Это руководство описывает создание и изучение рабочего процесса OpenSpace — от настройки среды и разреженного клонирования репозитория до выполнения задач в реальном времени, эволюции навыков и интеграции агентов на базе MCP. OpenSpace, разработанный исследовательской группой HKUDS, представляет собой open-source-фреймворк, который позволяет ИИ-агентам создавать, сохранять и повторно использовать собственные возможности в разных задачах, устраняя ключевое ограничение современных агентных систем, которые обычно начинают каждое взаимодействие с нуля и несут повторяющиеся затраты на LLM. Процесс охватывает настройку учетных данных модели и переменных рабочей области, установку проекта в редактируемом режиме, вызов асинхронного Python API и изучение того, как OpenSpace сохраняет развившиеся возможности в SQLite с метаданными версий и происхождения. Дополнительные шаги включают создание пользовательского SKILL.md, подключение навыков host-agent, тестирование повторного использования для «теплых» задач, запуск потокового HTTP MCP-сервера и анализ демонстрационной базы данных эволюции, чтобы понять, как навыки FIX, DERIVED и CAPTURED обеспечивают более дешевое и повторно используемое поведение агентов.

Настройка среды

Сначала проверяется среда выполнения Python, задаются необходимые учетные данные API, а также настраиваются модель OpenSpace и дополнительные параметры облачного доступа. Репозиторий клонируется с помощью sparse checkout, пакет устанавливается в редактируемом режиме, после чего подтверждается доступность инструментов командной строки OpenSpace. Затем создаются каталоги рабочей области и навыков, записываются файлы конфигурации среды, экспортируются необходимые переменные, а система определяет, включено ли выполнение LLM в реальном времени.

Выполнение задач и эволюция навыков

В Google Colab инициализируется асинхронное выполнение, а также определяется переиспользуемая функция для отправки задач через Python API OpenSpace. Выполняется начальная задача генерации расчетов заработной платы, после чего анализируются навыки, которые OpenSpace развивает в ходе постисполнительного анализа. Изучается структура базы данных SQLite, отображаются сохраненные записи, а также проверяется, что реестр навыков и определения типов доступны программно.

Затем отправляется связанная задача по расчету заработной платы, чтобы проследить, как OpenSpace повторно использует или выводит возможности из ранее созданных навыков. Такая архитектура может сокращать повторные вызовы LLM, а также связанные с ними затраты и задержки, вместо того чтобы каждый раз решать одну и ту же проблему с нуля. Создается пользовательский SKILL.md, который инструктирует агента анализировать CSV-файлы и формировать структурированные отчеты в Markdown. Устанавливаются host-навыки OpenSpace, создается демонстрационный набор данных, а пользовательская возможность выполняется через тот же эволюционирующий рабочий процесс агента.

Интеграция MCP-сервера

MCP-сервер OpenSpace запускается с использованием потокового HTTP-транспорта и привязывается к локальной конечной точке Colab. MCP (Model Context Protocol), представленный Anthropic как открытый стандарт для подключения ИИ-моделей к внешним инструментам и источникам данных, предоставляет навыкам OpenSpace стандартизированный интерфейс, который может использовать любой MCP-совместимый агентный клиент. Конечная точка проверяется, чтобы подтвердить, что серверный процесс работает, даже если базовый HTTP-запрос возвращает специфичный для MCP статус ответа. Генерируется пример конфигурации MCP-хоста, позволяющий внешним агентам получать доступ к рабочей области OpenSpace и каталогам навыков.

При наличии действительного облачного API-ключа пользовательский навык условно загружается в облачное сообщество OpenSpace. Демонстрационная база данных SQLite из репозитория изучается для анализа сохраненных навыков, метаданных, информации о качестве и полной линии эволюционного происхождения. В завершение навыки агрегируются по типу происхождения.

Заключение

Руководство формирует практическую среду OpenSpace, демонстрирующую, как возможности агентов выполняются, сохраняются, повторно используются и постепенно улучшаются. Работа напрямую с Python API, локальными каталогами навыков, реестрами на базе SQLite, MCP-транспортами и дополнительными командами облачного обмена навыками дает представление как о пользовательском рабочем процессе, так и о базовой архитектуре skill-engine. Связанные задачи могут повторно использовать ранее развитые знания, пользовательские навыки становятся обнаруживаемыми во время выполнения, а записи происхождения раскрывают историю разработки каждой возможности, создавая прочную основу для построения саморазвивающихся и экономичных агентных систем в Colab. По мере развития фреймворка и его экосистемы обмена навыками в сообществе растущая библиотека заранее развитых и переиспользуемых возможностей станет важным фактором для команд, оценивающих агентные платформы.

Полный код этого руководства доступен здесь. Репозиторий проекта OpenSpace доступен на GitHub.