须记住的运维：
- 改 Embedding 模型/维度后必须重建向量：
ov reindex viking://resources --mode semantic_and_vectors——这是唯一要记住的破坏性运维，旧向量在新维度下不可用 - 丢 Key 补发：
ov admin regenerate-key <账号> <用户> --sudo（旧 Key 立即失效）
写到这里总结一下：OpenViking 适合愿意用 Docker 自部署、想让 AI 长期记住自己工作和资料积累的人；如果你只是想轻量试试，先按部署 Skill 跑起来，导入十篇剪藏文章，然后在对话里用 ov find 跑一次语义检索，感受一下它和 Ctrl+F 的区别，再决定要不要长期用下去。