NVIDIA NemoClaw 推出记忆驱动智能体，提升企业任务准确率
NVIDIA 团队基于 NemoClaw 构建记忆驱动的 Chief of Staff 智能体，通过结构化自我模型与 SQLite 账本分离证据与判断，在 Agent Memory Benchmark 上整体准确率从 82.8% 提升至 90.9%。
核心事实
NVIDIA 技术博客发布文章，介绍其团队基于 NVIDIA NemoClaw 构建的“记忆驱动的 Chief of Staff”智能体。该智能体维护一个名为“自我模型”（self model）的人类可读知识层，用于记录人员、项目、优先级和工作模式。系统将知识存储于 Markdown 页面，而义务、排名、更正及审计事件则记录在 SQLite 账本中，从而将证据与判断分离。据博客数据，在 Agent Memory Benchmark 评估中，该自我模型将整体准确率从 82.8% 提升至 90.9%，对随时间变化事实的追踪准确率从 60.0% 提升至 100.0%。
背景与影响
该设计旨在解决企业工作流中智能体缺乏长期上下文的问题。文章提出五项设计经验：跨日常任务维护上下文、分离证据/知识与行动、优先考虑用户意图而非短期紧迫性、允许用户纠正智能体决策，以及通过 NVIDIA OpenShell 在运行时强制执行安全边界。系统采用“意图门”机制，将最高优先级保留给与用户明确优先级相关的义务，而非仅标记为紧急的请求。用户可通过追加式审计轨迹纠正智能体判断，重复的纠正模式会更新可读的偏好策略。运行时，NVIDIA OpenShell 对智能体进行沙箱化，管理文件系统、进程和网络访问，凭据保留在沙箱之外。
限制与来源
博客指出，当前配方聚焦于记忆基础，不会发送消息或修改源系统；实时连接器需要单独处理凭据、隐私、保留和删除问题。示例中的人物、组织、项目和消息均为虚构，离线演练中的模型决策为记录值。文中提及的 NVIDIA Nemotron 3 Ultra 及具体评测数据均来自该博客，尚未获官方独立确认。相关代码与设计提案位于 NVIDIA/nemoclaw-community GitHub 仓库，具体功能与可用性请以官网及仓库当前信息为准。