Xây dựng AI Agent tự tiến hóa với OpenSpace: Kỹ năng, MCP và quản lý dòng đời

Trong bài hướng dẫn này, chúng ta sẽ xây dựng và tìm hiểu quy trình làm việc của OpenSpace, bắt đầu từ việc thiết lập môi trường và sao chép kho lưu trữ (repository) theo dạng sparse, cho đến thực thi tác vụ trực tiếp, phát triển kỹ năng (skill evolution) và tích hợp tác nhân (agent) dựa trên MCP. Chúng ta sẽ cấu hình thông tin xác thực mô hình và các biến không gian làm việc, cài đặt dự án ở chế độ có thể chỉnh sửa (editable mode), gọi API Python bất đồng bộ và kiểm tra cách OpenSpace lưu trữ các khả năng đã phát triển trong SQLite cùng với siêu dữ liệu về phiên bản và nguồn gốc (lineage). Chúng ta cũng sẽ tạo một tệp SKILL.md tùy chỉnh, kết nối các kỹ năng của host-agent, kiểm tra việc tái sử dụng tác vụ warm-task, khởi chạy máy chủ MCP HTTP có khả năng truyền phát (streamable) và phân tích cơ sở dữ liệu tiến hóa mẫu để hiểu cách các kỹ năng FIX, DERIVED và CAPTURED hỗ trợ hành vi tác nhân có thể tái sử dụng với chi phí thấp hơn.

Chúng ta xác minh môi trường chạy Python, xác định các thông tin xác thực API cần thiết, đồng thời cấu hình mô hình OpenSpace và các cài đặt truy cập đám mây tùy chọn. Chúng ta sao chép kho lưu trữ bằng lệnh sparse checkout, cài đặt gói ở chế độ có thể chỉnh sửa và xác nhận rằng các công cụ dòng lệnh của OpenSpace đã sẵn sàng. Sau đó, chúng ta tạo các thư mục không gian làm việc và thư mục kỹ năng, viết các tệp cấu hình môi trường, xuất các biến cần thiết và phát hiện xem việc thực thi LLM trực tiếp có được bật hay không.

Chúng ta khởi tạo quá trình thực thi bất đồng bộ trong Google Colab và định nghĩa một hàm có thể tái sử dụng để gửi các tác vụ thông qua Python API của OpenSpace. Chúng ta chạy một tác vụ tạo bảng lương ban đầu và kiểm tra bất kỳ kỹ năng nào mà OpenSpace phát triển trong quá trình phân tích sau thực thi. Chúng ta cũng kiểm tra cấu trúc cơ sở dữ liệu SQLite, hiển thị các bản ghi đã lưu và xác minh rằng sổ đăng ký kỹ năng cùng các định nghĩa kiểu dữ liệu có thể truy cập được thông qua lập trình.

Chúng ta gửi một tác vụ bảng lương liên quan để quan sát cách OpenSpace tái sử dụng hoặc suy luận các khả năng từ những kỹ năng đã tạo trước đó. Chúng ta tạo một tệp SKILL.md tùy chỉnh để hướng dẫn tác nhân phân tích các tệp CSV và tạo ra các báo cáo Markdown có cấu trúc. Sau đó, chúng ta cài đặt các kỹ năng host của OpenSpace, tạo tập dữ liệu minh họa và thực thi khả năng tùy chỉnh thông qua cùng một quy trình tác nhân đang phát triển.

Chúng ta khởi động máy chủ MCP của OpenSpace bằng giao thức truyền tải HTTP streamable và liên kết nó với một endpoint cục bộ trên Colab. Chúng ta thăm dò endpoint để xác nhận rằng tiến trình máy chủ đang chạy, ngay cả khi một yêu cầu HTTP cơ bản trả về trạng thái phản hồi đặc thù của MCP. Chúng ta cũng tạo một cấu hình host MCP mẫu mà các tác nhân bên ngoài có thể sử dụng để truy cập vào không gian làm việc và các thư mục kỹ năng của OpenSpace.

Chúng ta tải kỹ năng tùy chỉnh lên cộng đồng đám mây OpenSpace nếu có khóa API đám mây hợp lệ. Chúng ta kiểm tra cơ sở dữ liệu SQLite mẫu của kho lưu trữ để nghiên cứu các kỹ năng đã lưu, siêu dữ liệu, thông tin chất lượng và toàn bộ quá trình phát triển (lineage). Cuối cùng, chúng ta tổng hợp các kỹ năng theo loại nguồn gốc và tóm tắt môi trường Colab, khả năng tùy chỉnh, tích hợp MCP và quy trình tự phát triển mà chúng ta đã thiết lập trong suốt bài hướng dẫn.

Tóm lại, chúng ta đã thiết lập một môi trường OpenSpace thực tế, chứng minh cách các khả năng của tác nhân được thực thi, lưu trữ, tái sử dụng và cải thiện dần dần. Chúng ta đã làm việc trực tiếp với Python API, các thư mục kỹ năng cục bộ, sổ đăng ký dựa trên SQLite, các giao thức truyền tải MCP và các lệnh chia sẻ kỹ năng đám mây tùy chọn, giúp chúng ta có cái nhìn sâu sắc về cả quy trình làm việc của người dùng lẫn kiến trúc công cụ kỹ năng bên dưới. Chúng ta cũng đã xác minh cách các tác vụ liên quan có thể tái sử dụng kiến thức đã phát triển trước đó, cách các kỹ năng tùy chỉnh trở nên có thể khám phá trong thời gian chạy và cách các bản ghi nguồn gốc phơi bày lịch sử phát triển của từng khả năng, tạo nền tảng vững chắc để xây dựng các hệ thống tác nhân tự phát triển, tiết kiệm chi phí trong Colab.

Xem mã nguồn đầy đủ tại đây. Ngoài ra, hãy theo dõi chúng tôi trên Twitter và đừng quên tham gia SubReddit ML 150k+ của chúng tôi cũng như đăng ký nhận Bản tin (Newsletter). Khoan đã! Bạn có dùng Telegram không? Bây giờ bạn cũng có thể tham gia cùng chúng tôi trên Telegram.

Cần hợp tác với chúng tôi để quảng bá GitHub Repo, Trang Hugging Face, Phát hành sản phẩm hoặc Hội thảo trực tuyến (Webinar), v.v. của bạn? Hãy kết nối với chúng tôi.

Sana Hassan, thực tập sinh tư vấn tại Marktechpost và là sinh viên bằng kép tại IIT Madras, có niềm đam mê áp dụng công nghệ và AI để giải quyết các thách thức trong thế giới thực. Với sự quan tâm sâu sắc đến việc giải quyết các vấn đề thực tiễn, cô mang đến một góc nhìn mới mẻ về sự giao thoa giữa AI và các giải pháp đời sống.