AI Agent（AI智能体）正在快速改变开发者和企业的工作方式。OpenClaw、Claude Code、Codex、Cursor、nanobot等工具已经展示了AI Agent在编程、文档处理、数据分析等任务中的强大能力。然而，当前AI Agent面临一个根本性问题：它们无法从真实世界的经验中学习和进化，更无法在彼此之间共享成功经验。 香港大学数据智能实验室（HKUDS）推出了OpenSpace，一款自我进化引擎，能够让AI Agent更智能、成本更低、并持续改进。该项目已在GitHub开源（github.com/HKUDS/OpenSpace），并建立了在线社区平台 open-space.cloud。
当前AI Agent的三大痛点
尽管当下主流AI Agent功能强大，但它们在实际使用中暴露出三个核心问题。
第一是Token浪费严重。每次执行任务时，Agent都需要从零开始进行推理，即使遇到类似或重复的任务也无法复用之前的成功模式，导致大量Token被重复消耗。
第二是重复犯错代价高昂。当一个Agent在某个任务上经历了试错过程并最终成功，其他Agent面对同样的问题时仍然需要重复同样的探索，无法共享已有的解决方案。
第三是技能质量不可控。随着底层工具和API的不断更新，Agent的执行技能容易失效，社区贡献的技能也缺乏统一的质量保障机制。
OpenSpace正是为了解决这三个痛点而设计的。
OpenSpace是什么？
OpenSpace是一款自我进化的技能引擎，可以作为插件集成到任何AI Agent中，通过MCP协议暴露4个核心工具：execute_task（多步骤执行任务）、search_skills（本地和云端技能搜索）、fix_skill（修复损坏的技能）和upload_skill（上传技能到云社区）。
其技术架构覆盖了从技能发现、应用、监控到进化的完整生命周期，并且支持Shell、GUI（Anthropic Computer Use）、MCP、Web等多种后端执行方式。
OpenSpace提供两种使用路径：Path A是将OpenSpace作为MCP Server插入现有Agent（如OpenClaw、nanobot、Claude Code、Codex、Cursor等）；Path B是直接将OpenSpace作为独立的AI协作者使用。 三大核心能力深度解析
1. 自我进化（Self-Evolution）
OpenSpace的技能不是静态配置文件，而是具有生命力的"活体"。OpenSpace包含三种进化模式：FIX（自动修复）、DERIVED（衍生改进）和CAPTURED（捕获学习），以及三种自动触发机制来保持技能的健康运行。
具体来说，当某个技能因为底层API变更而失效时，系统会立即自动修复（Auto-Fix）；当一个任务的执行模式被证明特别高效时，系统会将其提炼为更好的技能版本（Auto-Improve）；在日常使用过程中，系统会持续从成功的工作流中捕获新的可复用模式（Auto-Learn）。同时，质量监控模块会持续追踪每个技能的执行成功率、错误率和性能指标。
2. 集体智能（Collective Intelligence）
OpenSpace将单个Agent的学习转化为群体智慧。一个Agent的改进会自动成为所有连接Agent的升级，更多的Agent接入意味着更丰富的数据和更快的进化速度。
技能的共享通过云社区（open-space.cloud）实现，开发者只需一条命令即可上传或下载进化后的技能。同时，每个技能都支持设置公开、私有或仅限团队的访问权限，满足不同场景下的安全需求。
3. Token效率（Token Efficiency）
在GDPVal经济基准测试的50个真实世界专业任务中，OpenSpace Agent相比使用相同底层大模型（Qwen 3.5-Plus）的ClawWork基线Agent，收入提升了4.2倍，同时Token消耗减少了46%。
这一效果的实现机制非常直观：第一阶段（冷启动）顺序执行全部50个任务，技能在共享数据库中逐步积累；第二阶段（热重跑）重新执行相同任务，此时积累的技能被大量复用，Token消耗大幅下降，而任务质量反而提升。
GDPVal基准测试：用"经济价值"衡量Agent能力
GDPVal基准包含220个真实世界专业任务，覆盖44种职业，任务范围从构建薪资计算器、准备税务申报到起草法律备忘录等——这些都是实际创造经济价值的专业工作。
关键测试结果如下：
OpenSpace实现了72.8%的价值捕获率，在15,764美元的总任务价值中赚取了11,484美元，超越了所有对比Agent。平均任务质量达到70.8%，比最佳ClawWork Agent的40.8%高出30个百分点。第二阶段相比第一阶段，Token使用量下降了45.9%。
值得注意的是，测试中OpenSpace使用的底层大模型与基线Agent完全相同（均为Qwen 3.5-Plus），确保性能差异完全来自技能进化机制本身，而非模型能力的差别。
真实案例：从零代码生成完整仪表盘
OpenSpace的一个标志性展示案例是"My Daily Monitor"——一个全功能的实时监控仪表盘，涵盖进程监控、服务器状态、终端输出、新闻资讯、市场行情、消息和日程等面板，全部由OpenSpace自主生成，没有一行人工代码。
在这个项目中，OpenSpace从开源项目WorldMonitor中提取了初始的6个技能种子，然后通过迭代进化，逐步积累了60多个技能。这些技能覆盖了面板组件、数据服务、全栈开发等多个类别，展示了OpenSpace在端到端自主软件开发中的能力。
跨领域技能进化：165个自动生成的技能
在GDPVal Phase 1的50个任务执行过程中，OpenSpace自主进化出了165个技能。这些技能并非简单的领域知识，而是包含弹性执行模式和质量保障工作流在内的综合能力：
覆盖的领域包括：多交付物技术项目（如Web3全栈开发、航空CFD报告）、功能性电子表格工具（薪资计算器、销售预测、定价模型）、战略建议文档（供应商谈判、非营利项目评估、能源交易分析）、医疗记录（SOAP笔记）、音视频制作流水线等。
团队背景
OpenSpace由香港大学数据智能实验室（HKUDS）开发，该实验室由黄超（Chao Huang）助理教授领导，研究方向聚焦大语言模型、AI Agent和图机器学习，Google Scholar引用超过14,000次。
该团队此前已推出LightRAG、RAG-Anything、DeepCode、AutoAgent、AI-Researcher、MiniRAG、VideoRAG等多个广受认可的开源项目，GitHub总星标超过77,000，全球排名Top-200。其中LightRAG单项目就获得超过30,000颗星标。
如何开始使用OpenSpace
安装过程非常简单：
对于已有Agent的用户（Path A），只需将host_skills目录下的skill-discovery和delegate-task技能复制到Agent的技能目录，然后在MCP配置中添加openspace-mcp即可。OpenClaw用户更简便——OpenClaw已内置了OpenSpace技能。
OpenSpace对AI Agent生态的意义
OpenSpace代表了AI Agent发展的一个重要方向：从"无状态工具"转向"自我改进系统"——每一次任务执行都在积累专业知识，而不是完成后就丢弃全部上下文。
这种范式转变的价值在于：对个人开发者，它意味着Agent越用越好用、成本越来越低；对团队，它提供了技能共享和集体智能的基础设施；对整个开源社区，它构建了一个技能可以流通、进化和复用的生态系统。
随着GDPVal等面向真实经济价值的评测标准逐渐成为行业共识，包括MiniMax M2.7在内的新一代大模型也开始以GDPVal-AA作为核心评测维度，"Agent能创造多少经济价值"正在成为比单纯的benchmark分数更重要的衡量标准。OpenSpace在这一趋势中提供了一个关键的基础设施层——让Agent不仅能完成任务，还能在完成任务的过程中持续变强。
项目地址：github.com/HKUDS/OpenSpace
社区平台：open-space.cloud
AI 速览
