这是 OpenViking 系列的第 5 篇。前几篇我们已经建立了几个基础概念：OpenViking 是面向 AI Agent 的上下文数据库。viking://把 Agent 上下文组织成虚拟文件系统。Resource、Memory、Skill 分别对应资料、记忆和能力。这一篇我们继续深入一个非常关键的问题：Agent 拿到上下文时，应该一次性读取全部内容吗？OpenViking 的答案是：不应该。它采用 L0/L1/L2 三层上下文模型，让 Agent 先看摘要，再看概览，最后在必要时读取完整内容。这篇解决什么问题很多人在做 Agent 或 RAG 系统时，会有一个直觉：模型上下文窗口越大，能塞进去的内容越多，效果应该越好。这个直觉只对了一半。上下文太少，模型确实会缺信息。但上下文太多，也会带来新问题：token 成本变高。关键约束被长文本淹没。模型注意力被无关内容分散。检索结果难以解释。Agent 不知道该先读什么、后读什么。举个例子，你问 Agent：
这是 OpenViking 系列的第 5 篇。前几篇我们已经建立了几个基础概念：OpenViking 是面向 AI Agent 的上下文数据库。viking://把 Agent 上下文组织成虚拟文件系统。Resource、Memory、Skill 分别对应资料、记忆和能力。这一篇我们继续深入一个非常关键的问题：Agent 拿到上下文时，应该一次性读取全部内容吗？OpenViking 的答案是：不应该。它采用 L0/L1/L2 三层上下文模型，让 Agent 先看摘要，再看概览，最后在必要时读取完整内容。这篇解决什么问题很多人在做 Agent 或 RAG 系统时，会有一个直觉：模型上下文窗口越大，能塞进去的内容越多，效果应该越好。这个直觉只对了一半。上下文太少，模型确实会缺信息。但上下文太多，也会带来新问题：token 成本变高。关键约束被长文本淹没。模型注意力被无关内容分散。检索结果难以解释。Agent 不知道该先读什么、后读什么。举个例子，你问 Agent：
)
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
