Un tutorial di MarkTechPost costruisce passo passo un workflow con OpenSpace (progetto HKUDS), un framework per agenti che generano e riutilizzano skill. Il percorso parte dal setup dell’ambiente e dal clone sparse del repository, prosegue con l’installazione in editable mode e l’uso dell’API Python asincrona, e arriva a esaminare come OpenSpace archivia le capacità evolute.
Il cuore dell’approccio è la persistenza delle skill in SQLite, con versioning e metadati di lineage. Quando l’agente completa un task, in fase di analisi post-esecuzione può generare una skill riutilizzabile; a un task successivo e correlato, invece di ripartire da zero, riusa o deriva la capacità già prodotta. Nel database di showcase le skill sono classificate per origine — FIX, DERIVED, CAPTURED — proprio per rendere leggibile come ogni capacità è nata ed è evoluta.
Perché interessa a chi costruisce agenti
Il messaggio pratico è che il riuso abbassa il costo. Con skill già disponibili, i task ripetitivi consumano meno token, perché l’agente non deve riscrivere ogni volta la stessa logica. Il tutorial mostra un caso concreto: una skill di calcolo del payroll da CSV che viene poi estesa (aggiungendo ritenute fiscali per ottenere il netto) riutilizzando la capacità precedente.
L’altro elemento rilevante è l’integrazione via MCP. OpenSpace può avviare un server MCP su transport streamable HTTP, così che altri agenti compatibili con il formato SKILL.md — come Claude Code o Codex — possano accedere allo stesso workspace e alle stesse skill. Nel tutorial si crea anche un SKILL.md personalizzato (un generatore di report Markdown da CSV) che l’agente scopre a runtime, e si installano skill host come delegate-task e skill-discovery. Il modello usato negli esempi è anthropic/claude-sonnet-4-5.
È materiale da laboratorio, non uno standard di produzione: mostra un pattern — capacità persistite, versionate e riusabili — più che una libreria da adottare così com’è. Ma la direzione, verso agenti che accumulano e condividono skill invece di ricominciare a ogni run, è quella che conta.
In sintesi
- OpenSpace persiste le skill in SQLite con versioning e lineage (origini FIX, DERIVED, CAPTURED).
- Il riuso di skill già evolute riduce il consumo di token sui task correlati.
- Le skill si espongono via MCP (streamable HTTP) e sono condivisibili con agenti che leggono SKILL.md.
Fonte: Building Self-Evolving AI Agents with OpenSpace Using Skills, MCP, Lineage, and Low-Cost Reuse — https://www.marktechpost.com/2026/07/25/building-self-evolving-ai-agents-with-openspace-using-skills-mcp-lineage-and-low-cost-reuse/
Hai qualcosa da aggiungere? Unisciti alla discussione.