Was ist OpenSpace?
OpenSpace vom Data Intelligence Lab der University of Hong Kong (HKUDS) ist eine Python-Schicht, die neben Claude Code, Codex, OpenClaw, nanobot oder jedem MCP-fähigen Agenten läuft und dessen SKILL.md-Skills verwaltet. Sie zeichnet auf, ob ein Skill ausgewählt, angewendet wurde, die Aufgabe erledigt hat oder auf eine Ausweichlösung zurückfiel, nutzt diese Belege, um Skills automatisch zu korrigieren, abzuleiten oder zu erfassen, und bietet unter open-space.cloud einen Cloud-Hub zum Teilen.
Version 2.0.0, veröffentlicht am 17. Juli 2026, brachte Qualitätsübersichten, das Durchsuchen von Paketen, Uploads von Aufgaben-Traces, ein Dashboard und eine Terminal-Oberfläche. Neue oder weiterentwickelte Skills starten als vorläufig und werden nach unabhängigem erfolgreichem Einsatz zu vertrauenswürdig hochgestuft. Das Team meldet aus eigenen Läufen auf Terminal-Bench 2.1 mit demselben Modell Hy3 65,2 % mit einer frischen Skill-Bibliothek und 78,7 %, nachdem sie sich weiterentwickelt hatte.
Das Repository wurde am 24. März 2026 angelegt, steht unter MIT-Lizenz und hat etwa 7.800 GitHub-Sterne. Der letzte Commit war am 12. August 2026, installiert wird aus einem Klon statt aus einem veröffentlichten Paket.
Lohnt sich OpenSpace?
OpenSpace beruht auf einer vernünftigen Beobachtung: Wächst eine Skill-Bibliothek über ein paar Dutzend Einträge hinaus, wählen Agenten den falschen, nutzen weiter solche, die scheitern, und niemand kann gute Skills von plausibel wirkenden unterscheiden. Ergebnisse pro Skill aufzuzeichnen und Skills mit nachweislich erledigten Aufgaben zu bevorzugen, ist ein besseres Signal als eine Beschreibung, und der Weg von vorläufig zu vertrauenswürdig heißt, dass ein weiterentwickelter Skill erneut und unabhängig Erfolg haben muss, bevor er als verlässlich gilt. Vor dem Laden durchlaufen Skills einen Sicherheitsscan auf Muster für Prompt-Injection und das Abgreifen von Zugangsdaten.
Der zentrale Benchmark braucht Kontext. Der Sprung von 65,2 % auf 78,7 % bei Terminal-Bench 2.1 ist das eigene Ergebnis des Teams mit einem Modell, wobei der warme Lauf von einer an verwandten Aufgaben weiterentwickelten Bibliothek profitiert; er zeigt, dass der Mechanismus helfen kann, nicht, dass er es bei deiner Arbeitslast tut. Die Integration läuft über einen MCP-Server, der den eigenen Ausführungsagenten von OpenSpace kapselt, daher brauchen lange delegierte Aufgaben einen Host-Timeout von mindestens 600 Sekunden.
Zuerst solltest du die Standardeinstellungen prüfen. Das Sammeln von Belegen für die Weiterentwicklung ist standardmäßig aktiv, und die Konfigurationshinweise im README (derzeit auskommentiert) beschreiben den autonomen Modus als Standard, in dem validierte Korrekturen sowie abgeleitete und erfasste Skills ohne menschliches Zutun übernommen werden; die Modi audit_only und fix_only gibt es auch, und sie passen für die meisten Teams besser. Das mitgelieferte Telemetriemodul, von mcp-use übernommen, sendet anonymisierte Ereignisse an PostHog und Scarf, sofern nicht MCP_USE_ANONYMIZED_TELEMETRY=false gesetzt ist. Cloud-Funktionen sind Opt-in und brauchen einen an eine E-Mail-Adresse gebundenen Agenten-Schlüssel.
Die Pflege ist die andere Sorge. Nach einem geschäftigen Frühjahr kam der letzte Commit am 12. August 2026, und v2.0.0 ist weiterhin das neueste Release, mit etwa 54 offenen Issues und Pull Requests. Es gibt kein PyPI-Paket, und ein Standard-Klon zieht etwa 50 MB Bilder mit. Verglichen mit Hermes Agent, der ebenfalls seine eigenen Skills schreibt, aber als Teil eines gepflegten Produkts, ist OpenSpace eine Schicht zum Anflanschen, mit mehr Belegverfolgung und weniger Gewissheit, dass sie aktualisiert wird.
Wo es sich lohnt
Ein Plattform-Team, das 300 interne Skills für Claude Code und Codex pflegt
Herausfinden, welche Skills wirklich helfen, und den Rest ausmustern
Betreibe OpenSpace als MCP-Server im Modus audit_only, damit es Auswahl und Ergebnis pro Skill aufzeichnet, ohne etwas zu ändern, und sieh dir die Qualitätsübersichten im Dashboard an. Kostenlos; die Kosten sind die Modellaufrufe seiner Analyse nach jeder Aufgabe.
Ein KI-Entwickler in einer Automatisierungsagentur mit 10 Leuten
Einen Ablauf, der bei einem Kunden funktioniert hat, in einen wiederverwendbaren, verfolgten Skill verwandeln
Lass die CAPTURED-Weiterentwicklung den validierten Teilablauf als vorläufigen Skill speichern, stufe ihn nach einem zweiten Erfolg hoch und teile ihn privat über eine Cloud-Gruppe. Setze vorher MCP_USE_ANONYMIZED_TELEMETRY=false.
Eine Forscherin, die sich selbst verbessernde Agenten untersucht
Den Effekt einer sich weiterentwickelnden Skill-Bibliothek auf einen Coding-Benchmark nachvollziehen
Klone das Repository, führe kalte und warme Durchläufe mit demselben Modell aus und untersuche die Abstammung im Dashboard. Die veröffentlichte Zahl von 65,2 % auf 78,7 % stammt vom Team selbst, behandle sie also als zu prüfende Hypothese.
Bevor du dich festlegst
- Einrichtung
- git clone und pip install -e . unter Python 3.12+, einen MCP-Server openspace mit einem Tool-Timeout von 600 Sekunden in die Host-Konfiguration eintragen und zwei Host-Skills in den Skill-Ordner des Agenten kopieren. Das Dashboard braucht Node.js 20+.
- Integrationen
- Jeder MCP-Host über stdio, SSE oder Streamable HTTP; Hilfen für OpenClaw und nanobot, manuelle Einrichtung für Claude Code, Codex und Cursor; Gateway-Adapter für WhatsApp und Feishu; Modelle über LiteLLM einschließlich Ollama.
- Daten und Datenschutz
- Skills, Belege und Abstammung liegen in einem lokalen SQLite-Speicher. Anonymisierte Telemetrie an PostHog und Scarf ist aktiv, außer mit MCP_USE_ANONYMIZED_TELEMETRY=false; der Cloud-Upload ist Opt-in, braucht einen an eine E-Mail gebundenen Agenten-Schlüssel und nimmt nur vertrauenswürdige Skills an. MIT-Lizenz.
- Kosten im großen Maßstab
- Kein kostenpflichtiger Tarif veröffentlicht. Jede Aufgabe verursacht zusätzlich zur eigentlichen Arbeit eine Analyse nach der Ausführung und mögliche Weiterentwicklungsaufrufe über deinen eigenen Modellschlüssel.
- Grenzen
- Neuestes Release v2.0.0 (Juli 2026) und kein Commit seit dem 12. August; etwa 54 offene Issues und Pull Requests; kein PyPI-Paket; großer Klon wegen etwa 50 MB an Assets.
Was gut ist
- Bewertet Skills nach aufgezeichneten Aufgabenergebnissen, nicht nach Beschreibungen
- Vorläufige Skills müssen erneut Erfolg haben, bevor sie als vertrauenswürdig gelten
- Funktioniert mit jedem MCP-Host, der SKILL.md liest
- Sicherheitsscan blockiert beim Laden Skills mit Injection-Mustern
Was nicht
- Autonomes Umschreiben von Skills als Standard beschrieben
- Telemetrie an PostHog und Scarf aktiv, bis man sie abschaltet
- Kein Commit seit dem 12. August 2026
- Benchmark-Gewinne selbst gemeldet und mit nur einem Modell
Am besten für
Teams, die Agenten mit einer großen, wachsenden Skill-Bibliothek betreiben, Belege dafür wollen, welche Skills funktionieren, und die Weiterentwicklung zunächst auf reines Audit stellen.
Alternativen zu OpenSpace
OpenSpace: häufige Fragen
- Lohnt sich OpenSpace?
- OpenSpace stellt die richtige Frage zu Agenten-Skills, nämlich welche tatsächlich funktionieren, lässt Agenten aber standardmäßig ihre eigenen Skills umschreiben und ist seit August still. Wir bewerten es mit 3.5 von 5.
- Was kostet OpenSpace?
- Kostenlos und Open Source (MIT). Der Hub open-space.cloud ist optional, ein kostenpflichtiger Tarif ist nicht veröffentlicht. Du bezahlst deinen Modellanbieter.
- Welche Nachteile hat OpenSpace?
- Autonomes Umschreiben von Skills als Standard beschrieben; Telemetrie an PostHog und Scarf aktiv, bis man sie abschaltet; Kein Commit seit dem 12. August 2026; Benchmark-Gewinne selbst gemeldet und mit nur einem Modell.
- Für wen eignet sich OpenSpace?
- Teams, die Agenten mit einer großen, wachsenden Skill-Bibliothek betreiben, Belege dafür wollen, welche Skills funktionieren, und die Weiterentwicklung zunächst auf reines Audit stellen.
- Was kostet OpenSpace für ein Team oder im Produktivbetrieb?
- Kein kostenpflichtiger Tarif veröffentlicht. Jede Aufgabe verursacht zusätzlich zur eigentlichen Arbeit eine Analyse nach der Ausführung und mögliche Weiterentwicklungsaufrufe über deinen eigenen Modellschlüssel.
- Ist OpenSpace sicher für Firmendaten?
- Skills, Belege und Abstammung liegen in einem lokalen SQLite-Speicher. Anonymisierte Telemetrie an PostHog und Scarf ist aktiv, außer mit MCP_USE_ANONYMIZED_TELEMETRY=false; der Cloud-Upload ist Opt-in, braucht einen an eine E-Mail gebundenen Agenten-Schlüssel und nimmt nur vertrauenswürdige Skills an. MIT-Lizenz.
- Was sind die besten Alternativen zu OpenSpace?
- Die nächsten Alternativen, die wir getestet haben, sind Hermes Agent, claude-mem und Everything Claude Code (ECC).
Antworten geprüft am 31. Okt. 2026.