当Claude Code、OpenClaw、Cursor们变得越来越强大，一个被忽视的致命弱点始终存在：它们从不从经验中学习——每次任务都从零推理，浪费Token；上一个Agent踩过的坑，下一个Agent再踩一遍；手写的Skill随API变化悄悄损坏，没有人知道。香港大学数据科学实验室（HKUDS）于2026年3月开源的OpenSpace正是为解决这一痛点而生。
这个项目将自己定位为AI Agent的技能管理层（Skill Management Layer），让Agent在完成真实任务的过程中自动积累、改进和共享技能——三个月GitHub Star突破6400颗，迅速成为今年最受关注的开源AI基础设施之一。
一、当前Agent的三大痼疾
OpenSpace团队在项目文档中明确指出了现有Agent框架的核心问题：
- Token浪费严重。每次遇到类似任务，Agent都从零开始推理。上次成功解决的模式完全无法复用，造成不必要的成本消耗。
- 重复犯错。Agent A踩过的坑，Agent B在同样的任务上再踩一遍。没有跨Agent的知识共享机制。
- 技能退化。手写的Skill随着API更新、工具变化，悄悄就坏了。没有任何监控和修复机制，直到任务失败才发现。
二、OpenSpace的三大超能力
自进化（Self-Evolution）
OpenSpace为每个Skill配备了四层自动维护机制：AUTO-FIX（执行失败时自动诊断并修复）、AUTO-IMPROVE（将成功执行模式提取为新版本）、AUTO-LEARN（从实际使用中捕获有效工作流），以及质量监控（持续追踪每个Skill的错误率和使用频率）。
真实任务记录
项目特别强调真实任务记录的重要性——Skill是否被选中、是否成功调用、是否完成任务或触发Fallback，这些真实数据构成了质量判断的核心上下文。版本更新时，系统会保留完整的证据链、验证结果和历史记录。
Local-First架构
OpenSpace采用本地优先的设计，Skill和任务记录优先存储在本地，支持加密和隐私保护；同时提供可选的云端同步，实现跨Agent的知识协作与共享。
三、GDPVal基准：任务质量显著提升
HKUDS团队为OpenSpace构建了专门的GDPVal基准测试，模拟真实商业场景中Agent的表现。测试结果显示，接入OpenSpace的Agent相比基线版本，任务完成质量显著提升，部分场景效果提升达4.2倍。这一数据为OpenSpace的实际价值提供了有力证明。
港大OpenSpace的开源，为AI Agent的技能管理提供了新的标准方案，有望推动整个行业向更智能、更自主的方向发展。随着AI技术的不断进步，技能管理将成为Agent系统的核心能力之一，而OpenSpace的出现恰逢其时。
此外，OpenSpace的代码已在GitHub上开源，开发者可自由查看和修改。
