2026年 9月 4日作者Xuan Wu, Alexia Huang, Yijie Lai, Joe Liu 和 Xiaowei Li企业工作涵盖随时间变化的AI 智能体必须先对其进行重建然后再进行贡献。为了向智能体提供这种必要的环境我们的团队使用 NVIDIA NemoClaw 构建了 内存驱动的办公室主任。它维护着人类可读的知识层 (称为自我模型) 相关人员、项目、优先级和工作模式的智能体内存。定期作业会定期审查新活动、跟踪义务并随着时间的推移整合用户决策。我们的经验表明有用的智能体内存需要结构、选择性检索和治理而不仅仅是存储。本文将介绍使用 NVIDIA NemoClaw 构建的内存驱动型智能体如何提高实际企业工作流的工作效率。它还分享了您可以应用于自己的智能体的五个设计课程在日常工作中维护上下文以提高任务质量将证据、知识和行动分开帮助智能体做出更明智的判断设计内存驱动的智能体可以优先考虑用户意图而非短期紧急性允许用户纠正智能体的决策以建立信任借助 NVIDIA OpenShell 实现安全与授权边界在日常工作中维护上下文对话历史记录提供了短期的连续性但它混合了当前的优先事项与过去的决定和临时请求。检索可以找到相关的源材质但智能体仍然必须连接不同时间的信息。思考项目状态问题。答案可能取决于先前的决定、后续消息中的更正、未解决的义务以及是否知道两个不同的名称是指同一个项目。要解决这些问题您可以使用在结构化 Markdown 页面中维护这些关系的自我模型。它会整理有关人员、项目、优先事项、目标、概念和重复性工作模式的信息。其架构定义了索引、交叉参考、来源和生长限制。自身模型存储衍生解释而不是替换源证据。将两者分开有助于开发者确定错误答案是否来自证据、记忆维护、检索或模型的最终决策。将证据、知识和行动分开您可以使用内存驱动的办公室主任提供的三层调优功能证据 → 知识 → 治理 → 执行Evidence 支持对自身模型进行更新。对于每项任务智能体都会检索一组有边界的相关上下文。然后智能体在 NVIDIA NemoClaw 示例中使用该上下文。该架构如图 1 所示。图 1. NVIDIA NemoClaw 使用持久性上下文处理受治理的智能体操作此示例存储两种信息知识人员、项目、优先事项和工作模式判断商品是否需要关注、排名以及用户是否忽略该商品Markdown 智能体内存用于存储知识。SQLite 分类帐可存储义务、排名、更正和审计事件。这种设计保留了智能体的判断无需将其写入源消息如读取标志、标签或文件夹。内存页面可能会显示协作者更喜欢 Slack。代理可以使用该上下文来推荐 Slack但发送消息仍取决于凭据、工具权限、运行时策略和用户审批。上下文可以为操作提供信息但无法授权。优先考虑用户意图而非短期紧迫感收到的请求通常会自我描述为紧急但紧急程度并不一定反映用户的优先级。因此意图门会为与用户声明的优先级相关的义务保留最高级别。在所提供的公开配方中紧急费用政策证明仍然可见但排名低于与声明的优先级相关联的较安静的请求。您的 NVIDIA NemoClaw 可以解释这种关系而确定性代码会强制执行层大小、溢出行为和排名顺序。允许用户纠正智能体持久内存可以像保留正确的判断一样轻松地保留错误的判断。使用 recipe您可以将义务移动到另一层或忽略它之后智能体运行会保留该决定。每次更改都会记录在仅附加的审核追踪中。重复的校正模式可以更新一个小的、可读的偏好策略。用户可以检查、编辑或删除该策略而不是将偏好设置隐藏在模型状态中。反馈回路保持可见智能体判断用户校正审核事件偏好更新添加内存以提高智能体任务性能将内存驱动的办公室主任添加到 NemoClaw 后多个智能体任务得到了显著改进如表 1 所示。代理内存基准测试和评估示例包含在示例存储库中。示例存储库比较了与自身模型执行多轮检索的代理检索增强生成 (RAG)基准。指标问题数量代理式 RAG 基准自模型差异总体准确性18682.8%90.9% 8.1 pp难题3167.7%87.1% 19.4 pp跟踪随时间推移而变化的事实560.0%100.0% 40.0 pp时间点推理633.3%66.7%~ 33.3 pp实体消歧义1566.7%86.7% 20.0 pp多源合成7387.7%94.5%~ 6.8 pp根据语料库准确回答13100.0%92.3%-7.7 pp单跳查找3086.7%83.3%-3.3 pp引文范围18692.5%97.8% 5.4 pp表 1. 示例资源库中代理式 RAG 基准和自身模型的评估指标。两种配置均使用 NVIDIA Nemotron 3 Ultra在运行时执行边界这种分离通过 NVIDIA NemoClaw 和 NVIDIA OpenShell 安全运行时实现适用于自主智能体。NemoClaw 将该示例与 NVIDIA OpenShell 集成并管理其生命周期而 NVIDIA OpenShell 则在沙盒中运行智能体并为文件系统、进程和网络访问提供治理和策略执行。对于受管理推理和 MCP 连接凭据将保留在沙盒之外。这一点很重要因为内存和检索到的内容是模型的输入而不是受信任的安全策略。如果智能体误解了该上下文或者遵循恶意指令它仍然在运营商定义的运行时边界内运行。它们限制了智能体的访问权限和故障的潜在影响。开始构建智能体内存要根据您自己的 NemoClaw 示例调整本文中介绍的内存设计请在 NVIDIA/nemoclaw-community GitHub 存储库中查看开源的内存驱动型办公室主任 recipe及其设计方案。recipe 将此示例打包为适用于 NemoClaw 的可部署的 Hermes 配置文件结构化内存架构耐用型承付款分类帐有限排名逻辑用户校正和审核路径定期内存维护合成消息和内存页面离线演练一套单元测试示例人员、组织、项目和信息均已发明。记录的模型决策可用于离线演练中的推理。然后代码会应用排名、校正、持久性和验证行为。当前 recipe 侧重于内存基础。它不会发送消息或修改源系统。此范围允许您检查设计而无需关联工作场所账户。实时连接器需要单独处理凭据、隐私、保留和删除。详细了解 NVIDIA NemoClaw 和 NVIDIA OpenShell。 
长河君 · 2026/10/10 6:05:11 · 阅读 1.2k 使用 NVIDIA NemoClaw 构建内存驱动型智能体
2026年 9月 4日作者Xuan Wu, Alexia Huang, Yijie Lai, Joe Liu 和 Xiaowei Li企业工作涵盖随时间变化的AI 智能体必须先对其进行重建然后再进行贡献。为了向智能体提供这种必要的环境我们的团队使用 NVIDIA NemoClaw 构建了 内存驱动的办公室主任。它维护着人类可读的知识层 (称为自我模型) 相关人员、项目、优先级和工作模式的智能体内存。定期作业会定期审查新活动、跟踪义务并随着时间的推移整合用户决策。我们的经验表明有用的智能体内存需要结构、选择性检索和治理而不仅仅是存储。本文将介绍使用 NVIDIA NemoClaw 构建的内存驱动型智能体如何提高实际企业工作流的工作效率。它还分享了您可以应用于自己的智能体的五个设计课程在日常工作中维护上下文以提高任务质量将证据、知识和行动分开帮助智能体做出更明智的判断设计内存驱动的智能体可以优先考虑用户意图而非短期紧急性允许用户纠正智能体的决策以建立信任借助 NVIDIA OpenShell 实现安全与授权边界在日常工作中维护上下文对话历史记录提供了短期的连续性但它混合了当前的优先事项与过去的决定和临时请求。检索可以找到相关的源材质但智能体仍然必须连接不同时间的信息。思考项目状态问题。答案可能取决于先前的决定、后续消息中的更正、未解决的义务以及是否知道两个不同的名称是指同一个项目。要解决这些问题您可以使用在结构化 Markdown 页面中维护这些关系的自我模型。它会整理有关人员、项目、优先事项、目标、概念和重复性工作模式的信息。其架构定义了索引、交叉参考、来源和生长限制。自身模型存储衍生解释而不是替换源证据。将两者分开有助于开发者确定错误答案是否来自证据、记忆维护、检索或模型的最终决策。将证据、知识和行动分开您可以使用内存驱动的办公室主任提供的三层调优功能证据 → 知识 → 治理 → 执行Evidence 支持对自身模型进行更新。对于每项任务智能体都会检索一组有边界的相关上下文。然后智能体在 NVIDIA NemoClaw 示例中使用该上下文。该架构如图 1 所示。图 1. NVIDIA NemoClaw 使用持久性上下文处理受治理的智能体操作此示例存储两种信息知识人员、项目、优先事项和工作模式判断商品是否需要关注、排名以及用户是否忽略该商品Markdown 智能体内存用于存储知识。SQLite 分类帐可存储义务、排名、更正和审计事件。这种设计保留了智能体的判断无需将其写入源消息如读取标志、标签或文件夹。内存页面可能会显示协作者更喜欢 Slack。代理可以使用该上下文来推荐 Slack但发送消息仍取决于凭据、工具权限、运行时策略和用户审批。上下文可以为操作提供信息但无法授权。优先考虑用户意图而非短期紧迫感收到的请求通常会自我描述为紧急但紧急程度并不一定反映用户的优先级。因此意图门会为与用户声明的优先级相关的义务保留最高级别。在所提供的公开配方中紧急费用政策证明仍然可见但排名低于与声明的优先级相关联的较安静的请求。您的 NVIDIA NemoClaw 可以解释这种关系而确定性代码会强制执行层大小、溢出行为和排名顺序。允许用户纠正智能体持久内存可以像保留正确的判断一样轻松地保留错误的判断。使用 recipe您可以将义务移动到另一层或忽略它之后智能体运行会保留该决定。每次更改都会记录在仅附加的审核追踪中。重复的校正模式可以更新一个小的、可读的偏好策略。用户可以检查、编辑或删除该策略而不是将偏好设置隐藏在模型状态中。反馈回路保持可见智能体判断用户校正审核事件偏好更新添加内存以提高智能体任务性能将内存驱动的办公室主任添加到 NemoClaw 后多个智能体任务得到了显著改进如表 1 所示。代理内存基准测试和评估示例包含在示例存储库中。示例存储库比较了与自身模型执行多轮检索的代理检索增强生成 (RAG)基准。指标问题数量代理式 RAG 基准自模型差异总体准确性18682.8%90.9% 8.1 pp难题3167.7%87.1% 19.4 pp跟踪随时间推移而变化的事实560.0%100.0% 40.0 pp时间点推理633.3%66.7%~ 33.3 pp实体消歧义1566.7%86.7% 20.0 pp多源合成7387.7%94.5%~ 6.8 pp根据语料库准确回答13100.0%92.3%-7.7 pp单跳查找3086.7%83.3%-3.3 pp引文范围18692.5%97.8% 5.4 pp表 1. 示例资源库中代理式 RAG 基准和自身模型的评估指标。两种配置均使用 NVIDIA Nemotron 3 Ultra在运行时执行边界这种分离通过 NVIDIA NemoClaw 和 NVIDIA OpenShell 安全运行时实现适用于自主智能体。NemoClaw 将该示例与 NVIDIA OpenShell 集成并管理其生命周期而 NVIDIA OpenShell 则在沙盒中运行智能体并为文件系统、进程和网络访问提供治理和策略执行。对于受管理推理和 MCP 连接凭据将保留在沙盒之外。这一点很重要因为内存和检索到的内容是模型的输入而不是受信任的安全策略。如果智能体误解了该上下文或者遵循恶意指令它仍然在运营商定义的运行时边界内运行。它们限制了智能体的访问权限和故障的潜在影响。开始构建智能体内存要根据您自己的 NemoClaw 示例调整本文中介绍的内存设计请在 NVIDIA/nemoclaw-community GitHub 存储库中查看开源的内存驱动型办公室主任 recipe及其设计方案。recipe 将此示例打包为适用于 NemoClaw 的可部署的 Hermes 配置文件结构化内存架构耐用型承付款分类帐有限排名逻辑用户校正和审核路径定期内存维护合成消息和内存页面离线演练一套单元测试示例人员、组织、项目和信息均已发明。记录的模型决策可用于离线演练中的推理。然后代码会应用排名、校正、持久性和验证行为。当前 recipe 侧重于内存基础。它不会发送消息或修改源系统。此范围允许您检查设计而无需关联工作场所账户。实时连接器需要单独处理凭据、隐私、保留和删除。详细了解 NVIDIA NemoClaw 和 NVIDIA OpenShell。