用OpenSpace构建自进化AI智能体：技能复用与血统追踪

环境配置与项目初始化

本教程以可复现的Python环境为起点，要求Python 3.12+版本。首先验证运行时版本，随后设置Anthropic或OpenAI API密钥（如未提供则跳过实时执行步骤）。接着通过稀疏检出（sparse checkout）方式克隆HKUDS团队维护的OpenSpace仓库（https://github.com/HKUDS/OpenSpace），仅拉取核心代码路径，排除大型资源文件（如`/assets/`目录），显著降低初始下载开销。项目以可编辑模式（`-e`）安装，并同步部署`nest_asyncio`等必要依赖，确保异步API调用兼容性。

工作区与技能目录构建

系统创建两个关键路径：`/content/openspace_workspace`作为主工作区，用于存放运行时状态与数据库；`/content/my_agent_skills`作为用户自定义技能目录。环境变量（如`OPENSPACE_MODEL=anthropic/claude-sonnet-4-5`、`OPENSPACE_WORKSPACE`、`OPENSPACE_HOST_SKILL_DIRS`）被写入项目内`.env`文件及用户级`.env`，并注入当前进程环境。该配置使OpenSpace能识别本地技能、指定大模型后端，并启用可选的云服务连接。

异步任务执行与技能演化观测

在启用LLM密钥前提下，调用异步Python API执行典型任务：'编写一个解析员工工时CSV并计算含加班费（超40小时部分按1.5倍计）的周薪函数，使用合成小样本测试并输出结果'。执行完成后，返回结构化响应，其中`evolved_skills`字段明确列出本次任务中新生成或优化的技能条目，包括技能名称及其来源（origin），直观体现“任务驱动的技能进化”过程。

技能持久化与血统元数据管理

OpenSpace将所有演化出的能力持久化至SQLite数据库（默认路径为工作区下的`.openspace/openspace.db`）。教程提供辅助函数`dump_db()`，用于导出数据库表结构及样例数据。关键表包含`skills`（记录技能定义、版本号、创建时间）、`lineage`（追踪技能间的派生关系，如`FIX`表示修复型更新、`DERIVED`表示由其他技能推导生成、`CAPTURED`表示从历史任务中自动提取）以及`executions`（保存每次任务输入、输出与关联技能ID）。该设计支持细粒度版本控制与可追溯的行为演化路径。

MCP服务与技能复用机制

教程进一步演示启动流式HTTP MCP（Model Control Protocol）服务器（`openspace-mcp`），使外部系统可通过标准接口调用已注册技能。用户可创建自定义`SKILL.md`文档描述技能功能、输入输出规范与示例，再通过配置将主机（host）与智能体（agent）技能双向绑定。结合“热任务复用”（warm-task reuse）机制——即对相似任务直接调用已验证技能而非重新生成——显著降低推理成本与延迟。最终，整个流程形成闭环：任务触发→技能演化→元数据记录→低成本复用→服务化暴露。

展示数据库分析与能力分类

通过对示例演化数据库的分析，教程揭示三类核心技能形态：`FIX`类对应缺陷修正与稳定性增强；`DERIVED`类体现知识迁移与组合创新；`CAPTURED`类则源自任务执行日志的自动化归纳。这三者共同支撑OpenSpace实现“更低边际成本、更高复用率”的智能体行为演进范式，区别于传统一次性提示工程或静态微调方案。

编者观点：该框架为中国AI原生应用开发者提供了轻量、可控、可审计的智能体演化基础设施参考——尤其适合需兼顾敏捷迭代与合规留痕的金融、政务、制造等垂直领域。