Ce tutoriel présente la création et l’examen d’un flux de travail OpenSpace, depuis la configuration de l’environnement et le clonage épars du dépôt jusqu’à l’exécution de tâches en direct, l’évolution des compétences et l’intégration d’agents basée sur MCP. OpenSpace, développé par le groupe de recherche HKUDS, est un framework open source qui permet aux agents IA de créer, stocker et réutiliser leurs propres capacités sur plusieurs tâches, répondant ainsi à une limite importante des systèmes d’agents actuels, qui repartent généralement de zéro à chaque interaction et entraînent des coûts LLM répétés. Le processus couvre la configuration des identifiants de modèle et des variables d’espace de travail, l’installation du projet en mode modifiable, l’appel de l’API Python asynchrone et l’examen de la manière dont OpenSpace stocke les capacités évoluées dans SQLite avec des métadonnées de versionnage et de lignage. Les étapes supplémentaires incluent la création d’un fichier SKILL.md personnalisé, la connexion des compétences hôte-agent, le test de la réutilisation de tâches « warm », le lancement du serveur MCP HTTP diffusable et l’analyse de la base de données d’évolution de démonstration afin de comprendre comment les compétences FIX, DERIVED et CAPTURED permettent un comportement d’agent réutilisable et moins coûteux.

Configuration de l’environnement

Tout d’abord, l’environnement d’exécution Python est vérifié, les identifiants API requis sont définis, et le modèle OpenSpace ainsi que les paramètres facultatifs d’accès au cloud sont configurés. Le dépôt est cloné à l’aide d’un sparse checkout, le package est installé en mode modifiable, et la disponibilité des outils en ligne de commande OpenSpace est confirmée. Les répertoires d’espace de travail et de compétences sont ensuite créés, les fichiers de configuration d’environnement sont écrits, les variables requises sont exportées, et le système détecte si l’exécution LLM en direct est activée.

Exécution des tâches et évolution des compétences

L’exécution asynchrone est initialisée dans Google Colab, et une fonction réutilisable est définie pour soumettre des tâches via l’API Python d’OpenSpace. Une première tâche de génération de paie est exécutée, suivie de l’inspection des compétences qu’OpenSpace fait éventuellement évoluer lors de l’analyse post-exécution. La structure de la base de données SQLite est examinée, les enregistrements stockés sont affichés, et l’accessibilité programmatique du registre des compétences et des définitions de types est vérifiée.

Une tâche de paie connexe est ensuite soumise afin d’observer comment OpenSpace réutilise ou dérive des capacités à partir de compétences générées précédemment — une conception qui peut réduire les appels LLM répétés ainsi que les coûts et la latence associés, plutôt que de résoudre le même problème depuis le début à chaque fois. Un fichier SKILL.md personnalisé est créé pour demander à l’agent d’analyser des fichiers CSV et de produire des rapports Markdown structurés. Les compétences hôtes d’OpenSpace sont installées, un jeu de données de démonstration est généré, et la capacité personnalisée est exécutée via le même flux de travail d’agent évolutif.

Intégration du serveur MCP

Le serveur MCP d’OpenSpace est lancé à l’aide du transport HTTP diffusable et relié à un point de terminaison Colab local. MCP (Model Context Protocol), introduit par Anthropic comme standard ouvert pour connecter des modèles d’IA à des outils et sources de données externes, fournit aux compétences OpenSpace une interface standardisée que tout client d’agent compatible MCP peut utiliser. Le point de terminaison est sondé afin de confirmer que le processus serveur est en cours d’exécution, même lorsqu’une requête HTTP de base renvoie un statut de réponse propre à MCP. Un exemple de configuration d’hôte MCP est généré, permettant à des agents externes d’accéder à l’espace de travail et aux répertoires de compétences OpenSpace.

Lorsqu’une clé API cloud valide est disponible, la compétence personnalisée est téléversée de manière conditionnelle vers la communauté cloud OpenSpace. La base de données SQLite de démonstration du dépôt est inspectée afin d’étudier les compétences stockées, les métadonnées, les informations de qualité et le lignage complet de l’évolution. Enfin, les compétences sont agrégées par type d’origine.

Conclusion

Le tutoriel établit un environnement OpenSpace pratique démontrant comment les capacités d’agents sont exécutées, persistées, réutilisées et progressivement améliorées. En travaillant directement avec l’API Python, les répertoires locaux de compétences, les registres adossés à SQLite, les transports MCP et les commandes facultatives de partage de compétences dans le cloud, le processus offre une visibilité à la fois sur le flux de travail côté utilisateur et sur l’architecture sous-jacente du moteur de compétences. Les tâches connexes peuvent réutiliser des connaissances précédemment évoluées, les compétences personnalisées deviennent détectables à l’exécution, et les enregistrements de lignage exposent l’historique de développement de chaque capacité, offrant ainsi une base solide pour créer des systèmes d’agents auto-évolutifs et économes en coûts dans Colab. À mesure que le framework et son écosystème communautaire de partage de compétences mûrissent, la bibliothèque croissante de capacités réutilisables pré-évoluées constituera un facteur clé à surveiller pour les équipes évaluant des plateformes d’agents.

Le code complet de ce tutoriel est disponible ici. Le dépôt du projet OpenSpace est disponible sur GitHub.