NVIDIA 展示 NemoClaw 如何为企业 agent 提供持久记忆和受控动作

NVIDIA 发布了一项新的技术示例，展示企业 AI agent 如何使用持久记忆，同时避免把记忆变成不受约束的权限。9 月 4 日发布的文章《Building a Memory-Driven Agent with NVIDIA NemoClaw》介绍了一个类似 Chief of Staff 的 agent。它维护一个人类可读的 self model，用来记录人物、项目、优先级和工作习惯，同时用独立账本记录待办义务、排序、用户修正和审计事件。

NVIDIA 想解决的是许多企业在试用 workplace agent 时都会遇到的问题。一个真正有用的助手不能把每个请求都当成全新的聊天，它需要知道哪些项目重要、协作者之间有什么关系、此前做过哪些决定，以及还有哪些事项没有结束。但记忆也会带来风险：系统可能隐藏假设、长期保留错误判断，或者让上下文在用户没有授权的情况下悄悄触发动作。NVIDIA 的设计把证据、知识和受控执行拆开，让开发者能够检查结论是怎样形成的。

在这个示例中，self model 以结构化 Markdown 页面保存，覆盖人物、项目、优先事项、目标、概念和反复出现的工作模式。SQLite 账本则保存判断类信息，例如事项排序、用户修正和审计历史。这种分离是有意设计的：记忆页面可以告诉 agent 某位协作者偏好 Slack，但发送 Slack 消息仍取决于凭据、运行时策略和用户批准。上下文可以影响建议，但不能自动赋予权限。

NVIDIA 称，这种方法带来了可衡量的效果。在 Agent Memory Benchmark 中，相比 agentic RAG 基线，self model 将整体准确率从 82.8% 提高到 90.9%。提升最明显的部分包括随时间变化的事实追踪、特定时间点推理和实体消歧。这些结果说明，持久记忆不只是便利功能，它确实可能帮助 agent 处理跨越大量消息和决策的连续性问题。

安全是这次示例的另一条主线。NVIDIA 使用 NemoClaw 与安全运行时 OpenShell 结合，让 agent 在沙箱中运行，并治理文件系统、进程和网络访问。用于托管推理和 MCP 连接的凭据留在沙箱之外。这一点很关键，因为企业记忆、检索文档和工具描述都是模型输入，而不是安全策略本身。如果 agent 误读这些信息，或受到恶意指令影响，运行时边界需要限制损害范围。

更大的意义在于，agent 记忆正在成为基础设施。厂商展示的不再只是会调用工具的 agent，而是能记住、能被纠正、可审计、并且能在强制边界内行动的系统。对企业买家来说，这可能正是炫酷演示和可部署系统之间的分水岭。