Nemotron Labs：OpenClaw Agent 对各类组织的意义

# Nemotron Labs：OpenClaw Agent 对每个组织的意义 来源：https://blogs.nvidia.com/blog/what-openclaw-agents-mean-for-every-organization/ *编者注：本文是**Nemotron Labs* (https://blogs.nvidia.com/blog/tag/nemotron-labs/)*博客系列的一部分，该系列探讨了最新的开源模型、数据集和训练技术如何帮助企业在 NVIDIA 平台上构建专业的 AI 系统和应用。每篇文章都展示了如何在生产环境中利用开源堆栈交付实际价值——从透明的研究副驾到可扩展的 AI Agent。* 到 2026 年初，开源项目 OpenClaw (https://github.com/openclaw/openclaw) 已成为一种现象。1 月，随着开发者兴趣激增，其 GitHub 星标数突破 10 万。社区仪表板和流量分析显示，单周访客超过 200 万。到 3 月，OpenClaw 的星标数突破 25 万——在短短 60 天内超越 React，成为 GitHub 上星标最多的软件项目。 OpenClaw 由 Peter Steinberger (https://x.com/steipete) 创建，是一个旨在本地或私有服务器上运行的自托管、持久化 AI 助手。该项目因其易用性和无限自主性而备受关注：用户可以在不依赖云基础设施或外部应用程序编程接口（API）的情况下，本地部署 AI 模型。 当今大多数 AI Agent (https://www.nvidia.com/en-us/glossary/ai-agents/) 都是由提示触发，完成既定任务后停止运行。而长期运行的自主 Agent（或称“Claw”）的工作方式不同。这些 Agent 在后台持续运行，自主完成任务，仅当需要人工决策时才进行干预。它们以心跳机制运行：在固定间隔内，它们检查任务列表，评估需要采取的行动，然后要么执行操作，要么等待下一个周期。 OpenClaw 的快速采用也引发了辩论。安全研究人员对自托管 AI 工具如何处理敏感数据、身份验证和模型更新表示担忧。其他人则质疑本地部署是否会使用户面临新风险——从未修补的服务器实例到社区分支中的恶意贡献。随着贡献者和维护人员努力解决这些问题，OpenClaw 的崛起引发了 AI 生态系统关于开放性、隐私和安全之间权衡的更广泛讨论。 为了帮助增强 OpenClaw (https://openclaw.ai/) 项目的安全性和稳健性，NVIDIA 正与 Steinberger (https://www.ted.com/talks/peter_steinberger_how_i_created_openclaw_the_breakthrough_ai_agent) 和 OpenClaw 开发者社区合作，解决潜在漏洞，详见 OpenClaw 的最近博客文章 (https://openclaw.ai/blog/openclaw-security-in-public)。 NVIDIA 提供代码和指导，专注于改进模型隔离、更好地管理本地数据访问以及加强验证社区代码贡献的流程。目标是通过公开、透明的方式贡献其在安全和系统方面的专业知识，以支持项目的势头，同时保持 OpenClaw 的独立治理，从而加强社区的工作。 为了帮助企业更安全地部署长期运行的 Agent，NVIDIA 还推出了 NVIDIA NemoClaw，这是一种参考实现，可以通过单条命令安装 OpenClaw、NVIDIA OpenShell 安全运行时和具有网络、数据访问和安全加固默认设置的 NVIDIA Nemotron 开源模型。NemoClaw 为组织更安全地部署 Claw 提供了蓝图。 ## **随着每一次 AI 浪潮，推理需求成倍增长** AI 已经经历了四个阶段，且每个阶段之间的间隔正在缩短。预测性 AI 花费了数年时间才成为主流。生成式 AI (https://www.nvidia.com/en-us/glossary/generative-ai/) 发展得更快。推理式 AI (https://www.nvidia.com/en-us/glossary/ai-reasoning/) 到来得更快。而 OpenClaw 所代表的自主式 AI 正在设定更快的节奏。 每一次浪潮都会加剧推理 (https://www.nvidia.com/en-us/glossary/ai-inference/) 需求。生成式 AI 的 Token (https://blogs.nvidia.com/blog/ai-tokens-explained/) 使用量超过了预测性 AI。推理式 AI 又将其增加了 100 倍。自主 Agent 持续运行并在长时间范围内采取行动，其推理需求比推理式 AI 再增加 1000 倍。每一次浪潮都使所需的计算量成倍增加。 这种 Token 使用量的增加使组织能够将生产力提高几个数量级。例如，长期运行的 Agent 可以帮助研究人员在一夜之间解决问题，在数千种配置上迭代设计，或监控系统并仅展示需要人工判断的异常——从而释放研究人员的工作时间，用于更高价值的工作。 ## **选择工具：何时部署“Claw”** 虽然生成式 AI 已成为按需任务的标配，但在特定场景下，Claw 的持久“心跳”具有明显优势。确定何时从标准提示式 AI 转向长期运行的 Agent 通常取决于工作流程的性质： - **从“按需”到“始终在线”：**虽然标准模型非常适合即时的人工触发查询，但 Claw 通常更适合需要持续后台监控或定期系统检查而无需手动启动的任务。 - **管理高迭代循环：**对于复杂问题，例如测试数千种化学组合或模拟基础设施压力测试，Claw 可以管理大量迭代，而这些迭代可能会因人工干预而成为瓶颈。 - **从建议转向行动：**在许多工作流程中，标准 AI 用于提供信息或草稿。当目标是让 AI 进入执行阶段——与 API 交互、更新数据库或在长时间内管理文件时，通常会考虑使用 Claw。 - **资源优化：**对于大规模、Token 密集型的推理任务，在像 NVIDIA DGX Spark (https://www.nvidia.com/en-us/products/workstations/dgx-spark/) 个人 AI 超级计算机这样的专用硬件上部署本地 Claw，与高频云 API 调用相比，可以提供更可预测的成本和数据隐私。 ## **组织如何使用长期自主 Agent？** 长期自主 Agent 的实际应用跨越各个职能和行业。 在金融服务领域，Agent 持续监控交易系统和监管源，在晨间审查前标记重大事件。在药物发现领域，Agent 扫描新的科学文献，提取相关发现并实时更新内部数据库，无需研究人员干预——这一过程以前需要数周时间。 在工程和制造领域，Agent 通过测试数千种参数组合、对结果进行排序并标记值得检查的配置来加速问题分析——所有这一切都可以在一夜之间完成。 在 IT 运维中，Agent 诊断基础设施事件，应用已知补救措施，仅升级新型问题——将平均解决时间从数小时压缩至数分钟。在 ServiceNow，利用 Apriel 和 NVIDIA Nemotron 模型的 AI 专家可以自主解决 90% 的工单。 ## **企业如何负责任地部署自主 Agent？** 自主 Agent 是动手操作的。它们可以发送通信、写入文件、调用 API 和更新实时系统。当 Agent 产生错误操作时，会产生实际后果。从一开始就建立正确的问责框架至关重要，在生产环境中部署自主 Agent 的组织必须将治理作为首要要求。 组织需要看到其 Agent 正在做什么，检查每一步的推理，审计其行动并在需要时进行干预。 负责任地部署自主 Agent 的组织专注于三个优先事项： - **开放、可审计的框架：**NemoClaw 建立在 OpenClaw 的 MIT 许可代码库之上，这意味着组织拥有完整的 Agent 框架。他们可以读取、分叉和修改 Agent 构建和部署的每个层。这种透明度使团队能够在代码级别理解和控制系统。在本地运行 NVIDIA Nemotron (https://www.nvidia.com/en-us/ai-data-science/foundation-models/nemotron/) 等开源模型，将包括患者记录、法律文件、金融交易和专有研究在内的敏感工作负载保留在组织内部环境中，确保跟踪数据处于组织控制之下。 - **保护运行时环境：**NemoClaw (https://www.nvidia.com/en-us/ai/nemoclaw/) 在 OpenShell (https://blogs.nvidia.com/blog/secure-autonomous-ai-agents-openshell/) 中运行 Agent，这是一个沙箱环境，精确定义了 Agent 可以做什么和不能做什么，从一开始就执行清晰的权限边界。 - **本地计算：**NVIDIA DGX Spark 超级计算机以桌面级形态提供数据中心级 GPU 性能，专为始终在线的持续本地推理而构建，具有本地模型托管和数据保留在组织内部环境中的能力。NVIDIA DGX Station (https://www.nvidia.com/en-us/products/workstations/dgx-station/) 系统为在复杂、持续的工作负载中同时运行多个 Agent 的团队扩展了这种能力。 定义自主 Agent 实际行为的组织正在积累宝贵的东西：数月的实时运营学习、通过实际工作负载开发的治理框架以及吸收了使其真正有用的机构背景的 Agent。这一基础将随着时间的推移而不断深化。 ## **开始使用 NVIDIA NemoClaw** 访问逐步教程，了解如何在 NVIDIA DGX Spark 上使用 NemoClaw 构建更安全的 AI Agent (https://developer.nvidia.com/blog/build-a-secure-always-on-local-ai-agent-with-nvidia-nemoclaw-and-openclaw/)。探索 NemoClaw 如何通过单条命令部署更安全、始终在线的 AI 助手。 在 GitHub (https://github.com/NVIDIA/NemoClaw) 上试用 NemoClaw，并加入 Discord (https://discord.com/channels/1019361803752456192/1482072289511211200) 上的开发者社区，他们在 DGX Spark 上使用 NemoClaw、NVIDIA Nemotron 3 Super 和 Telegram 进行构建 (https://build.nvidia.com/spark/nemoclaw/overview)。 *通过订阅**NVIDIA AI 新闻* (https://www.nvidia.com/en-us/executive-insights/generative-ai-tools/?modal=stay-inf)*、加入*社区* (https://developer.nvidia.com/community)*以及在**LinkedIn* (https://www.linkedin.com/showcase/nvidia-ai/posts/?feedView=all)*、**Instagram* (https://www.instagram.com/nvidiaai/?hl=en)*、**X* (https://x.com/NVIDIAAIDev)*和**Facebook* (https://www.facebook.com/NVIDIAAI)*上关注 NVIDIA AI，了解有关 Agentic AI、**NVIDIA Nemotron* (https://www.nvidia.com/en-us/ai-data-science/foundation-models/nemotron/)*等的最新动态。* *探索**自定进度的视频教程和直播* (https://youtube.com/playlist?list=PL5B692fm6--vdRKB14FImVi7MTJ77zjn4&feature=shared)*。*