当企业知识库遇上 AI Agent 记忆系统，一个管"知识"，一个管"记忆"，这可能是当前最务实的 AI 应用架构。

背景

在构建企业级 AI 应用时，我们通常面对两类截然不同的数据管理需求：

• 静态知识：产品文档、技术手册、FAQ、合同模板……这些内容相对固定，需要高质量的解析和精准检索。
• 动态上下文：用户偏好、对话历史、Agent 积累的经验……这些数据随交互不断变化，需要长期记忆和智能管理。

用一套系统同时解决这两个问题，往往顾此失彼。更好的做法是：让专业的工具做专业的事。

本文介绍的方案是：腾讯云知识引擎原子能力负责企业知识库的 RAG 全链路，字节跳动开源的 OpenViking 负责 AI Agent 的上下文和记忆管理，两者协同工作。

一、腾讯云原子引擎：企业知识库的 RAG 全流程

1.1 什么是原子引擎

腾讯云知识引擎原子能力（LLM Knowledge Engine Basic API）是腾讯云提供的一套解耦的 RAG 能力组件。它不是一个黑盒产品，而是把 RAG 链路中的每个环节都暴露为独立的 API，开发者可以按需组装。

核心原子能力包括：

此外，还提供了 RAG 综合能力套件，包含知识库创建、文档上传、状态查询、知识检索等一站式接口。

1.2 RAG 全流程详解

一个完整的 RAG 流程分为两个阶段：离线索引和在线检索。

阶段一：离线索引（构建知识库）

阶段二：在线检索（回答问题）

如果使用 RAG 综合套件

上述流程也可以简化为 4 步：

# 1. 创建知识库
CreateKnowledgeBase(Name="产品文档库")

# 2. 上传文档（系统自动完成解析→拆分→向量化→入库）
UploadDoc(KnowledgeBaseId="kb-xxx", FilePath="产品手册.pdf")

# 3. 查询文档处理状态
DescribeDoc(DocId="doc-xxx")  # 等待状态变为 "processed"

# 4. 检索知识
SearchKnowledge(KnowledgeBaseId="kb-xxx", Query="如何配置连接池")

综合套件把中间步骤全部封装了，适合快速上手；原子能力 API 适合需要精细控制每个环节的场景。

1.3 原子引擎的优势

• 文档解析质量高：支持表格、公式、图片等复杂元素，不是简单的文本提取
• 语义拆分比正则切分强：官方数据显示回答完整性提升 20%
• 内置重排序：不需要自己搭 Reranker，直接调 API
• 多轮改写：处理多轮对话的指代消解，不需要额外写 Prompt
• 灵活组装：每个环节都是独立 API，可以只用你需要的部分

二、OpenViking：AI Agent 的上下文操作系统

2.1 什么是 OpenViking

OpenViking 是字节跳动火山引擎 Viking 团队开源的 AI Agent 上下文数据库。它不是一个传统的向量数据库，而是用虚拟文件系统范式来统一管理 Agent 所需的记忆（Memory）、资源（Resource）和技能（Skill）。

简单说，它是给 AI Agent 用的"文件系统 + 长期记忆 + 智能检索"一体化方案。

2.2 核心能力

2.3 OpenViking 解决什么问题

传统 RAG 的痛点是：所有数据都扔进一个扁平的向量库，检索时只靠语义相似度匹配。当数据量大、类型杂时，召回率和精准度都会下降。

OpenViking 的做法不同——它给数据加上了目录结构，检索时先定位到相关目录，再在目录内做语义搜索。这就像你在电脑上找文件，不会全盘搜索，而是先进入相关的文件夹。

加上分层加载机制（先看摘要，需要时再加载全文），Token 消耗可以降低 60%-90%。

三、腾讯云原子引擎 + OpenViking：如何分工协同

⚠️ 说明：本节探讨的是一种概念架构设想，腾讯云原子引擎已在实际项目中使用，但与 OpenViking 的协同方案尚未落地验证，仅作为探索性讨论。

3.1 定位差异

3.2 协同架构

1. OpenViking 负责理解上下文：用户说"上次讨论的那个方案"，OpenViking 从长期记忆中召回 “PostgreSQL 方案”，并把模糊的指代转化为明确的查询。
2. 腾讯云原子引擎负责知识检索：拿到明确的查询后，在企业文档库中做精准的 RAG 检索，返回最相关的文档片段。
3. LLM 综合生成：将记忆上下文和文档知识一起输入 LLM，生成完整的回答。
4. OpenViking 沉淀新记忆：这次交互的关键信息（用户关注什么、讨论了什么结论）被自动提取并存入长期记忆。

3.3 各自负责什么数据

3.4 什么时候调用谁

四、实际落地建议

4.1 先跑通单侧，再做集成

不要一上来就搭完整架构。建议：

1. 第一步：先用腾讯云原子引擎把企业知识库的 RAG 跑通，验证检索质量
2. 第二步：独立部署 OpenViking，给 Agent 加上长期记忆
3. 第三步：在 Agent 的调度层做集成，按场景路由到不同的系统

4.2 模型选择

两个系统可以用不同的模型：

• 腾讯云原子引擎：直接用内置的 Embedding 和 Rerank 模型，开箱即用
• OpenViking：可以配置火山引擎豆包、OpenAI、智谱等任意 Embedding 和 VLM 模型

4.3 成本考量

• 腾讯云原子引擎按 API 调用量计费，适合文档量大但查询频次可控的场景
• OpenViking 是开源自部署，计算成本取决于你选择的 Embedding/VLM 模型

总结

腾讯云原子引擎和 OpenViking 不是竞品，而是互补关系：

• 原子引擎 = 企业的"图书馆"，管理和检索固定的知识文档
• OpenViking = Agent 的"大脑"，管理动态的记忆、上下文和技能

把静态知识和动态记忆分开管理，既能保证知识检索的精准度，又能让 Agent 具备真正的长期记忆能力。这是当前构建企业级 AI 应用的一个务实且高效的架构选择。

参考资料：

• 腾讯云知识引擎原子能力 - 产品概述
• 腾讯云知识引擎原子能力 - RAG 操作指南
• OpenViking GitHub 仓库

• AI
• RAG
• OpenViking
• Agent
• 腾讯云