HKUDS detalha o OpenSpace, motor de autoevolução de habilidades para agentes de IA

A HKUDS publicou uma análise detalhada do OpenSpace, motor de habilidades de código aberto que permite aos agentes de IA não começar cada tarefa do zero, mas acumular padrões de trabalho e reutilizá-los. O material mostra o ciclo completo: da configuração de um modelo da OpenAI à comparação entre uma execução «a frio» e outra «a quente», em que a reutilização de habilidades reduz o consumo de tokens e melhora a qualidade da resposta.

Do cold start

O OpenSpace é instalado a partir de um repositório do GitHub e, no tutorial, é configurado com modelos da OpenAI, incluindo o gpt-4o-mini. Em seguida, o agente recebe uma primeira tarefa sem nenhuma biblioteca de habilidades pronta. O sistema a executa como um agente LLM comum, mas registra em paralelo os passos bem-sucedidos, os contornos e as instruções que funcionam, que podem ser reutilizados depois.

As habilidades não ficam apenas no contexto da conversa: são salvas como arquivos seguindo a convenção SKILL.md e gravadas em um banco SQLite, de modo que podem ser consultadas, versionadas e analisadas separadamente da execução.

Depois, os autores executam uma tarefa semelhante outra vez e mostram a diferença entre cold start e warm start. Aqui o OpenSpace já não raciocina do zero, mas seleciona as habilidades adequadas por meio de busca híbrida com BM25 e embeddings. Na demonstração, três habilidades básicas são criadas manualmente: validação de dados, geração de relatórios com cenários de fallback e um mecanismo de recuperação após erros. A ideia é semear padrões úteis de antemão e deixar o motor evolutivo desenvolvê-los em tarefas reais.

Como as habilidades crescem

A ideia central do OpenSpace é que a habilidade não é tratada como um prompt estático, mas como uma entidade viva. Após cada execução, o sistema analisa o que funcionou, onde houve falhas, quais ferramentas se degradaram e o que pode ser melhorado na próxima versão. Por isso o motor não apenas acumula cenários bem-sucedidos, mas também sabe consertá-los, especializá-los para novas tarefas e extrair novas habilidades de execuções isoladas bem-sucedidas.

• FIX — corrige uma habilidade quebrada ou desatualizada sem mudar sua função.
• DERIVED — cria uma versão derivada para um cenário mais restrito ou uma nova classe de tarefas.
• CAPTURED — extrai um novo padrão reutilizável diretamente de uma execução bem-sucedida.
• BM25 + embeddings — ajuda a encontrar rapidamente a habilidade mais relevante para a descrição da tarefa.
• open-space.cloud — oferece um catálogo comum em que as habilidades podem ser buscadas, baixadas, enviadas e compartilhadas entre equipes.

Uma parte importante do projeto é a camada coletiva. Pela comunidade na nuvem, os agentes podem trocar habilidades já evoluídas, ver o histórico de versões e montar repositórios compartilhados para a equipe. O artigo apresenta isso como a passagem de um assistente isolado para uma rede de agentes que aprendem não só com os próprios erros. Se um agente encontrar um contorno confiável para gerar PDF, fazer parsing de tabelas ou web research, outro pode levar essa habilidade e não repetir o mesmo ciclo de tentativa e falha.

A economia de tokens do OpenSpace

A parte mais forte do material não é a instalação, mas os números. No repositório do OpenSpace é citado o benchmark GDPVal, numa amostra de 50 tarefas profissionais em seis categorias: documentos, formulários de compliance, mídia, engenharia, planilhas e estratégia. Para uma comparação limpa, o OpenSpace foi medido contra o agente base ClawWork no mesmo modelo backbone, o Qwen 3.5-Plus, de modo que a diferença se explica pelo acúmulo de habilidades, e não pela troca de modelo.

O resultado: retorno econômico 4,2 vezes maior, 70,8% de qualidade média e 45,9% menos tokens ao repetir as tarefas.

O detalhamento por categoria mostra onde a autoevolução rende mais. Em documentos e correspondência, a execução a quente cortou o consumo de tokens em 56%; em formulários e compliance, em 51%; em mídia, em 46%; e em planilhas, em 37%. Os autores também ressaltam que, das 165 habilidades evoluídas, a maior parte não é de expertise temática restrita, mas de confiabilidade de execução: tratamento de formatos de arquivo, recuperação após erros, geração de documentos e verificação de qualidade. Ou seja, o ganho principal não vem do «conhecimento do setor», mas do fato de o agente deixar de quebrar nos pontos técnicos típicos.

O que isso significa

O OpenSpace mostra bem para onde caminham os frameworks de agentes: de prompts de uso único para uma memória de trabalho permanente, em que cada tarefa concluída torna o sistema mais barato e estável. Para as equipes de produto, é um sinal de que a próxima onda de eficiência virá não só de novos modelos, mas também da infraestrutura de habilidades reutilizáveis ao redor deles.