O que é OpenSpace?
O OpenSpace, do Data Intelligence Lab da University of Hong Kong (HKUDS), é uma camada em Python que fica ao lado do Claude Code, Codex, OpenClaw, nanobot ou de qualquer agente compatível com MCP e gerencia suas skills SKILL.md. Ele registra se cada skill foi selecionada, aplicada, concluiu a tarefa ou recorreu a um fallback, usa essa evidência para corrigir, derivar ou capturar skills automaticamente, e oferece um hub na nuvem em open-space.cloud para compartilhá-las.
A versão 2.0.0, lançada em 17 de julho de 2026, trouxe resumos de qualidade, navegação de pacotes, envio de rastros de tarefas, um dashboard e uma interface de terminal. Skills novas ou evoluídas começam como provisórias e são promovidas a confiáveis depois de uso bem-sucedido independente. A equipe relata, em suas próprias execuções do Terminal-Bench 2.1 com o mesmo modelo Hy3, 65.2% com uma biblioteca de skills nova e 78.7% depois que ela evoluiu.
O repositório foi criado em 24 de março de 2026, tem licença MIT e cerca de 7,800 estrelas no GitHub. O último commit foi em 12 de agosto de 2026, e a instalação é feita a partir de um clone, não de um pacote publicado.
OpenSpace vale a pena?
O OpenSpace parte de uma observação sólida: quando uma biblioteca de skills passa de algumas dezenas de entradas, os agentes escolhem a errada, continuam usando as que falham, e ninguém consegue distinguir skills boas das que só parecem plausíveis. Registrar resultados por skill e preferir as que têm histórico de concluir tarefas é um sinal melhor que uma descrição, e o ciclo de provisória a confiável significa que uma skill evoluída precisa dar certo de novo, de forma independente, antes de ser tratada como confiável. As skills passam por uma varredura de segurança contra padrões de prompt injection e exfiltração de credenciais antes de serem carregadas.
O benchmark principal precisa de contexto. O salto de 65.2% para 78.7% no Terminal-Bench 2.1 é resultado da própria equipe com um único modelo, com a execução aquecida se beneficiando de uma biblioteca evoluída em tarefas relacionadas; mostra que o mecanismo pode ajudar, não que vai ajudar na sua carga de trabalho. A integração é feita por um servidor MCP que envolve o agente de execução do próprio OpenSpace, então tarefas delegadas longas exigem um timeout no host de pelo menos 600 segundos.
Os padrões são o primeiro ponto a conferir. A coleta de evidências de evolução vem ligada por padrão, e as notas de configuração do README (hoje comentadas) descrevem o modo autônomo, em que correções validadas e skills derivadas e capturadas são gravadas sem uma pessoa, como o padrão; os modos audit_only e fix_only existem e servem melhor à maioria das equipes. O módulo de telemetria embutido, herdado do mcp-use, envia eventos anonimizados ao PostHog e ao Scarf, a menos que MCP_USE_ANONYMIZED_TELEMETRY=false esteja definido. Os recursos de nuvem são opcionais e exigem uma chave de agente vinculada a um endereço de e-mail.
A manutenção é a outra preocupação. Depois de uma primavera movimentada, o último commit chegou em 12 de agosto de 2026 e a v2.0.0 continua sendo a versão mais recente, com cerca de 54 issues e pull requests abertos. Não há pacote no PyPI, e um clone padrão arrasta cerca de 50 MB de imagens. Comparado ao Hermes Agent, que também escreve as próprias skills, mas como parte de um único produto mantido, o OpenSpace é uma camada que você acopla, com mais rastreamento de evidências e menos certeza de que será atualizado.
Onde ele se destaca
Uma equipe de plataforma que mantém 300 skills internas entre Claude Code e Codex
Descobrir quais skills realmente ajudam e aposentar o resto
Rodar o OpenSpace como servidor MCP no modo audit_only, para que ele registre seleção e resultado por skill sem alterar nenhuma, e depois revisar os resumos de qualidade no dashboard. Gratuito; o custo são as chamadas de modelo que a análise pós-tarefa faz.
Um engenheiro de IA em uma agência de automação de 10 pessoas
Transformar um fluxo que funcionou para um cliente em uma skill reutilizável e rastreada
Deixar a evolução CAPTURED salvar o subfluxo validado como skill provisória, promovê-la depois de um segundo sucesso e compartilhá-la de forma privada por um grupo na nuvem. Defina MCP_USE_ANONYMIZED_TELEMETRY=false antes.
Um pesquisador que estuda agentes que se aprimoram sozinhos
Reproduzir o efeito de uma biblioteca de skills em evolução em um benchmark de programação
Clonar o repositório, rodar passagens a frio e aquecidas com o mesmo modelo e inspecionar a linhagem no dashboard. O número publicado de 65.2% para 78.7% é da própria equipe, então trate-o como hipótese a testar.
Antes de decidir
- Configuração
- git clone e pip install -e . em Python 3.12+, adicionar um servidor MCP openspace à configuração do host com timeout de ferramenta de 600 segundos e copiar duas skills de host para a pasta de skills do agente. O dashboard exige Node.js 20+.
- Integrações
- Qualquer host MCP via stdio, SSE ou streamable HTTP; helpers para OpenClaw e nanobot, configuração manual para Claude Code, Codex e Cursor; adaptadores de gateway para WhatsApp e Feishu; modelos via LiteLLM, incluindo Ollama.
- Dados e privacidade
- Skills, evidências e linhagem ficam em um armazenamento SQLite local. A telemetria anonimizada para PostHog e Scarf fica ligada, a menos que MCP_USE_ANONYMIZED_TELEMETRY=false; o envio para a nuvem é opcional, exige uma chave de agente vinculada a e-mail e aceita só skills confiáveis. Licença MIT.
- Custo em escala
- Nenhum nível pago publicado. Cada tarefa acrescenta análise pós-execução e possíveis chamadas de evolução na sua própria chave de modelo, além do trabalho em si.
- Limites
- Versão mais recente v2.0.0 (julho de 2026) e nenhum commit desde 12 de agosto; cerca de 54 issues e pull requests abertos; sem pacote no PyPI; clone grande por causa de cerca de 50 MB de assets.
O que é bom
- Avalia skills pelos resultados registrados das tarefas, não por descrições
- Skills provisórias precisam dar certo de novo antes de serem confiáveis
- Funciona com qualquer host MCP que leia SKILL.md
- A varredura de segurança bloqueia skills com padrões de injection ao carregar
O que não é
- Reescrita autônoma de skills descrita como padrão
- Telemetria para PostHog e Scarf ligada, a menos que desativada
- Nenhum commit desde 12 de agosto de 2026
- Ganhos de benchmark autodeclarados, com um único modelo
Ideal para
Equipes que rodam agentes sobre uma biblioteca de skills grande e crescente, querem evidências de quais skills funcionam e vão deixar a evolução em audit-only primeiro.
Alternativas ao OpenSpace
OpenSpace: perguntas frequentes
- OpenSpace vale a pena?
- O OpenSpace faz a pergunta certa sobre skills de agentes, quais realmente funcionam, mas deixa os agentes reescreverem as próprias skills por padrão e está parado desde agosto. Damos nota 3.5 de 5.
- Quanto custa OpenSpace?
- Gratuito e de código aberto (MIT). O hub open-space.cloud é opcional e não há plano pago publicado. Você paga seu provedor de modelo.
- Quais são as desvantagens de OpenSpace?
- Reescrita autônoma de skills descrita como padrão; telemetria para PostHog e Scarf ligada, a menos que desativada; nenhum commit desde 12 de agosto de 2026; ganhos de benchmark autodeclarados, com um único modelo.
- Para quem OpenSpace é indicado?
- Equipes que rodam agentes sobre uma biblioteca de skills grande e crescente, querem evidências de quais skills funcionam e vão deixar a evolução em audit-only primeiro.
- Quanto custa OpenSpace para uma equipe ou em produção?
- Nenhum nível pago publicado. Cada tarefa acrescenta análise pós-execução e possíveis chamadas de evolução na sua própria chave de modelo, além do trabalho em si.
- OpenSpace é seguro para dados da empresa?
- Skills, evidências e linhagem ficam em um armazenamento SQLite local. A telemetria anonimizada para PostHog e Scarf fica ligada, a menos que MCP_USE_ANONYMIZED_TELEMETRY=false; o envio para a nuvem é opcional, exige uma chave de agente vinculada a e-mail e aceita só skills confiáveis. Licença MIT.
- Quais são as melhores alternativas ao OpenSpace?
- As alternativas mais próximas que analisamos são Hermes Agent, claude-mem e Everything Claude Code (ECC).
Respostas verificadas em 31 de out. de 2026.