OpenSpace徹底解説｜AIエージェントを自己進化させるOSS——トークン46%削減の仕組み

AIエージェントは高性能になったが、「同じ失敗を繰り返しトークンを浪費する」問題は解決されていない。香港大学HKUDSが公開したOpenSpaceは、エージェントのスキルを自動で学習・修正・進化させるオープンソースフレームワークだ。GitHub Stars 5,100超、Fork 619、MITライセンスで公開されており、2026年3月のオープンソース化以降、急速にコミュニティが拡大している。

この記事では、OpenSpaceの自己進化メカニズム、セットアップ手順、MCP経由での既存エージェント統合、そしてGDPValベンチマークの実測データまでを公式リポジトリ・論文ベースで網羅的に解説する。

この記事ではAIエージェントに特化して解説します。AIエージェント全般は AIエージェントフレームワーク比較2026年版 をご覧ください。

OpenSpaceが解決する課題——「学ばないエージェント」問題

従来のAIエージェントには構造的な弱点がある。OpenHandsのようなコーディングエージェントも含め、多くのツールは「タスクを実行するが、学ばない」という限界を持つ。同じプロンプトを何百回叩いても、推論コストは毎回同じようにかかる。

OpenSpaceは「エージェントにスキルを育てさせる」という発想で、この課題に正面から取り組んでいる。タスクを実行するたびに成功パターンが蓄積され、失敗があれば原因を分析して自動修復する。結果として、使えば使うほどトークンが減り、精度が上がっていく。

「エージェントが自分で書いたものを、将来の自分が再利用できる形で保存する——それがスキルの核心だ」

これはClaude Skillsにも共通するテーマだが、OpenSpaceはそこに「進化」という要素を加えている点が特徴だ。スキルは書いた瞬間に完成ではなく、使いながら育つ。

自己進化アーキテクチャ——FIX / DERIVED / CAPTUREDの3モード

OpenSpaceの中核は、タスク実行を起点とした自己進化ループだ。進化のサイクルは以下のように回る。

この3つの進化モードがOpenSpaceの「使うほど賢くなる」仕組みを支えている。

• FIX — ツールやAPIの変更でスキルが動かなくなった場合、エラーを検知して自動修復する。同じスキルIDの新バージョンとして上書きされる
• DERIVED — 成功したスキルから、より特化した版や強化版を自動生成する。親スキルと共存し、タスクに応じて使い分けられる
• CAPTURED — タスクが成功した際、その実行パターンを新しいスキルとして自動抽出する。親を持たない完全に新規のスキルが生まれる

特筆すべきは、これら3モードが独立したトリガーで動くことだ。ユーザーが何もしなくても、バックグラウンドで進化が継続する設計になっている。

進化トリガーの3系統

暴走を防ぐセーフガード

進化が自動化されているだけに、誤った方向への暴走は致命的だ。OpenSpaceは以下のセーフガードを組み込んでいる。

• 確認ゲート — 進化候補は自動検知の後、検証パスを通ったものだけが既存スキルを置き換える
• アンチループガード — 同じスキルが短時間に何度も進化対象になるのを抑制
• プロンプトインジェクション検知 — 外部入力に埋め込まれた悪意のある命令を検出
• 認証情報流出防止 — スキル化の際にAPI key・トークンを自動マスク

セットアップ——Python 3.12とMCP対応エージェントがあれば動く

OpenSpaceはPython 3.12以上が前提だ。基本的なインストールは3ステップで完了する。

git clone https://github.com/HKUDS/OpenSpace.git && cd OpenSpace
pip install -e .
openspace-mcp --help   # インストール確認

リポジトリのassets/フォルダが約50MBあるため、必要に応じて軽量クローンも用意されている。

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

ポイントは「ローカルで完結する機能だけならAPI keyが不要」という点だ。タスク実行、スキル進化、ローカルスキル検索まで、ネットワーク接続なしに動く。クラウドコミュニティからスキルをダウンロード/アップロードする時だけ OPENSPACE_API_KEY を使う。

動作モードの選び方

OpenSpaceには大きく2つの動かし方がある。

既存のワークフローに組み込むならPath Aが自然だ。特定のエージェントに縛られず、OpenSpace自体をフロントエンドにしたい場合はPath Bが向く。

起動トランスポートの選択

stdioがデフォルトだが、リモートホスト向けにSSEとstreamable HTTPもサポートしている。

# SSEモードで起動（リモートホスト向け）
openspace-mcp --transport sse --host 127.0.0.1 --port 8080

# streamable HTTPモードで起動
openspace-mcp --transport streamable-http --host 127.0.0.1 --port 8081

SSEのエンドポイントは http://127.0.0.1:8080/sse、streamable HTTPは http://127.0.0.1:8081/mcp となる。stdioはホスト設定でcommandを指定するだけで動作するため、ローカル開発では最もシンプルだ。

Claude Code・Codex・Cursorに統合する（Path A）

既存エージェントにOpenSpaceを追加する手順は、驚くほど短い。MCP（Model Context Protocol）設定に1ブロック追加するだけだ。

{
  "mcpServers": {
    "openspace": {
      "command": "openspace-mcp",
      "toolTimeout": 600,
      "env": {
        "OPENSPACE_HOST_SKILL_DIRS": "/path/to/your/agent/skills",
        "OPENSPACE_WORKSPACE": "/path/to/OpenSpace",
        "OPENSPACE_API_KEY": "sk-xxx"
      }
    }
  }
}

次に、エージェント側のスキルディレクトリに2つのブリッジスキルをコピーする。

cp -r OpenSpace/openspace/host_skills/delegate-task/ /path/to/your/agent/skills/
cp -r OpenSpace/openspace/host_skills/skill-discovery/ /path/to/your/agent/skills/

この2つのスキルがClaude Codeに「OpenSpaceの使い方」を教える役割を持つ。追加のシステムプロンプトやエージェント側のコード改造は不要だ。

対応エージェント一覧

SKILL.md形式をサポートするエージェントなら、原則としてMCP経由で繋がる。LangChainベースのRAGパイプラインと組み合わせれば、検索精度とエージェント能力の両方を強化する構成も可能だ。

設定後のフロー

ユーザー側の体験は変わらない。Claude Codeに話しかけるだけで、OpenSpaceが背後で進化ループを回す。

OpenSpaceを単体で使う（Path B）

MCP統合を使わず、OpenSpaceを直接AIコワーカーとして動かすこともできる。

# インタラクティブモード
openspace

# タスク指定で実行
openspace --model "anthropic/claude-sonnet-4-5" \
  --query "Dockerコンテナの監視ダッシュボードを作成"

Python APIからも呼び出せる。以下はタスク実行と進化結果を確認する最小サンプルだ。

import asyncio
from openspace import OpenSpace

async def main():
    async with OpenSpace() as cs:
        result = await cs.execute(
            "GitHubトレンドリポジトリを分析してレポート作成"
        )
        print(result["response"])

        # 進化したスキルの確認
        for skill in result.get("evolved_skills", []):
            print(f"  進化: {skill['name']} ({skill['origin']})")

asyncio.run(main())

result["evolved_skills"] には、そのタスクで新たにCAPTURED/FIXED/DERIVEDされたスキルがリストで入る。バッチ実行のログに加えておくと、後で「どのタスクが何を学んだか」が追跡できる。

クラウドスキルの管理CLI

# コミュニティからスキルをダウンロード
openspace-download-skill <skill_id>

# 自作スキルをアップロード
openspace-upload-skill /path/to/skill/dir

公式サイト open-space.cloud ではコミュニティスキルが検索可能だ。ローカル環境を作る前に、既存スキルのラインアップを眺めるだけでもOpenSpaceのカバー範囲が掴める。

ローカルダッシュボード

Node.js 20以上を入れておくと、Web UIでスキル進化の履歴とリネージュグラフを可視化できる。進化のDAG（有向非巡回グラフ）により、「どのスキルがいつ、どのエラーをきっかけに生まれたか」が一目で追える。ブラウザを使う監査ログとして、本番運用では有効だ。

GDPValベンチマークでの実測データ——4.2倍の収益とトークン46%削減

OpenSpaceの効果はGDPValベンチマークで定量的に実証されている。44職種・220タスクの実務課題で、同じLLM（Qwen 3.5-Plus）を使ったベースライン（ClawWork）と比較した結果だ。

テストはPhase 1（コールドスタート）で50タスクを順次実行し、Phase 2（ウォームリラン）で同じ50タスクを再実行する設計だ。Phase 1で蓄積された165のスキルがPhase 2の効率を劇的に改善する。

タスクの中身も実務に即している。複雑な労働組合契約書からの給与計算ツール作成、15のPDFから税務申告書を準備、カリフォルニアプライバシー法の法律メモ作成など、実際にGDPを生み出す業務が対象だ。

カテゴリ別の改善効果

生まれたスキルの内訳が示唆すること

自動進化で蓄積された165スキルの内訳は以下のようになっている。

注目すべきは、ドメイン知識よりも「実行の信頼性」に関するスキルが大半を占めた点だ。32/44のファイル形式スキルは実際の実行失敗から生まれたもので、本番環境のバグ修正がそのままスキルとして蓄積される仕組みの有効性を示している。

「自動化で増えるのは『賢い戦略』ではなく『地味な失敗リカバリー』だった——これこそがエージェントの再現性を支える」

他エージェントツールとの比較と使い分け

Browser UseやForgeCodeのような特定タスクに特化したエージェントと比較すると、OpenSpaceの位置づけが明確になる。

OpenSpaceは特化型ツールの「代替」ではなく「上位レイヤー」として機能する。既存エージェントにプラグインし、その能力を底上げするエンジンだ。

スキル粒度と役割分担

レイヤー構成：

┌───────────────────────────────────────────────┐
│ ユーザー依頼（自然言語）                        │
├───────────────────────────────────────────────┤
│ Claude Code / Codex / Cursor（フロントエージェント）│
├───────────────────────────────────────────────┤
│ OpenSpace（スキル管理・進化・実行ルーティング）   │
├───────────────────────────────────────────────┤
│ Browser Use / ForgeCode / カスタムツール（実行層）│
├───────────────────────────────────────────────┤
│ モデル（Claude / GPT / Qwen 等）                │
└───────────────────────────────────────────────┘

OpenSpaceは「フロントエージェント」と「実行層」の間に入り、過去の成功パターンを再利用する役割を担う。

導入前／導入後——何が具体的に変わるか

OpenSpaceを入れる前後で何が変わるか、具体的な対比で整理する。

運用上の注意点

2026年4月時点でWhatsAppやFeishuとのメッセージングゲートウェイ、SSE/streamable HTTPによるリモートMCPサーバー対応など、機能拡張が続いている。公式ロードマップでは、スキル間の依存関係を自動で解析する「スキル依存グラフ」のリリースが予告されている。

📌 まとめ

OpenSpaceは「エージェントが学習しない」という根本的な課題に対する実用的な解答だ。MITライセンスで公開されており、MCP経由で既存のClaude CodeやCodexに数分で統合できる。GDPValベンチマークの4.2倍の収益改善とPhase 2でのトークン54%削減は、スキル進化の効果を定量的に裏付けている。

この記事の要点を整理すると：

1. 仕組み — FIX/DERIVED/CAPTUREDの3進化モードが独立して回り続ける
2. セットアップ — Python 3.12 ＋ pip install -e . ＋ MCP設定1ブロック
3. 統合 — Claude Code / Codex / Cursor等、SKILL.md対応エージェントに接続
4. 実測 — Phase 2でトークン54%削減・収益4.2倍・品質+30pp
5. 役割 — 既存エージェントの「上位レイヤー」としてスキル管理と進化を担う
6. 運用 — 暴走監視とスキル追加レートの週次チェックが必須

「もっと賢いプロンプトを書く」のではなく「エージェントに学ばせる」——OpenSpaceが示すのはその転換点だ。定型タスクを抱えているチームほど効果が出やすいので、まずは1週間プラグインして、Phase 2相当の数字が出るかを確かめてみてほしい。

参照ソース

• HKUDS/OpenSpace - GitHub公式リポジトリ
• OpenSpace Cloud - コミュニティスキルブラウザ
• GDPVal - 経済価値ベンチマークデータセット（Hugging Face）
• ClawWork - 評価プロトコル（GitHub）
• Model Context Protocol 公式仕様