OpenViking: Mengelola Konteks Agen AI dengan Paradigma Filesystem

Pernahkah kamu merasa kewalahan saat mengembangkan Agen AI? Manajemen konteks seringkali menjadi salah satu rintangan terbesar. Di sinilah OpenViking by Volcengine hadir. Ini adalah basis data konteks open-source yang dirancang khusus untuk Agen AI, menawarkan paradigma sistem file untuk menyatukan manajemen memori, sumber daya, dan keterampilan yang dibutuhkan agen. Tujuannya adalah untuk mendefinisikan paradigma interaksi konteks yang sederhana bagi Agen, membantu pengembang mengucapkan selamat tinggal pada kerumitan manajemen konteks.

Tantangan Fragmentasi Konteks dalam Pengembangan Agen AI

Pengembang Agen AI sering menghadapi beberapa masalah mendasar:

Fragmentasi Informasi: Memori agen terprogram dalam kode, sumber daya tersebar di basis data vektor, dan keterampilan tercerai-berai, membuat pengelolaan seragam menjadi sulit.
Kehilangan Informasi Konteks: Tugas jangka panjang Agen menghasilkan konteks pada setiap eksekusi. Pemotongan atau kompresi sederhana menyebabkan hilangnya informasi penting.
Kurangnya Tampilan Global: RAG (Retrieval-Augmented Generation) tradisional menggunakan penyimpanan datar, sehingga sulit mendapatkan pandangan global dan memahami konteks informasi secara keseluruhan.
Kotak Hitam RAG: Rantai pengambilan implisit RAG tradisional seringkali seperti kotak hitam, menyulitkan proses debug saat terjadi kesalahan.
Memori yang Terbatas: Memori saat ini sebagian besar hanya catatan interaksi pengguna, kurangnya memori tugas terkait Agen.

OpenViking: Solusi Konteks Terpadu untuk Agen AI

OpenViking meninggalkan model penyimpanan vektor yang terfragmentasi dari RAG tradisional. Ia secara inovatif mengadopsi paradigma sistem file untuk menyatukan organisasi terstruktur dari memori, sumber daya, dan keterampilan yang dibutuhkan Agen. Ini memungkinkan pengembang membangun "otak" Agen seolah-olah mengelola file lokal.

Bagaimana OpenViking Mengubah Manajemen Konteks? (5 Konsep Inti)

OpenViking memiliki lima konsep inti yang secara langsung mengatasi tantangan yang disebutkan sebelumnya, membangun sistem manajemen konteks yang lengkap:

1. Paradigma Manajemen Filesystem

OpenViking tidak lagi melihat konteks sebagai potongan teks datar. Ia menyatukan semuanya ke dalam sistem file virtual yang abstrak. Baik itu memori, sumber daya, atau kemampuan, semuanya dipetakan ke direktori virtual di bawah protokol ovfs://, masing-masing dengan URI unik.

Paradigma ini memberikan Agen kemampuan manipulasi konteks yang belum pernah ada sebelumnya. Agen dapat menemukan, menelusuri, dan memanipulasi informasi secara tepat dan deterministik melalui perintah standar seperti ls, cd, atau cat, persis seperti yang dilakukan seorang pengembang. Ini mengubah manajemen konteks dari pencocokan semantik yang samar menjadi "operasi file" yang intuitif dan dapat dilacak.

2. Pemuatan Konteks Berjenjang

Memasukkan konteks dalam jumlah besar ke dalam prompt sekaligus tidak hanya mahal, tetapi juga dapat melebihi batas window model dan menimbulkan noise. OpenViking secara otomatis memproses konteks menjadi tiga tingkat saat penulisan:

L0: Ringkasan satu kalimat untuk pengambilan dan identifikasi cepat.
L1: Berisi informasi inti dan skenario penggunaan untuk pengambilan keputusan Agen selama fase perencanaan.
L2: Data asli lengkap, untuk pembacaan mendalam oleh Agen saat benar-benar diperlukan.

Struktur tiga tingkat ini dimuat sesuai permintaan, menghemat biaya secara signifikan.

3. Pengambilan Rekursif Direktori

Pengambilan vektor tunggal kesulitan dengan niat kueri yang kompleks. OpenViking telah merancang metode pengambilan rekursif direktori inovatif yang mengintegrasikan beberapa metode pengambilan secara mendalam:

Membangkitkan beberapa kondisi pengambilan melalui analisis niat.
Menggunakan pengambilan vektor untuk dengan cepat menemukan direktori skor tinggi tempat slice awal berada.
Melakukan pengambilan sekunder di dalam direktori tersebut dan memperbarui hasil skor tinggi ke candidate set.
Jika subdirektori ada, ulangi langkah pengambilan sekunder secara rekursif lapis demi lapis.
Akhirnya, mendapatkan konteks paling relevan untuk dikembalikan.

Strategi "kunci direktori skor tinggi terlebih dahulu, lalu perbaiki eksplorasi konten" ini tidak hanya menemukan fragmen yang paling cocok secara semantik, tetapi juga memahami konteks lengkap tempat informasi berada, sehingga meningkatkan globalitas dan akurasi pengambilan.

4. Trajektori Pengambilan yang Tervisualisasi

Organisasi OpenViking menggunakan struktur sistem file virtual hierarkis. Semua konteks terintegrasi dalam format terpadu, dan setiap entri sesuai dengan URI unik (seperti jalur /path). Ini memecah mode manajemen kotak hitam datar tradisional dengan hierarki yang jelas dan mudah dipahami.

Proses pengambilan mengadopsi strategi rekursif direktori. Trajektori penelusuran direktori dan penentuan posisi file untuk setiap pengambilan sepenuhnya dipertahankan, memungkinkan pengguna untuk mengamati penyebab masalah dengan jelas dan memandu optimasi logika pengambilan.

5. Manajemen Sesi Otomatis

OpenViking memiliki loop iterasi mandiri memori bawaan. Di akhir setiap sesi, pengembang dapat secara aktif memicu mekanisme ekstraksi memori. Sistem akan menganalisis hasil eksekusi tugas dan umpan balik pengguna secara asinkron, dan secara otomatis memperbaruinya ke direktori memori Pengguna dan Agen.

Memori Pengguna: Memperbarui memori yang terkait dengan preferensi pengguna, membuat respons Agen lebih sesuai dengan kebutuhan pengguna.
Memori Agen: Mengekstrak konten inti seperti tips operasional dan pengalaman penggunaan tool dari pengalaman eksekusi tugas, membantu pengambilan keputusan yang efisien dalam tugas-tugas berikutnya.

Ini memungkinkan Agen untuk menjadi "lebih pintar dengan penggunaan" melalui interaksi dengan dunia, mencapai evolusi mandiri.

Performa Nyata: Studi Kasus OpenClaw

OpenViking telah menunjukkan peningkatan performa yang signifikan, seperti yang terlihat dari pengujian dengan OpenClaw (versi 0.1.18) menggunakan dataset dialog jarak jauh LoCoMo10 (1.540 kasus).

Kelompok Eksperimen	Metrik	Peningkatan vs. OpenClaw Asli	Peningkatan vs. LanceDB
Dengan Memori Native Diaktifkan	Peningkatan Kualitas	43%	15%
	Pengurangan Biaya Token	91%	96%
Dengan Memori Native Dinonaktifkan	Peningkatan Kualitas	49%	17%
	Pengurangan Biaya Token	83%	92%

Data ini menunjukkan bahwa integrasi OpenViking tidak hanya meningkatkan kualitas respons Agen, tetapi juga secara drastis mengurangi biaya token input.

Mulai dengan OpenViking

Tertarik mencoba? Berikut beberapa hal yang perlu kamu siapkan:

Persyaratan Lingkungan

Cargo: Diperlukan untuk membangun komponen RAGFS dan CLI dari sumber.
GCC 9+ atau Clang 11+: Diperlukan untuk membangun ekstensi inti.
Sistem Operasi: Linux, macOS, Windows.
Koneksi Jaringan Stabil: Untuk mengunduh dependensi dan mengakses layanan model.

Kapabilitas Model yang Dibutuhkan

OpenViking memerlukan kapabilitas model berikut:

VLM: Untuk pemahaman gambar dan konten.
Embedding: Untuk vektorisasi dan pengambilan semantik.

OpenViking mendukung berbagai penyedia VLM, termasuk Volcengine, OpenAI, Kimi Coding, Z.AI, dan Gemini (dengan model seperti gemini-pro-vision).

Konfigurasi Awal

Kamu bisa memulai dengan OpenViking melalui wizard setup interaktif jika menggunakan model lokal via Ollama:

bash
ov setup

Wizard ini akan mendeteksi dan menginstal Ollama jika diperlukan, merekomendasikan dan menarik model embedding dan VLM yang sesuai, serta membuat file ov.conf yang siap pakai.

Untuk validasi setup kapan saja, gunakan:

bash
ov check

Untuk penyedia API cloud (Volcengine, OpenAI, Gemini, dll.), kamu perlu membuat file konfigurasi secara manual (ov.conf untuk server/model dan ovcli.conf untuk CLI/klien) di $XDG_CONFIG_HOME/openviking (Linux/macOS) atau %APPDATA%\openviking (Windows), atau menunjuk lokasi file dengan variabel lingkungan OPENViking_CONFIG_PATH.

Jalankan Contoh Pertamamu

Setelah konfigurasi selesai, kamu bisa menjalankan contoh lengkap:

bash
ov run

Atau jalankan di latar belakang:

bash
ov run &

Selamat! Kamu telah berhasil menjalankan OpenViking.

VikingBot dan Deployment

VikingBot adalah kerangka kerja Agen AI yang dibangun di atas OpenViking. Jika kamu menggunakan image Docker resmi, VikingBot sudah termasuk dan berjalan secara default bersama server OpenViking dan UI konsol. Kamu bisa menonaktifkannya saat runtime dengan OPENViking_ENABLE_AGENT=false atau --disable-agent.

Untuk lingkungan produksi, disarankan menjalankan OpenViking sebagai layanan HTTP standalone untuk menyediakan dukungan konteks yang persisten dan berkinerja tinggi bagi Agen AI kamu. Disarankan untuk deployment pada sistem operasi Linux untuk performa penyimpanan dan keamanan data yang optimal.

Berkontribusi pada Masa Depan Agen AI

OpenViking masih dalam tahap awal, dengan banyak area untuk perbaikan dan eksplorasi. Jika kamu tertarik, ada beberapa cara untuk berkontribusi:

Beri bintang di GitHub untuk memberikan motivasi.
Pahami filosofi yang disampaikan dan gunakan protokol opvfs serta SDK di proyekmu.
Bergabunglah dengan komunitas di WeChat.
Berkontribusi kode, baik itu perbaikan bug atau fitur baru.

Setiap baris kode yang kamu berikan akan menjadi pondasi penting bagi pertumbuhan OpenViking. Mari bersama-sama mendefinisikan dan membangun masa depan manajemen konteks Agen AI.