Questo tutorial illustra la costruzione e l’analisi di un workflow OpenSpace, dalla configurazione dell’ambiente e dalla clonazione sparse del repository fino all’esecuzione live dei task, all’evoluzione delle skill e all’integrazione degli agenti basata su MCP. OpenSpace, sviluppato dal gruppo di ricerca HKUDS, è un framework open source che consente agli agenti AI di costruire, archiviare e riutilizzare le proprie capacità tra task diversi, affrontando un limite rilevante degli attuali sistemi agentici, che in genere ripartono da zero a ogni interazione e comportano costi LLM ripetuti. Il processo copre la configurazione delle credenziali del modello e delle variabili dell’area di lavoro, l’installazione del progetto in modalità modificabile, l’invocazione dell’API Python asincrona e l’ispezione del modo in cui OpenSpace archivia in SQLite le capacità evolute, con metadati di versioning e lineage. Ulteriori passaggi includono la creazione di un file SKILL.md personalizzato, il collegamento delle skill host-agent, il test del riuso per task già “riscaldati”, l’avvio del server MCP HTTP streamable e l’analisi del database di showcase evolution per comprendere come le skill FIX, DERIVED e CAPTURED abilitino comportamenti agentici riutilizzabili e a costo inferiore.

Configurazione dell’ambiente

Per prima cosa viene verificato il runtime Python, vengono definite le credenziali API richieste e vengono configurati il modello OpenSpace insieme alle impostazioni opzionali di accesso cloud. Il repository viene clonato tramite sparse checkout, il pacchetto viene installato in modalità modificabile e viene confermata la disponibilità degli strumenti da riga di comando di OpenSpace. Successivamente vengono create le directory dell’area di lavoro e delle skill, vengono scritti i file di configurazione dell’ambiente, vengono esportate le variabili richieste e il sistema rileva se l’esecuzione live degli LLM è abilitata.

Esecuzione dei task ed evoluzione delle skill

L’esecuzione asincrona viene inizializzata in Google Colab e viene definita una funzione riutilizzabile per inviare task tramite l’API Python di OpenSpace. Viene eseguito un task iniziale di generazione delle buste paga, seguito dall’ispezione di eventuali skill che OpenSpace evolve durante l’analisi post-esecuzione. La struttura del database SQLite viene esaminata, i record archiviati vengono visualizzati e viene verificato che il registro delle skill e le definizioni dei tipi siano accessibili a livello di programmazione.

Viene quindi inviato un task correlato sulle buste paga per osservare come OpenSpace riutilizzi o derivi capacità dalle skill generate in precedenza: un design che può ridurre le chiamate LLM ripetute e i relativi costi e latenze, invece di risolvere lo stesso problema da zero ogni volta. Viene creato un file SKILL.md personalizzato per istruire l’agente ad analizzare file CSV e produrre report Markdown strutturati. Vengono installate le skill host di OpenSpace, viene generato un dataset dimostrativo e la capacità personalizzata viene eseguita attraverso lo stesso workflow agentico evolutivo.

Integrazione del server MCP

Il server MCP di OpenSpace viene avviato utilizzando il trasporto HTTP streamable e associato a un endpoint Colab locale. MCP (Model Context Protocol), introdotto da Anthropic come standard aperto per collegare modelli AI a strumenti e fonti di dati esterni, fornisce alle skill OpenSpace un’interfaccia standardizzata che qualsiasi client agentico compatibile con MCP può utilizzare. L’endpoint viene interrogato per confermare che il processo del server sia in esecuzione, anche quando una richiesta HTTP di base restituisce uno stato di risposta specifico di MCP. Viene generata una configurazione host MCP di esempio, consentendo ad agenti esterni di accedere all’area di lavoro e alle directory delle skill di OpenSpace.

Quando è disponibile una chiave API cloud valida, la skill personalizzata viene caricata in modo condizionale nella community cloud di OpenSpace. Il database SQLite di showcase del repository viene ispezionato per studiare skill archiviate, metadati, informazioni sulla qualità e lineage completa dell’evoluzione. Infine, le skill vengono aggregate per tipo di origine.

Conclusione

Il tutorial definisce un ambiente OpenSpace pratico che dimostra come le capacità degli agenti vengano eseguite, persistite, riutilizzate e migliorate progressivamente. Lavorando direttamente con l’API Python, le directory locali delle skill, i registri basati su SQLite, i trasporti MCP e i comandi opzionali di condivisione cloud delle skill, il processo offre visibilità sia sul workflow rivolto all’utente sia sull’architettura sottostante dello skill engine. I task correlati possono riutilizzare conoscenze evolute in precedenza, le skill personalizzate diventano individuabili a runtime e i record di lineage espongono la storia di sviluppo di ciascuna capacità, offrendo una base solida per costruire sistemi agentici auto-evolutivi ed efficienti in termini di costi in Colab. Con la maturazione del framework e del suo ecosistema di condivisione delle skill della community, la libreria in crescita di capacità pre-evolute e riutilizzabili sarà un fattore chiave da monitorare per i team che valutano piattaforme agentiche.

Il codice completo di questo tutorial è disponibile qui. Il repository del progetto OpenSpace è disponibile su GitHub.