本教學逐步說明如何建構並檢視 OpenSpace 工作流程，從環境設定與稀疏儲存庫複製，到即時任務執行、技能演進，以及基於 MCP 的代理整合。OpenSpace 由 HKUDS 研究團隊開發，是一個開源框架，可讓 AI 代理跨任務建立、儲存並重用自身能力，解決當今代理系統的一項關鍵限制：這類系統通常在每次互動時都從頭開始，因而產生重複的 LLM 成本。流程涵蓋設定模型憑證與工作區變數、以可編輯模式安裝專案、呼叫非同步 Python API，以及檢視 OpenSpace 如何在 SQLite 中以版本控制與譜系中繼資料儲存已演進的能力。其他步驟包括建立自訂 SKILL.md、連接主機代理技能、測試暖任務重用、啟動可串流的 HTTP MCP 伺服器，並分析展示用演進資料庫，以了解 FIX、DERIVED 和 CAPTURED 技能如何實現成本較低且可重用的代理行為。

環境設定

首先，教學會驗證 Python 執行環境、定義必要的 API 憑證，並設定 OpenSpace 模型以及可選的雲端存取設定。儲存庫透過稀疏簽出進行複製，套件以可編輯模式安裝，並確認 OpenSpace 命令列工具可用。接著建立工作區與技能目錄、寫入環境設定檔、匯出必要變數，並由系統偵測是否已啟用即時 LLM 執行。

任務執行與技能演進

在 Google Colab 中初始化非同步執行，並定義一個可重用函式，透過 OpenSpace Python API 提交任務。教學先執行一個初始薪資產生任務，隨後檢查 OpenSpace 在執行後分析期間演進出的任何技能。接著檢視 SQLite 資料庫結構、顯示已儲存紀錄，並驗證技能登錄表與型別定義可透過程式存取。

之後提交一個相關的薪資任務，以觀察 OpenSpace 如何從先前產生的技能中重用或衍生能力；這種設計可減少重複的 LLM 呼叫及其相關成本與延遲，而不是每次都從零解決相同問題。教學建立一個自訂 SKILL.md，指示代理分析 CSV 檔案並產生結構化 Markdown 報告。隨後安裝 OpenSpace 主機技能、產生示範資料集，並透過同一套演進型代理工作流程執行自訂能力。

MCP 伺服器整合

OpenSpace MCP 伺服器使用可串流的 HTTP 傳輸啟動，並綁定至本機 Colab 端點。MCP（Model Context Protocol）由 Anthropic 作為開放標準推出，用於將 AI 模型連接到外部工具與資料來源；它為 OpenSpace 技能提供標準化介面，任何相容 MCP 的代理用戶端都可使用。教學會探測端點以確認伺服器程序正在執行，即使基本 HTTP 請求回傳的是 MCP 特定的回應狀態。接著產生一個範例 MCP 主機設定，讓外部代理能夠存取 OpenSpace 工作區與技能目錄。

當具備有效的雲端 API 金鑰時，自訂技能會有條件地上傳到 OpenSpace 雲端社群。教學檢視儲存庫的展示用 SQLite 資料庫，以研究已儲存技能、中繼資料、品質資訊，以及完整的演進譜系。最後，技能會依來源類型彙總。

結論

本教學建立了一個實用的 OpenSpace 環境，展示代理能力如何被執行、持久化、重用並逐步改進。透過直接使用 Python API、本機技能目錄、以 SQLite 支援的登錄表、MCP 傳輸，以及可選的雲端技能分享命令，整個流程讓使用者能看見面向使用者的工作流程與底層技能引擎架構。相關任務可以重用先前演進出的知識，自訂技能會在執行期間變得可被發現，而譜系紀錄則揭示每項能力的開發歷史，為在 Colab 中建構自我演進且具成本效率的代理系統奠定穩固基礎。隨著該框架及其社群技能分享生態系逐漸成熟，對於評估代理平台的團隊而言，不斷成長的預先演進、可重用能力庫將是值得持續關注的關鍵因素。

本教學的完整程式碼可在這裡取得。OpenSpace 專案儲存庫可在 GitHub 取得。