NVIDIA 扩展 Agent Toolkit，用企业数据连接检索、业务关系与预测

NVIDIA 于 10 月 21 日扩展 Agent Toolkit，新增 Agent Knowledge Foundation，用一组模型和软件库把企业智能体连接到公司信息。公告把关注点从模型的一般知识，转向具体决策所需的文档、表格和业务关系。NVIDIA 将这套新基础能力，与 OpenShell 运行环境、NemoClaw 蓝图以及构建和改进专用智能体的工具放在同一体系中。

公司介绍的应用分布在不同数据平台上，而非集中于某个新应用。NVIDIA 自身供应链组织正结合 Palantir 的 Foundry、Ontology 和 AIP 开展工作，Snowflake 则把 Kumo 能力带入笔记本环境。其他合作伙伴将 Nemotron Retriever 用于搜索和文档理解。这些案例体现的是不同集成位置，并不意味着所提平台的每位客户都会自动获得所有组件。

开发者材料将新基础能力描述为模块化组合。Nemotron Retriever 负责文档处理、嵌入与重排序，CUDA-X 软件库支持数据准备、相似度搜索、图分析、机器学习和优化。既有数据库、本体系统和智能体框架可以继续参与工作流程。各个组件能够单独采用，使应用可以先改善信息处理中的某个环节，而不必整体更换企业数据环境。

Auto Ontology 处理信息背后的关系。它依据企业数据和文档，生成业务概念的初始表达，再由业务专家测试、调整和确认。这在原始记录与智能体回答之间增加了一层结构：客户、订单或产品，可以通过与其他记录的联系被理解。系统生成的是需要业务验证的起点，不应默认成为权威描述。

Kumo 则为结构化数据加入预测能力。NVIDIA 将其描述为面向表格、表格间关系和时间序列信号的开放模型、软件库与工具家族，用于预测结果、评估风险、发现异常和推荐操作。这类任务不同于从文档中找出一段文字：输出关心的是可能发生的结果或记录中的模式，而不仅是检索已经存在的陈述。

其思路是通过预训练模型，减少传统预测性机器学习项目反复开展的工作。过去，每项任务往往都要分别准备数据、设计特征、训练和调整模型，再搭建部署流程。Kumo 希望让更多能力可以在结构化数据问题之间复用。这扩展了企业智能体在语言生成之外的作用，但预测是否有用，仍与应用使用的数据、提出的问题以及评估方式密切相关。

运行控制是这套体系的另一部分。OpenShell 文档描述了对可读写路径、进程身份和程序能够连接的网络目标进行约束的策略。策略未允许的访问会被拒绝。有些控制在沙箱启动时固定，网络规则则可以在运行期间调整。这些机制处理的是智能体软件可以做什么，与它检索的依据或给出的预测是否正确，属于不同问题。

当预测需要转变为运营决策时，NVIDIA 将这些组件与 cuOpt 配合使用。这个优化软件库依据目标和约束，生成路线、时间安排和资源分配方案。cuGraph 提供关联记录分析，cuML 则支持自定义机器学习流程。开发者材料把它们视为可以独立使用的组件，使团队能够通过不同方式，将新模型接入既有分析系统。