AI 에이전트를 장시간 구동하거나 복잡한 멀티 세션 작업을 진행할 때 가장 큰 장애물은 **“컨텍스트 분절과 치솟는 토큰 비용, 그리고 불투명한 벡터 검색(RAG)의 검색 실패”**입니다.

바이트댄스(ByteDance)의 볼케이노 엔진(Volcengine) 팀이 오픈소스로 공개한 **OpenViking**은 기존의 평면적인 벡터 DB 검색 대신 계층적 파일시스템 패러다임(viking://)과 계층형 세부 수준(LOD) 로딩을 도입하여, 기억 정확도를 최대 82%까지 향상시키고 입력 토큰 소모량을 91% 절감한 자가진화형 컨텍스트 데이터베이스입니다.

Sources

1. OpenViking 시스템 아키텍처

flowchart TD
    classDef agentNode fill:#c5dcef,stroke:#2b6cb0,stroke-width:1.5px,color:#333;
    classDef fsNode fill:#e0c8ef,stroke:#6b46c1,stroke-width:1.5px,color:#333;
    classDef lodNode fill:#fde8c0,stroke:#d69e2e,stroke-width:1.5px,color:#333;
    classDef evolveNode fill:#c0ecd3,stroke:#38a169,stroke-width:1.5px,color:#333;

    Agent["AI 에이전트 세션
(Claude Code, OpenClaw 등)"] --> DB["OpenViking Context DB
(viking:// 파일시스템 패러다임)"]
    subgraph LOD["계층형 세부 수준 (LOD) 로딩"]
        L0["L0: 초경량 요약본 (~100 토큰)"]
        L1["L1: 구조 개요본 (~2,000 토큰)"]
        L2["L2: 전체 원본 데이터"]
    end
    DB <--> LOD
    DB --> Evolve["자가 진화 메모리 엔진
(프로필, 엔티티, 이벤트, 패턴 자동 학습)"]

    class Agent agentNode;
    class DB fsNode;
    class L0,L1,L2 lodNode;
    class Evolve evolveNode;

2. 핵심 아키텍처 및 차별점

  1. 파일시스템 패러다임 (viking://):
    • 에이전트 메모리, 지식 문서, 스킬을 불투명한 벡터 임베딩 덩어리로 두지 않고, 파일 및 디렉토리 계층 구조로 구조화합니다. 에이전트는 ls, tree, find, read와 같은 결정론적 명령어로 컨텍스트를 탐색합니다.
  2. 계층형 LOD (Level of Detail) 점진적 로딩:
    • L0 (Summary): 100토큰 내외의 초소형 요약본으로 지식 맵을 파악.
    • L1 (Overview): 2,000토큰 내외의 구조화된 개요.
    • L2 (Full Data): 심층 세부 작업이 필요한 순간에만 원본 데이터를 로드.
    • 이 방식으로 불필요한 프롬프트 토큰 낭비를 최대 91% 방지합니다.
  3. 자가 진화형 메모리 (Self-evolving Memory):
    • 사용자 선호도, 엔티티 관계, 해결된 버그 패턴을 세션 종료 시 자동으로 추출하고 갱신하여 시간이 지날수록 사용자 작업 환경에 맞춤 최적화됩니다.

3. 실측 벤치마크 결과

  • Claude Code 대화 기억 정확도: 기존 57% ➔ 80% (23%p 상승)
  • OpenClaw 기억 정확도: 기존 24% ➔ 82% (58%p 대폭 상승)
  • 비용 절감: 입력 토큰 최대 91% 감소로 더 빠르고 저렴한 운영 가능