知识卡片：用 NVIDIA NemoClaw 在可控技术栈上构建专用智能体

一句话结论

NVIDIA NemoClaw 是一组开放蓝图（blueprint），它本身不是新的 harness 也不是运行时，而是在开发者已选用的智能体框架（OpenClaw、Hermes Agent、LangChain Deep Agents）之上，组装出“调优 harness + Nemotron 模型 + NeMo 优化工具 + OpenShell 安全运行时”的全栈方案，使专用智能体可在自有基础设施上部署与治理。

事件概述或研究问题

NVIDIA 于 2026 年 10 月 30 日发布技术博客，阐述构建自主智能体所需的四要素：会推理的模型、定义运行方式的 harness、扩展能力的工具与技能、以及在 production 中治理访问权限的运行时。文章要解决的问题是：如何让智能体在接入真实企业系统与数据时既具备能力、又安全可控，同时不要求开发者重写已有的 agent。

方法/产品要点

• NemoClaw 的定位：一组开放蓝图，组合四个组件——针对 Nemotron 调优的开放 harness、Nemotron 开放模型、NVIDIA NeMo 优化工具（含用于观测与改进执行、以及路由能力的 NeMo Relay）、以及负责治理文件/网络/凭证/工具访问的 OpenShell 安全运行时。
• 支持的三种 harness：
  • OpenClaw：可访问文件与应用、写代码、派生子智能体、跨会话保持上下文，支持长时运行会话、记忆与定时任务，运行在自有机器或服务器上。
  • Hermes Agent（Nous Research）：强调“越用越好”，把团队的纠正与重复工作流沉淀为可复用技能。
  • LangChain Deep Agents：面向复杂多步任务的可定制 harness，结合规划、基于文件的上下文管理、记忆与向专职子智能体委派。
• 模型与 harness 协同调优：LangChain 在不重训模型的前提下，通过调整提示、工具与中间件为 Nemotron 3 Ultra 调优 Deep Agents harness；调优后的模型配置通过 LangChain 在 GitHub 上提供。
• 治理示例：每个 NemoClaw 参考实现都包含 OpenShell；示例中凭证（托管推理与 MCP 连接）被置于沙箱之外，即使记忆或检索上下文引导智能体做出非预期动作，仍受策略约束。NeMo Relay 原生集成进 Hermes 会话，在真实会话边界（新会话、重置、过期）关闭 trace span 并导出轨迹用于审计与优化。
• 部署环境：云、数据中心、NVIDIA DGX Spark、NVIDIA RTX PC 与工作站；可与 Claude、Codex、Cursor 等前沿智能体协同，由后者把领域子任务委派给运行在开放模型与自有基础设施上的 NemoClaw 专用智能体。

主要结果或产业意义

• 官方给出的关键数据：LangChain 为 Nemotron 3 Ultra 调优 Deep Agents harness 后，在已有较强基线之上达到“接近前沿（near-frontier）”的性能，单次运行成本约为领先闭源模型的 1/10。
• 产业意义在于“栈的所有权”：开发者保留现有 harness 与技能投资，只补齐模型优化、遥测与运行时治理，从而把专用智能体从实验推进到可运营的企业系统接入场景；同一套栈可承载工具与技能完全不同的多个专用智能体（文中举例为医院临床智能体与 EDA 仿真智能体）。

为什么重要

文章明确区分了 harness 与 blueprint 的职责：harness 提供工具、技能、记忆与编排，用于构建和定制智能体行为；blueprint 则把 harness 与模型、优化工具、运行时控制组装起来用于运行。这一分工意味着“换模型/换框架”不再是全量重写，而是栈内组件的替换与调优——对希望自主可控、又不想放弃现有 agent 代码的团队是关键卖点。

与既有脉络的关系

既有卡片《用 NVIDIA NemoClaw 构建记忆驱动的智能体》聚焦于记忆驱动 Chief of Staff 示例及其在 Agent Memory Benchmark 上的准确率提升（82.8% → 90.9%）；本卡片补充的是同一博客族中更上层的产品定位与栈结构：NemoClaw 作为跨三种 harness 的开放蓝图集合、模型与 harness 协同调优的方法（LangChain × Nemotron 3 Ultra，约 10x 成本优势）、以及 OpenShell 与 NeMo Relay 在治理与可观测性上的具体职责。两者互为“架构层”与“案例层”，不重复同一组事实。

局限与不确定性

• “near-frontier performance”与“约 10x lower cost per run”为 NVIDIA 博客中的表述，未给出具体基准名称、评测口径与对比的闭源模型清单，待核实。
• 10 倍成本优势对应的具体任务类型、token 计量方式与硬件配置未在材料中说明，待核实。
• NeMo Relay 的路由能力对吞吐、成本、可靠性的具体改善幅度未披露，待核实。
• OpenShell 策略的具体表达方式与绕过风险评估未展开，仅有“防止向 GitHub 数据外泄”的教程作为示例，待核实。

可用于图书/PPT/简报的角度

• “智能体四要素”框架图：模型 / harness / 工具与技能 / 运行时，可作为讲解 agent 工程化的通用骨架。
• harness 与 blueprint 的职责对照表（文中 Table 1），适合用两列对比讲清“构建”与“运行”的分界。
• 模型–harness 协同调优：不重训模型、只调提示/工具/中间件即可获得成本数量级收益，适合作为“系统工程胜过单纯堆模型”的案例。
• 治理前移：把凭证移出沙箱、策略约束与记忆内容解耦，是“记忆可能导致非预期动作”这一风险的工程回答。
• 混合智能体拓扑：前沿闭源智能体做编排、开放模型专用智能体做领域子任务的分工模式。

原始材料

• 标题：Build Specialized Agents on a Stack You Control with NVIDIA NemoClaw
• 作者：Nicola Sessions（NVIDIA agentic AI 软件产品营销总监）
• 来源：NVIDIA Technical Blog
• 日期：Oct 30, 2026
• URL：https://developer.nvidia.com/blog/build-specialized-agents-on-a-stack-you-control-with-nvidia-nemoclaw
• 关键词：NemoClaw、OpenShell、Nemotron、NeMo Relay、agent harness、OpenClaw、Hermes Agent、LangChain Deep Agents、agent governance、Agentic AI