OpenSpace/docs/analysis/openspace.md

OpenSpace（子代理C速读）

一句话目标

OpenSpace 是给 AI Agent 用的“技能仓库+训练场”：它不只让 Agent 记住技能（Skill），更要让 Agent 记住哪些技能在真实任务里真的有效。

核心模块（怎么理解）

• openspace/application.py：对外入口。
  • 你调用 OpenSpace 时，先经过这里，像门面一样把配置和运行参数整理好。
• openspace/runtime/：任务运行核心。
  • 负责会话、状态、执行生命周期，保证 CLI、MCP、Dashboard 共用一套执行逻辑。
• openspace/skill_engine/：技能记忆与进化脑。
  • registry.py：建技能目录，发现本地和云端技能。
  • analyzer.py：任务后分析，判断技能是否起效。
  • evolver.py：生成 FIX / DERIVED / CAPTURED 版本。
  • store.py：把技能版本、谱系、质量分数持久化。
  • skill_ranker.py：按质量+匹配度给技能排序。
• openspace/grounding/：能力执行层。
  • 统一不同后端（shell、gui、mcp、web、meta）执行工具。
• openspace/agents/：Agent 主体。
  • 负责与大模型协作、工具调度和任务循环。
• openspace/cloud/：技能社区连接层。
  • 上传、下载、搜索公开/私有技能，做质量证据上链。
• openspace/communication/：多渠道对接。
  • 支持 WhatsApp、Feishu 等消息入口。
• openspace/recording/ 与 openspace/persistence/：证据仓库。
  • 记录执行日志、截图、对话、指标，用于质量判断。
• apps/：可视化界面。
  • Dashboard 和 TUI，把“哪些技能在变好/变差”展示给人看。

给第一次看的人（超简版）

想象你有一个助理（AI Agent），平时它会不断尝试很多“操作小剧本”（Skill）。

OpenSpace 的作用：

1. 让助理先选对剧本。
2. 把每次执行结果都记录下来：是成功、失败还是临时放弃。
3. 把这些记录变成“质量信号”，给更可靠的技能更高优先级。
4. 允许自动改进，但用“先试用后验证再信任”的方式，避免乱改。
5. 最后把能用得更好、来源更清楚的技能，按包（package）共享出去。

你可以把它想成：

• 一个会“记账”的技能库（有证据）
• 一个会“练习”的进化系统（按结果改进）
• 一个“本地执行、云端发现”的协作平台

一个使用流程（从 0 到 1）

• 你发任务
• Agent 从本地/云端找到候选 Skill
• 选中一个 Skill 去执行（可能调用 shell、MCP、浏览器等）
• 执行结束后写入证据记录
• 记录决定该 Skill 是否值得继续重用
• 触发演化时，产生新版本并做验证
• 通过质量和审核规则后，推送到更高信任状态

我最先看的入口（建议）

• 先读：
  • README.md 的 “Quick Start”和“Framework”
  • README.md 的 “Code Structure” 代码树
  • openspace/host_skills/README.md（想让 Agent 接入 MCP 时）
  • 本文档：docs/analysis/openspace.md