OpenSpace 实战教程：给 OpenClaw 接自进化 Skill 引擎，token 减少 46%（2026）

大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。

 做了这么久 Agent，我踩过最大的坑就是：同一个任务，今天能跑，明天换个工具版本就挂了；挂了之后重新推理，一通乱试，token 烧了一堆，最后才想起来这个问题上周已经解决过了。
这种事情反复发生，根子在哪？Agent 没有记忆。 每次任务对它来说都是第一次——不管你上周成功解决了多少次类似的问题，它依然要从零开始推理，从零开始踩坑。
上个月 HKUDS（香港大学数据科学实验室）开源了 OpenSpace，专门解决这个问题。我把它接进 OpenClaw 用了一段时间，有点东西，写一篇实战记录。 
  
    
     
     今天主流的 AI Agent——OpenClaw、Claude Code、Codex、Cursor——功能都挺强，但它们有一个共同的死穴： 
     没有任务级别的学习机制。 
     具体表现：

问题症状 Token 大量浪费每次做相似任务都从头推理，之前成功的路径不会复用重复踩坑同一个 API 的正确调用姿势，这次探索完，下次又探索一遍 Skill 悄悄失效工具升级之后旧 Skill 失效，Agent 自己不知道，继续调用直到报错

OpenSpace 的思路是：把每一次任务的成功/失败模式记下来，变成可复用的 Skill，然后持续演进、共享给所有 Agent。

OpenSpace 有三种进化模式，任务跑完后自动触发：

FIX — Skill 执行失败？自动分析报错，生成修复版本
DERIVED — 任务成功？提取这次的成功模式，生成改进版 Skill
CAPTURED — 从头推理的新任务成功了？把整个解题思路抽象成新 Skill

这三种模式加上三类触发机制（任务后分析、性能下降检测、定期健康检查），构成了一套持续演进的闭环。

💡 提示：Skill 并不是一写就定死的，每次执行都可能触发演进。经过十几轮真实任务的洗礼，一个 Skill 的稳定性和效率会显著提升。

进化不只在单个 Agent 内部发生。OpenSpace 有一个云端社区 open-space.cloud，任何进化出来的 Skill 都可以一键同步上去，供其他 Agent 下载复用。

网络效应很清晰：接入 OpenSpace 的 Agent 越多，可用的 Skill 库越丰富，所有人都跑得越快、烧的 token 越少。

这是最值得关注的地方，也是官方 benchmark 数据最硬核的部分。

OpenSpace 在 GDPVal（一个包含 44 种职业、220 个专业任务的真实场景 benchmark）上的测试结果：

指标结果 Token 消耗（第二轮 vs 第一轮）减少 45.9% 收入产出 vs baseline 4.2 倍任务价值捕获率 72.8%（总价值 $15,764 中实际拿到 $11,484）平均任务质量 70.8%（baseline 为 40.8%）

这不是玩具任务，是真实的薪资计算、税务申报、法律备忘录、工程设计等专业工作。用同一个底座模型（Qwen 3.5-Plus），仅靠 Skill 积累带来的差距，说老实话超出了我的预期。

OpenSpace 支持两种用法：Path A 是把它当 MCP 工具接进你的 Agent（推荐），Path B 是直接把 OpenSpace 当独立 AI 助手用。这里专门讲 OpenClaw + OpenSpace（Path A）。

git clone https://github.com/HKUDS/OpenSpace.git cd OpenSpace pip install -e . openspace-mcp --help # 验证安装成功

⚠️ 注意：仓库里的 assets/ 文件夹有约 50MB 的图片，国内网络直接 clone 容易卡，建议用精简克隆：

git clone --filter=blob:none --sparse https://github.com/HKUDS/OpenSpace.git cd OpenSpace git sparse-checkout set '/*' '!assets/' pip install -e .

找到 OpenClaw 的配置文件（一般是 ~/.openclaw/openclaw.json），在 mcpServers 里加入 OpenSpace：

{ "mcpServers": { "openspace": { "command": "openspace-mcp", "toolTimeout": 600, "env": { "OPENSPACE_HOST_SKILL_DIRS": "/root/.openclaw/workspace/skills", "OPENSPACE_WORKSPACE": "/path/to/OpenSpace", "OPENSPACE_API_KEY": "sk-xxx（可选，接入云端社区）" } } } }

💡 OPENSPACE_HOST_SKILL_DIRS 填你的 OpenClaw skills 目录的绝对路径，一般是 ~/.openclaw/workspace/skills/。

OPENSPACE_API_KEY 是云端社区的密钥，去 open-space.cloud 免费注册可以拿到。没有也没关系，所有本地功能完全可用。

# 把这两个 Skill 复制到你的 OpenClaw skills 目录 cp -r OpenSpace/openspace/host_skills/delegate-task/ ~/.openclaw/workspace/skills/ cp -r OpenSpace/openspace/host_skills/skill-discovery/ ~/.openclaw/workspace/skills/

delegate-task 告诉 Agent 什么时候应该把任务交给 OpenSpace 处理；skill-discovery 让 Agent 知道如何检索和复用已有的 Skill。两个 Skill 缺一不可。

openclaw gateway restart

重启后，在 OpenClaw 里问一句"你现在有哪些 MCP 工具可用？"，如果能看到 openspace 相关工具出现在列表里，就接好了。

OpenSpace MCP 服务器支持三种启动方式：

模式启动命令适用场景 stdio（默认） MCP config 里直接配 command 本地 Agent，最简单 SSE `openspace-mcp --transport sse --host 127.0.0.1 --port 8080` 需要持久连接 streamable HTTP `openspace-mcp --transport streamable-http --host 127.0.0.1 --port 8081` 远程主机、避开 stdio 超时限制

如果你的 OpenClaw 部署在 VPS 上（参考这篇部署教程），建议用 SSE 或 HTTP 模式，稳定性更好。本地日常使用 stdio 就够了。

OpenSpace 提供了一个本地可视化面板，可以看 Skill 的进化谱系、版本对比、执行统计。

# 终端 1：启动后端 API openspace-dashboard --port 7788 # 终端 2：启动前端（需要 Node.js ≥ 20） cd OpenSpace/frontend npm install # 第一次需要 npm run dev

跑起来之后打开 http://localhost:5173，能看到每个 Skill 从初版到当前版本的完整演化路径。如果你是搞 Agent 开发的，这个面板挺有意思，能直观看出哪些任务在推动 Skill 往哪个方向演进。

OpenSpace 有一个经典的两阶段模型：

Phase 1（冷启动）：第一次跑任务，没有历史 Skill 可用，Agent 需要完整推理，token 消耗最高。任务结束后，成功模式被自动提取为 Skill 存入本地数据库。

Phase 2（热复用）：相同或相似的任务再次出现，Agent 直接检索 Skill 库，用预验证的解决方案执行，跳过重复推理。官方 benchmark 里这个阶段的 token 消耗比 Phase 1 少了 45.9%。

以文档生成任务为例，benchmark 里各类任务的降本数据：

任务类型 Token 减少幅度主要原因文件与文书（7个） -56% 文档结构、错误恢复路径已固化合规与表单（11个） -51% PDF 生成管道完整演化后整体复用工程项目（4个） -43% 跨项目协调 Skill 通用化媒体制作（3个） -46% ffmpeg 参数和编解码回退路径已记录

如果你注册了 open-space.cloud 账号，进化出来的 Skill 可以一键发布：

# 下载社区里的 Skill openspace-download-skill

上传你自己进化出来的 Skill

openspace-upload-skill /path/to/skill/dir

权限可以设置为 public、private 或 team。如果你维护了一套特定场景的工作流（比如博客运营、SEO 自动化），把跑得好的 Skill 发布出去，社区里其他人的 Agent 就能直接复用。

这个逻辑跟 ClawHub 的 Skill 分发有点像，但 OpenSpace 的 Skill 是从真实任务中自动提取并持续打磨的，而不是手写一次就定死——实际场景打磨出来的东西，容错性往往更高。

坑 1：toolTimeout 必须设够

OpenSpace 处理复杂任务时，MCP 工具调用时间可能超过默认超时。一定要在 MCP 配置里加 “toolTimeout”: 600，否则长任务跑到一半会被强制中断，进化也触发不了。

坑 2：两个 host_skill 必须都复制

只复制 delegate-task 不够，skill-discovery 是让 Agent 学会主动检索已有 Skill 的关键。两个都放进 skills 目录才能形成完整闭环。如果你不熟悉 OpenClaw 的 Skill 机制，可以先看这篇自定义 Skill 教程。

坑 3：OPENSPACE_HOST_SKILL_DIRS 路径要用绝对路径

这个环境变量告诉 OpenSpace 去哪找 host-side 的 Skill 文件。路径写错或使用相对路径，Skill 就找不到。OpenClaw 的 skills 目录建议填完整的绝对路径。

坑 4：国内克隆仓库慢

官方仓库的 assets 目录有 50MB 图片。国内网络直接 clone 容易中途断，用上面说的 –sparse 参数跳过图片目录，能快很多。

维度结论 Token 节省 Phase 2 相比 Phase 1 减少约 46% 任务质量提升比无 Skill baseline 高约 30pp 接入复杂度 MCP 配置 + 两个 Skill 文件，15 分钟内可完成云端共享可选，不影响本地任何功能

对于已经在用 OpenClaw 的用户，接入成本极低。长期来看，随着任务量积累，Skill 库越来越成熟，token 消耗会持续下降，是少数”用得越多越省钱”的工具之一。

如果你还没有自己的 OpenClaw 实例，可以先看从零部署教程，装好之后回来接 OpenSpace。

📦 项目地址：github.com/HKUDS/OpenSpace

🌐 云端社区：open-space.cloud

OpenSpace 实战教程：给 OpenClaw 接自进化 Skill 引擎，token 减少 46%（2026）

上传你自己进化出来的 Skill

相关推荐