本教程介绍如何构建并检查一个 OpenSpace 工作流，范围涵盖从环境设置和稀疏仓库克隆，到实时任务执行、技能进化以及基于 MCP 的 Agent 集成。OpenSpace 由 HKUDS 研究小组开发，是一个开源框架，使 AI Agent 能够在任务之间构建、存储并复用自身能力，从而解决当前 Agent 系统的一个关键局限：它们通常在每次交互时都从零开始，并产生重复的 LLM 成本。该流程涵盖配置模型凭证和工作区变量、以可编辑模式安装项目、调用异步 Python API，以及检查 OpenSpace 如何在 SQLite 中存储带有版本控制和谱系元数据的进化能力。其他步骤包括创建自定义 SKILL.md、连接主机端 Agent 技能、测试热任务复用、启动可流式传输的 HTTP MCP 服务器，并分析展示用进化数据库，以了解 FIX、DERIVED 和 CAPTURED 技能如何支持更低成本、可复用的 Agent 行为。

环境设置

首先，验证 Python 运行时，定义所需 API 凭证，并配置 OpenSpace 模型以及可选的云访问设置。随后使用稀疏检出克隆仓库，以可编辑模式安装软件包，并确认 OpenSpace 命令行工具可用。接着创建工作区和技能目录，写入环境配置文件，导出所需变量，并检测是否启用了实时 LLM 执行。

任务执行与技能进化

在 Google Colab 中初始化异步执行，并定义一个可复用函数，通过 OpenSpace Python API 提交任务。随后执行一个初始的薪资生成任务，并检查 OpenSpace 在执行后分析期间进化出的任何技能。教程还检查 SQLite 数据库结构，显示已存储记录，并验证技能注册表和类型定义可通过程序访问。

之后提交一个相关的薪资任务，以观察 OpenSpace 如何复用或从先前生成的技能中派生能力。这种设计可以减少重复的 LLM 调用及其相关成本和延迟，而不是每次都从头解决相同问题。教程还创建一个自定义 SKILL.md，指示 Agent 分析 CSV 文件并生成结构化 Markdown 报告。随后安装 OpenSpace 主机技能，生成演示数据集，并通过同一个不断进化的 Agent 工作流执行该自定义能力。

MCP 服务器集成

OpenSpace MCP 服务器通过可流式传输的 HTTP 传输方式启动，并绑定到本地 Colab 端点。MCP（Model Context Protocol）由 Anthropic 作为连接 AI 模型与外部工具和数据源的开放标准提出，它为 OpenSpace 技能提供了标准化接口，任何兼容 MCP 的 Agent 客户端都可以使用。教程对端点进行探测，以确认服务器进程正在运行，即使基础 HTTP 请求返回的是 MCP 特定的响应状态。随后生成一个示例 MCP 主机配置，使外部 Agent 能够访问 OpenSpace 工作区和技能目录。

当存在有效的云 API 密钥时，自定义技能会被有条件地上传到 OpenSpace 云社区。教程还检查仓库的展示用 SQLite 数据库，以研究已存储技能、元数据、质量信息以及完整的进化谱系。最后，按来源类型聚合技能。

结论

本教程建立了一个实用的 OpenSpace 环境，展示 Agent 能力如何被执行、持久化、复用并逐步改进。通过直接使用 Python API、本地技能目录、由 SQLite 支持的注册表、MCP 传输以及可选的云端技能共享命令，该流程让用户能够同时了解面向用户的工作流和底层技能引擎架构。相关任务可以复用先前进化出的知识，自定义技能能够在运行时被发现，而谱系记录则揭示每项能力的发展历史，为在 Colab 中构建自我进化且具备成本效率的 Agent 系统奠定了坚实基础。随着该框架及其社区技能共享生态的成熟，不断增长的预先进化、可复用能力库将成为评估 Agent 平台的团队需要关注的关键因素。

本教程的完整代码可在此处获取。OpenSpace 项目仓库可在 GitHub 上访问。