OpenSpace로 만드는 자기 진화형 AI 에이전트 — Skills·MCP·Lineage로 저비용 재사용까지 한 번에

1. OpenSpace란 무엇인가요?

OpenSpace는 홍콩대학교 데이터 사이언스 랩(HKUDS)이 2026년 공개한 오픈소스 자기 진화형(self-evolving) 스킬 엔진입니다. 쉽게 말해 AI 에이전트 옆에 붙이는 "자동 학습 비서"입니다. 에이전트가 한 번 실행한 작업을 분석해, 잘한 부분은 스킬로 저장하고 다음에 다시 쓸 수 있도록 준비해 둡니다.

기존 AI 에이전트는 매 요청마다 처음부터 사고하기 때문에 같은 실수를 반복하고, 같은 프롬프트를 다시 설명해야 합니다. OpenSpace는 이 문제를 다음 4단계로 해결합니다.

1. 스킬 실행: 에이전트가 작업을 완료하면 결과를 자동 분석
2. 스킬 진화: 잘한 부분은 CAPTURED, 버그를 고친 것은 FIX, 새 변형은 DERIVED로 표시
3. Lineage 기록: 각 스킬의 버전과 "누가 누구로부터 파생됐는지"를 SQLite에 저장
4. 재사용: 다음에 비슷한 작업이 들어오면 진화된 스킬을 자동으로 찾아 적용

2. 핵심 구성 요소 4가지

① Skills (스킬) — 에이전트의 손과 발

스킬은 에이전트가 수행할 수 있는 "역량 단위"입니다. OpenSpace에서는 SKILL.md라는 마크다운 파일 하나로 스킬을 정의합니다. 예를 들어 "CSV 파일을 받아 표 형식의 Markdown 보고서로 바꿔라" 같은 지시문이 그대로 파일 한 개가 됩니다. 호스트 에이전트는 디렉터리를 자동 탐색해 런타임에 즉시 발견하고 활용합니다.

SKILL.md에 들어가는 항목은 보통 다음 4가지입니다.

• 이름·설명: 어떤 작업인지 한 줄 요약
• 입출력 형식: 받을 데이터와 결과물의 형태
• 수행 절차: 단계별 지시문
• 제약·주의사항: 보안·윤리적 가드레일

② MCP (Model Context Protocol) — 외부 도구 연결 표준

MCP는 Anthropic이 2024년 11월 오픈소스로 공개한 표준 프로토콜입니다. 지금은 Linux Foundation 산하 AAIF에 기증되어 업계 표준으로 자리잡았습니다. 한마디로 "AI 에이전트와 외부 도구·데이터를 연결하는 USB-C 규격"이라고 보시면 됩니다.

OpenSpace는 이 MCP 표준을 따르기 때문에 Claude Code, Codex, OpenClaw, nanobot, Cursor 등 다양한 호스트 에이전트와 그대로 호환됩니다. 전송 방식은 Streamable HTTP를 사용해, 단일 HTTP 엔드포인트(/mcp)에서 요청·응답과 실시간 스트리밍을 모두 처리합니다.

③ Lineage (리니지·계보) — 스킬의 족보

리니지는 데이터 계보(data lineage) 개념을 스킬에 적용한 것입니다. Git의 커밋 히스토리와 비슷하지만, AI 프롬프트와 작업 단위로 추적한다는 점이 다릅니다. OpenSpace v2에서 도입된 핵심 개념으로, 다음 3가지를 한 곳에서 관리합니다.

• 스킬의 버전 이력 (v1, v2, v3...)
• 어떤 포크(fork)가 생겼는지
• 어떤 작업이 최적화로 이어졌는지 (감사·audit 가능)

덕분에 디버깅이 훨씬 쉬워집니다. "어제부터 결과가 이상한데, 왜?"라는 질문에 Lineage를 따라가면 원인이 되는 스킬 버전과 작업을 즉시 찾을 수 있습니다.

④ SQLite — 가벼운 기록 저장소

SQLite는 별도 서버 설치 없이 단일 파일로 동작하는 초경량 관계형 데이터베이스입니다. 스마트폰·브라우저·임베디드 시스템까지 전 세계에서 가장 널리 쓰이는 DB입니다. OpenSpace는 진화된 스킬과 메타데이터를 이 SQLite에 저장하므로, 별도 인프라 없이도 자기 진화형 시스템을 만들 수 있습니다.

한눈에 비교하기

3. 튜토리얼 5단계로 빠르게 훑어보기

MarkTechPost의 원본 튜토리얼은 Google Colab에서 진행됩니다. Python 런타임과 API 키만 있으면 약 30분 안에 전체 워크플로우를 직접 돌려볼 수 있습니다.

1단계: 환경 설정과 스파스 체크아웃

먼저 Python 환경을 검증하고, OpenSpace 모델과 선택적인 클라우드 접근 정보를 구성합니다. 그다음 Git의 스파스 체크아웃(sparse checkout) 기능으로 저장소에서 필요한 디렉터리만 골라 받아 디스크 공간과 클론 시간을 크게 절약합니다. 마지막으로 pip install -e .로 편집 가능 모드(editable mode)로 설치해, 소스 코드를 수정하면 재설치 없이 즉시 반영되게 합니다.

git clone --filter=blob:none --sparse https://github.com/HKUDS/OpenSpace.git
cd OpenSpace
git sparse-checkout set cli skills openspace
pip install -e .

2단계: 라이브 작업 실행과 학습

Google Colab에서 비동기(asyncio) 실행을 초기화하고, OpenSpace Python API로 작업을 제출하는 재사용 가능한 함수를 정의합니다. 초기 급여 명세서 생성 작업을 제출한 뒤, 사후 실행 분석에서 OpenSpace가 어떤 스킬을 진화시켰는지 확인합니다. SQLite 데이터베이스 구조를 검토하고, 저장된 레코드와 스킬 레지스트리를 프로그래밍 방식으로 조회합니다.

3단계: 커스텀 SKILL.md 만들기

이전 단계에서 생성된 스킬을 재사용해 관련 급여 명세서 작업을 한 번 더 제출합니다. 이번에는 "CSV 파일을 분석해 구조화된 Markdown 보고서를 만들어라"라는 작업 지시문이 담긴 커스텀 SKILL.md를 직접 작성합니다. 그리고 OpenSpace 호스트 스킬(delegate-task, skill-discovery)을 설치하고, 같은 워크플로우로 다시 실행합니다.

4단계: MCP 서버 구동

Streamable HTTP 전송 방식으로 OpenSpace MCP 서버를 시작하고, 로컬 Colab 엔드포인트에 바인딩합니다. 기본 HTTP 요청이 MCP 전용 응답 상태를 반환하더라도 서버 프로세스가 살아 있는지 확인하기 위해 엔드포인트를 점검합니다. 외부 에이전트가 OpenSpace 워크스페이스와 스킬 디렉터리에 접근하는 데 쓸 수 있는 예제 MCP 호스트 설정 파일을 함께 생성합니다.

5단계: 진화 데이터베이스 분석

유효한 클라우드 API 키가 있을 때는 커스텀 스킬을 OpenSpace 클라우드 커뮤니티에 업로드합니다. 마지막으로 쇼케이스 SQLite 데이터베이스를 살펴 60개 이상의 스킬과 그 진화 Lineage를 연구합니다. 출처 유형(FIX, DERIVED, CAPTURED)별로 스킬을 집계해, 어떤 패턴이 가장 자주 나타나는지 시각화합니다.

4. 비용 절감 효과는 얼마나 되나요?

OpenSpace 팀의 자체 보고에 따르면, 스킬을 재사용할 때 LLM(대규모 언어 모델) 토큰 사용량을 최대 46%까지 줄일 수 있습니다. 어떻게 가능한 걸까요?

• 프롬프트 압축: 같은 작업을 매번 길게 설명하지 않고, 검증된 짧은 스킬 ID만 호출
• 중복 추론 제거: 이미 학습된 절차는 다시 사고하지 않음
• 실수 비용 절감: 진화된 스킬은 이전 실패를 반영해 FIX된 버전이므로 재시도 횟수 감소
• 오프라인 실행: 일부 스킬은 LLM 호출 없이 로컬에서만 실행 가능

특히 반복적인 업무 자동화(예: 비슷한 보고서 생성, 비슷한 데이터 변환)에서 효과가 큽니다. 일회성 작업에는 효과가 제한적이지만, 같은 패턴을 한 달에 수십~수백 번 처리하는 환경이라면 LLM API 비용을 절반 가까이 줄일 수 있습니다.

5. 어떤 AI 에이전트와 호환되나요?

OpenSpace는 MCP 표준을 따르기 때문에, SKILL.md를 이해하는 모든 호스트 에이전트와 호환됩니다. 현재 공식적으로 지원하거나 자주 테스트되는 에이전트는 다음과 같습니다.

튜토리얼을 끝까지 마치면 다음 자산을 기본으로 갖게 됩니다.

6. 꼭 알아야 할 주의사항

튜토리얼을 직접 따라 하기 전에 다음 사항을 꼭 확인하세요.

• 스파스 체크아웃 환경 — Git 2.25 이상에서 권장되는 --cone 모드를 사용하세요. 구버전에서는 패턴이 제한될 수 있습니다.
• 편집 가능 모드의 함정 — pip install -e로 설치한 패키지는 의존성 충돌이 생기면 시스템 전체에 영향을 줄 수 있으므로, 가능하면 가상환경(venv)을 사용하세요.
• SQLite 단일 파일 백업 — 진화된 스킬은 전부 SQLite 파일 하나에 들어 있습니다. 이 파일이 손상되면 모든 학습 이력이 사라지므로 정기적인 백업을 권장합니다.
• MCP HTTP 응답状态 코드 — 정상적인 MCP 엔드포인트는 일반 HTTP GET에 대해 400 또는 405를 반환합니다. 200 OK가 아니어도 서버가 살아 있을 수 있으니, 단순한 health-check 외에는 응답 코드만으로 판단하지 마세요.
• API 키 없이도 가능 — 클라우드 업로드 단계는 선택이지만, 라이브 LLM 실행 단계는 API 키가 없으면 분석·진화 학습이 제한됩니다.

7. 다음 단계: 어떻게 시작하나요?

지금 바로 시작하려면 다음 순서로 진행하세요.

1. GitHub 저장소 방문: github.com/HKUDS/OpenSpace에서 README를 확인합니다.
2. Google Colab 노트북 준비: Python 3.10+ 런타임으로 새 노트북을 만들고, 위 1~5단계를 차례대로 실행합니다.
3. SKILL.md 1개 만들기: 본인이 자주 하는 반복 작업을 골라 SKILL.md 한 개를 직접 작성해 봅니다. 작은 작업일수록 효과가 빠르게 체감됩니다.
4. Lineage 추적 관찰: 같은 작업을 5~10회 반복 실행하고, SQLite에서 스킬이 어떻게 FIX·DERIVED·CAPTURED되는지 diff를 확인합니다.
5. 커뮤니티 스킬 공유: 유효한 클라우드 API 키가 있다면, 잘 동작한 커스텀 스킬을 OpenSpace 클라우드 커뮤니티에 업로드해 다른 사용자도 쓸 수 있게 합니다.

관련 작업을 더 실행하고, 스킬이 스스로 FIX / DERIVED / CAPTURED될수록 토큰 사용량이 줄어드는지를 직접 측정해 보세요. 이것이 자기 진화형 AI 에이전트의 가장 큰 매력입니다 — 쓸수록 똑똑해지고, 쓸수록 저렴해집니다.