Dieses Tutorial führt durch die Erstellung und Untersuchung eines OpenSpace-Workflows – von der Umgebungseinrichtung und dem spärlichen Klonen des Repositories über die Live-Aufgabenausführung und Skill-Evolution bis hin zur MCP-basierten Agenten-Integration. OpenSpace, entwickelt von der Forschungsgruppe HKUDS, ist ein Open-Source-Framework, das es KI-Agenten ermöglicht, eigene Fähigkeiten über Aufgaben hinweg aufzubauen, zu speichern und wiederzuverwenden – und damit eine wesentliche Einschränkung heutiger Agentensysteme adressiert, die typischerweise bei jeder Interaktion von vorn beginnen und wiederholte LLM-Kosten verursachen. Der Prozess umfasst die Konfiguration von Modell-Zugangsdaten und Workspace-Variablen, die Installation des Projekts im Editable-Modus, den Aufruf der asynchronen Python-API sowie die Untersuchung, wie OpenSpace evolvierte Fähigkeiten in SQLite mit Versionsverwaltung und Lineage-Metadaten speichert. Weitere Schritte umfassen die Erstellung einer benutzerdefinierten SKILL.md, die Verbindung von Host-Agent-Skills, das Testen der Warm-Task-Wiederverwendung, den Start des streambaren HTTP-MCP-Servers und die Analyse der Showcase-Evolutionsdatenbank, um zu verstehen, wie FIX-, DERIVED- und CAPTURED-Skills kostengünstigere, wiederverwendbare Agentenverhaltensweisen ermöglichen.

Umgebungseinrichtung

Zunächst wird die Python-Laufzeitumgebung überprüft, die erforderlichen API-Zugangsdaten definiert sowie das OpenSpace-Modell und optionale Cloud-Zugriffseinstellungen konfiguriert. Das Repository wird mit Sparse Checkout geklont, das Paket im Editable-Modus installiert und die Verfügbarkeit der OpenSpace-Kommandozeilen-Tools bestätigt. Anschließend werden Workspace- und Skill-Verzeichnisse erstellt, Umgebungskonfigurationsdateien geschrieben, die erforderlichen Variablen exportiert und das System erkennt, ob die Live-LLM-Ausführung aktiviert ist.

Aufgaben-Ausführung und Skill-Evolution

In Google Colab wird die asynchrone Ausführung initialisiert und eine wiederverwendbare Funktion definiert, um Aufgaben über die OpenSpace-Python-API einzureichen. Eine erste Gehaltsabrechnungs-Generierungsaufgabe wird ausgeführt, gefolgt von der Untersuchung aller Skills, die OpenSpace während der Post-Execution-Analyse entwickelt. Die SQLite-Datenbankstruktur wird untersucht, gespeicherte Einträge werden angezeigt und das Skill-Register sowie die Typdefinitionen werden als programmatisch zugänglich verifiziert.

Anschließend wird eine verwandte Gehaltsabrechnungsaufgabe eingereicht, um zu beobachten, wie OpenSpace Fähigkeiten aus zuvor generierten Skills wiederverwendet oder ableitet – ein Design, das wiederholte LLM-Aufrufe sowie die damit verbundenen Kosten und Latenzen reduzieren kann, anstatt jedes Mal dasselbe Problem von Grund auf neu zu lösen. Eine benutzerdefinierte SKILL.md wird erstellt, um den Agenten anzuweisen, CSV-Dateien zu analysieren und strukturierte Markdown-Berichte zu erstellen. OpenSpace-Host-Skills werden installiert, ein Demonstrationsdatensatz wird generiert und die benutzerdefinierte Fähigkeit wird über denselben evolvierenden Agenten-Workflow ausgeführt.

MCP-Server-Integration

Der OpenSpace-MCP-Server wird mit dem streambaren HTTP-Transport gestartet und an einen lokalen Colab-Endpunkt gebunden. MCP (Model Context Protocol), von Anthropic als offener Standard zur Verbindung von KI-Modellen mit externen Tools und Datenquellen eingeführt, verleiht OpenSpace-Skills eine standardisierte Schnittstelle, die jeder MCP-kompatible Agenten-Client nutzen kann. Der Endpunkt wird getestet, um zu bestätigen, dass der Server-Prozess läuft, selbst wenn eine einfache HTTP-Anfrage einen MCP-spezifischen Antwortstatus zurückgibt. Eine Beispiel-MCP-Host-Konfiguration wird generiert, die es externen Agenten ermöglicht, auf den OpenSpace-Workspace und die Skill-Verzeichnisse zuzugreifen.

Wenn ein gültiger Cloud-API-Schlüssel verfügbar ist, wird der benutzerdefinierte Skill bedingt in die OpenSpace-Cloud-Community hochgeladen. Die Showcase-SQLite-Datenbank des Repositories wird untersucht, um gespeicherte Skills, Metadaten, Qualitätsinformationen und die vollständige Evolutions-Lineage zu studieren. Abschließend werden Skills nach Ursprungstyp aggregiert.

Fazit

Das Tutorial etabliert eine praktische OpenSpace-Umgebung, die demonstriert, wie Agenten-Fähigkeiten ausgeführt, persistiert, wiederverwendet und schrittweise verbessert werden. Durch die direkte Arbeit mit der Python-API, lokalen Skill-Verzeichnissen, SQLite-gestützten Registern, MCP-Transporten und optionalen Cloud-Skill-Sharing-Befehlen bietet der Prozess Einblick in sowohl den benutzerseitigen Workflow als auch die zugrundeliegende Skill-Engine-Architektur. Verwandte Aufgaben können zuvor evolviertes Wissen wiederverwenden, benutzerdefinierte Skills werden zur Laufzeit entdeckbar, und Lineage-Einträge machen die Entwicklungsgeschichte jeder Fähigkeit sichtbar – was ein solides Fundament für den Aufbau selbst-evolvierender, kosteneffizienter Agentensysteme in Colab bietet. Mit der Reife des Frameworks und seines Community-Skill-Sharing-Ökosystems wird die wachsende Bibliothek vorevolvierter, wiederverwendbarer Fähigkeiten ein wesentlicher Faktor für Teams sein, die Agenten-Plattformen evaluieren.

Der vollständige Code für dieses Tutorial ist hier verfügbar. Das OpenSpace-Projekt-Repository ist auf GitHub verfügbar.