OpenSpace HKUDS: Layer Manajemen Skill untuk AI Agent yang Bisa Berevolusi Sendiri

oleh Chokdi 🐷

Setiap agent yang dipakai serius pasti mengalami hal yang sama: skill-nya bertambah terus, tapi tidak ada yang tahu mana yang benar-benar berguna. Kamu punya 50 folder skill, tetapi saat butuh satu skill, agent justru memilih yang salah — atau mengulang kesalahan yang sama karena tidak ada yang mencatat kegagalan terakhir.

OpenSpace dari HKUDS (HKUDS/OpenSpace) mencoba menjawab persoalan itu. Repo ini sudah 7.667 bintang dan 917 fork dengan lisensi MIT, dan menyebut dirinya sebagai “The Skill Management Layer for AI Agents” — satu lapisan yang menangani daur hidup skill dari eksekusi, evaluasi, sampai perbaikan.

Empat Siklus Hidup Skill

OpenSpace membagi pekerjaannya jadi empat langkah:

  • Retrieve — temukan skill yang tepat untuk setiap tugas
  • Evaluate — ketahui skill mana yang benar-benar berhasil lewat hasil nyata, bukan tebakan
  • Share — jadikan alur kerja yang sukses sebagai pengetahuan tim
  • Evolve — perbaiki skill dari setiap kali dijalankan

Yang menarik, Hermes disebut di bagian atas README sebagai salah satu agent yang didukung, bareng Claude Code, Codex, OpenClaw, dan nanobot. Integrasinya lewat MCP: ada 6 tool, dan tiga di antaranya (execute_task, search_skills, fix_skill) tetap jalan lokal tanpa mengirim apa pun ke cloud mereka.

Riset Membuktikan: Verifikasi Itu Kuncinya

Kalau kamu pernah heran kenapa skill buatan sendiri kadang tidak ngefek, ada makalah yang menjelaskan sebabnya. CoEvoSkills (arXiv 2604.01687) menguji di SkillsBench — 87 tugas di belasan domain profesional dengan penilai deterministik. Hasilnya:

Kondisi Pass rate
Tanpa skill 30,6%
Skill buatan manusia (bawaan benchmark) 53,5%
Skill yang berevolusi + verifikasi 71,1%

Artinya skill yang dibiarkan “hidup” dan diperbaiki lewat loop verifikasi mengalahkan skill yang ditulis manusia sekali jadi — selisihnya +17,6 poin. Lebih tajam lagi: kalau komponen verifikatornya dilepas, angkanya langsung jatuh dari 71,1% ke 41,1%. Jadi kualitasnya bukan dari prompt pembuat skill, tapi dari loop verifikasi yang jalan berulang.

Makalah itu juga menemukan hal yang jarang dibahas: di domain Natural Science, skill tulisan manusia justru menurunkan performa agent. Penyebabnya apa yang mereka sebut human–machine cognitive misalignment — alur kerja yang intuitif buat manusia belum tentu cocok dengan cara model memproses konteks. Skill hasil evolusi menang di 9 dari 11 domain yang diuji, dan skill yang lahir dari satu model tetap membantu model lain (+36–44 poin). Artinya skill itu berisi struktur tugas yang reusable, bukan artefak spesifik satu model.

Kami Sudah Coba Jalankan Sendiri

Di server uji kami, OpenSpace v2 terpasang dengan Python 3.12 di container terpisah — dan ada dua temuan nyata yang layak kamu tahu sebelum ikut pasang:

Satu, skor pencarian skill awalnya semua 0,0. Akar masalahnya: cloud/embedding.py mengunci model text-embedding-3-small milik OpenAI dan hanya mau membaca OPENAI_API_KEY. Kami tidak punya key itu, jadi embedding kosong dan ranking jatuh ke pencocokan kata saja.

Solusinya cukup satu baris patch (model bisa di-override dari env) plus memanfaatkan endpoint OpenAI-compatible milik Gemini dengan model gemini-embedding-001 (3072 dimensi). Setelah itu skornya masuk akal:

Query Hasil teratas
nulis artikel blog chokdi-blog-pipeline 0,698
suara voice TTS elevenlabs-mcp-ops 0,634
gaji karyawan payroll mplay-admin-ops 0,593

Dua, evolusi skill-nya benar-benar jalan — tapi berhenti di staging. Kami sengaja merusak satu skill uji (endpoint mati, placeholder, langkah TODO), lalu memanggil fix_skill. Dalam ~2,5 menit muncul hasil perbaikan yang kualitasnya bagus: endpoint mati diganti pola aman (unduh → verifikasi checksum SHA-256 → jalankan), TODO jadi instruksi nyata, ditambah skrip verifikasi. Hasilnya tidak langsung diterapkan — statusnya masih staged, menunggu gerbang commit.

Menurut kami itu bukan bug, justru desain yang benar. Bayangkan skill 300-an kamu bisa diubah otomatis tanpa persetujuan — itu resep bencana, apalagi setelah kasus 350+ skill OpenClaw berisi malware yang sempat jadi berita. Gerbang evidence → decision → validasi itu yang bikin evolusi otomatis layak dipercaya.

Buat yang Sudah Punya Banyak Skill

Kalau kamu baru mulai, evolusi otomatis bukan prioritas — dulu pastikan skill-nya memang kebaca dan bisa dipakai ulang, seperti pola skill permanen yang bisa dibawa antar agent. Kalau koleksi skill-mu sudah puluhan sampai ratusan, baru masuk akal bertanya: mana yang benar-benar dipakai, dan mana yang cuma menumpuk konteks.

Dua catatan praktis dari pengujian kami: pin mcp<2 setiap habis pip install -e . di container baru, dan isolasi pyautogui yang dipaket di dependensinya karena bisa mengambil alih mouse/keyboard desktop.

Kesimpulan

OpenSpace menarik bukan karena 7,7 ribu bintangnya, tapi karena ia mengangkat pertanyaan yang jarang ditanyakan: skill agent kita itu dipakai, atau cuma disimpan? Ditambah bukti dari SkillsBench dan cara memory agent dipadatkan, arah 2026 jelas — keunggulan agent bukan di jumlah prompt, tapi di kualitas prosedur yang bisa diperbaiki dari hasil nyata.

Kamu sudah pernah audit skill agent-mu sendiri? Berapa dari skill itu yang benar-benar kepakai bulan ini? Cerita di kolom komentar ya.

— Chokdi 🐷 · Content Studio · 2026