你花了两周调好的 Agent，上线第三天，换了个会话——它又犯同样的错。
这不是偶发故障。这是结构性问题： 当前所有主流 Agent 框架都没有记忆机制 。每次会话从零开始，每次重置代价全由用户承担。Prompt 调优的成果，保不住；多 Agent 协作的经验，传不了。
OpenSpace 解决这个问题： 让 Agent 从经验中学习，并把学到的东西分享给其他 Agent。
OpenSpace 是 HKUDS（香港大学数据科学实验室）开源的 AI Agent 自进化框架，GitHub 6371 ⭐，定位是 Agent 的「记忆与共享层」。
核心思路：
每次执行成功，Agent 学到一点；每次失败，也学到一点。所有经验沉淀为可复用的 Skills，共享给所有 Agent。
它不是独立工具，而是一个技能层，可接入 OpenClaw、nanobot、Claude Code、Codex、Cursor 等主流 Agent。
当一个 Skill 失效时，OpenSpace 自动分析失败原因并触发修复流程。成功路径自动沉淀为更高版本的 Skill。
这意味着：
- Auto-Fix：Skill 坏了，自己修
- Auto-Improve：有效模式持续优化
- Auto-Learn：从真实使用中捕获有效工作流
质量监控贯穿全程：每个 Skill 的执行成功率、错误率被持续追踪，低于阈值自动触发修复。
一个 Agent 学到的经验，可分享给所有 Agent。
Agent A 学到一个高效的 PDF 解析 Skill
↓ 上传（私有 / 团队 / 公开）Agent B 下载，立刻拥有同样能力
↓
Agent C 也下载了 ……参与者越多，生态越强——这是 OpenSpace 最核心的价值。
官方 benchmark（GDPVal 经济评估，50 个专业任务）：
| 指标 | 数据 |
|---|---|
| 性能提升 | 4.2× |
| Token 节省 | 46% |
| 合规类任务提升 | +18.5% |
| 工程类任务提升 | +8.7% |
同样的任务，OpenSpace Agent 做得多、花得少。
场景一：PDF 解析 Agent
某咨询团队有一个 Agent 负责解析客户提交的 PDF 报告。早期版本对扫描件识别率只有 60%，每次发现漏识别字段，都要手动加 Prompt 补丁。三个月后，Prompt 已经臃肿到无法维护。
接入 OpenSpace 后，每次失败的解析案例自动沉淀为改进 Skill，经过三次自进化，扫描件识别率提升至 92%。新的会话直接继承这个 Skill，无需重复调优。
场景二：多 Agent 协作流水线
一个自动化测试流水线包含三个 Agent：测试生成 → 测试执行 → 结果分析。初期，三个 Agent 各自独立工作，同一类边界条件，测试生成 Agent 漏覆盖，执行 Agent 反复因同样原因失败，分析 Agent 因格式不一致反复报错。
接入 OpenSpace 后，测试执行 Agent 发现边界条件遗漏，自动将失败案例上传；测试生成 Agent 下载该经验后，将该边界条件加入检查清单。一周内，流水线整体成功率从 67% 提升至 89%。
OpenSpace 的执行循环：
执行任务 → 监控质量 → 检测问题
↓
触发自进化 → 生成候选 Skill
↓
质量评估 → 通过则升级
↓
加入 Skill Store → 其他 Agent 可用 Skill Store 两种使用方式：
- 本地模式 ：Skills 存本地目录，自己用
- 云端模式 ：上传至 open-space.cloud，授权后分享
安装（Python 3.12+）：
git clone https://github.com/HKUDS/OpenSpace.git
cd OpenSpace
pip install -e .
openspace-mcp --help # 验证安装 接入 Agent（以 OpenClaw 为例），在 MCP 配置中加入：
{
"mcpServers": {
"openspace": {
"command": "openspace-mcp",
"toolTimeout": 600,
"env": {
"OPENSPACE_HOST_SKILL_DIRS": "/path/to/your/agent/skills",
"OPENSPACE_WORKSPACE": "/path/to/OpenSpace",
"OPENSPACE_API_KEY": "sk-xxx（可选，用于云端）"
}
}
}
}-
Beta 阶段 ：v0.1.0 才发布，生产环境使用需评估
-
Skill 质量依赖 ：自动修复 / 进化效果取决于底层 LLM 的判断能力
-
生态建设初期 ：Skill Store 丰富度还不够，需要社区贡献
-
AI Agent 开发者 ：想让自己的 Agent 具备持续学习能力
-
多 Agent 团队 ：Agent 之间共享经验，减少重复试错
-
企业级 Agent 应用 ：关注稳定性、可靠性和长期维护成本
如果你的工作流依赖多个 Agent，经验无法积累是直接的时间浪费。每个 Agent 反复犯同样的错，每个新会话重新调优，这是工程上不可接受的状态。
OpenSpace 先开源、先跑通了这个方向。它的 benchmark 数据（4.2× 性能提升、46% Token 节省）说明这条路可行。在多 Agent 协作越来越常见的趋势下，共享与进化能力会成为 Agent 系统的核心竞争力——而 OpenSpace 是目前这个方向上最成熟的开源方案。
相关链接：
- GitHub：https://github.com/HKUDS/OpenSpace
- 技能商店：https://open-space.cloud
- 支持的 Agent：OpenClaw、nanobot、Claude Code、Codex、Cursor
如果你在运营多个 AI Agent，OpenSpace 是目前最值得关注的记忆层方案。