Este tutorial recorre la construcción y el examen de un flujo de trabajo de OpenSpace: desde la configuración del entorno y la clonación parcial del repositorio hasta la ejecución de tareas en vivo, la evolución de habilidades y la integración de agentes basada en MCP. OpenSpace, desarrollado por el grupo de investigación HKUDS, es un framework de código abierto que permite a los agentes de IA construir, almacenar y reutilizar sus propias capacidades entre tareas, abordando una limitación clave de los sistemas de agentes actuales, que típicamente reinician en cada interacción e incurren en costos repetidos de LLM. El proceso abarca la configuración de credenciales de modelo y variables de entorno de trabajo, la instalación del proyecto en modo editable, la invocación de la API asíncrona de Python y la inspección de cómo OpenSpace almacena las capacidades evolucionadas en SQLite con versionado y metadatos de linaje. Los pasos adicionales incluyen la creación de un SKILL.md personalizado, la conexión de habilidades de agente anfitrión, la prueba de reutilización de tareas en caliente, el lanzamiento del servidor MCP HTTP transmitible y el análisis de la base de datos de evolución de demostración para comprender cómo las habilidades FIX, DERIVED y CAPTURED permiten un comportamiento de agente reutilizable y de menor costo.

Configuración del entorno

Primero, se verifica el entorno de ejecución de Python, se definen las credenciales de API requeridas y se configuran el modelo de OpenSpace junto con los ajustes opcionales de acceso a la nube. El repositorio se clona mediante sparse checkout, el paquete se instala en modo editable y se confirma la disponibilidad de las herramientas de línea de comandos de OpenSpace. Luego se crean los directorios de espacio de trabajo y habilidades, se escriben los archivos de configuración del entorno, se exportan las variables requeridas y el sistema detecta si la ejecución en vivo del LLM está habilitada.

Ejecución de tareas y evolución de habilidades

Se inicializa la ejecución asíncrona en Google Colab y se define una función reutilizable para enviar tareas a través de la API de Python de OpenSpace. Se ejecuta una tarea inicial de generación de nóminas, seguida de la inspección de cualquier habilidad que OpenSpace evoluciona durante el análisis posterior a la ejecución. Se examina la estructura de la base de datos SQLite, se muestran los registros almacenados y se verifica que el registro de habilidades y las definiciones de tipos sean accesibles de forma programática.

Luego se envía una tarea de nóminas relacionada para observar cómo OpenSpace reutiliza o deriva capacidades de habilidades generadas previamente, un diseño que puede reducir las llamadas repetidas al LLM y su costo y latencia asociados, en lugar de resolver el mismo problema desde cero cada vez. Se crea un SKILL.md personalizado para instruir al agente a analizar archivos CSV y producir informes estructurados en Markdown. Se instalan las habilidades de agente anfitrión de OpenSpace, se genera un conjunto de datos de demostración y la capacidad personalizada se ejecuta a través del mismo flujo de trabajo de agente evolutivo.

Integración del servidor MCP

El servidor MCP de OpenSpace se inicia utilizando el transporte HTTP transmitible y se vincula a un endpoint local de Colab. MCP (Model Context Protocol), introducido por Anthropic como un estándar abierto para conectar modelos de IA con herramientas y fuentes de datos externas, proporciona a las habilidades de OpenSpace una interfaz estandarizada que cualquier cliente de agente compatible con MCP puede consumir. Se examina el endpoint para confirmar que el proceso del servidor está en ejecución, incluso cuando una solicitud HTTP básica devuelve un estado de respuesta específico de MCP. Se genera una configuración de host MCP de ejemplo que permite a los agentes externos acceder al espacio de trabajo y a los directorios de habilidades de OpenSpace.

Cuando hay una clave de API de nube válida disponible, la habilidad personalizada se carga condicionalmente en la comunidad en la nube de OpenSpace. Se inspecciona la base de datos SQLite de demostración del repositorio para estudiar las habilidades almacenadas, los metadatos, la información de calidad y el linaje de evolución completo. Finalmente, se agrupan las habilidades por tipo de origen.

Conclusión

El tutorial establece un entorno práctico de OpenSpace que demuestra cómo las capacidades de los agentes se ejecutan, persisten, reutilizan y mejoran progresivamente. Al trabajar directamente con la API de Python, los directorios locales de habilidades, los registros respaldados en SQLite, los transportes MCP y los comandos opcionales de intercambio de habilidades en la nube, el proceso proporciona visibilidad tanto del flujo de trabajo orientado al usuario como de la arquitectura subyacente del motor de habilidades. Las tareas relacionadas pueden reutilizar conocimiento previamente evolucionado, las habilidades personalizadas se vuelven detectables en tiempo de ejecución y los registros de linaje exponen el historial de desarrollo de cada capacidad, ofreciendo una base sólida para construir sistemas de agentes autoevolutivos y eficientes en costos en Colab. A medida que el framework y su ecosistema de intercambio de habilidades comunitario maduren, la creciente biblioteca de capacidades pre-evolucionadas y reutilizables será un factor clave a monitorear para los equipos que evalúan plataformas de agentes.

El código completo de este tutorial está disponible aquí. El repositorio del proyecto OpenSpace está disponible en GitHub.