NVIDIA NemoClaw 记忆驱动智能体：构建企业级幕僚长

企业工作涵盖不断随时间变化的消息、决策、项目和待办事项。一个在没有这些上下文的情况下启动的 AI 智能体,必须先重建上下文,才能开始贡献价值。

为了给智能体提供必要的上下文,我们的团队使用 NVIDIA NemoClaw 构建了一个记忆驱动的幕僚长(Chief of Staff)。它维护着一个人类可读的知识层,称为自我模型(self model):这是一份关于相关人员、项目、优先事项和工作模式的智能体记忆。定时任务会定期审查新的活动、跟踪待办事项,并随时间纳入用户的决策。我们的经验表明,有用的智能体记忆需要结构、选择性检索和治理,而不仅仅是存储。

本文演示了基于 NVIDIA NemoClaw 构建的记忆驱动智能体如何在真实的企业工作流中提升生产力,同时分享五条可应用到你自己的智能体上的设计经验:

• 在日常工作中保持上下文,以提升任务质量
• 将证据、知识和行动分离,帮助智能体做出更好的判断
• 设计记忆驱动的智能体,使其优先考虑用户意图而非短期紧迫性
• 允许用户纠正智能体的决策,以建立信任
• 用 NVIDIA OpenShell 强制执行安全与授权边界

在日常工作中保持上下文

对话历史提供短期的连续性,但它把当前的优先事项与过去的决策和临时请求混在一起。检索可以找到相关的源材料,但智能体仍然必须跨越时间把信息联系起来。

以一个项目状态问题为例。答案可能取决于一个较早的决策、后续消息中的一次更正、一项未了结的事项,以及两个不同名称指向同一个项目这一知识。

为了解决这些问题,你可以使用自我模型,它以结构化的 Markdown 页面维护这些关系。它整理关于人员、项目、优先事项、目标、概念和重复性工作模式的信息。其 schema 定义了索引、交叉引用、来源出处和增长上限。

自我模型存储的是派生出来的解读,而不是取代源证据。将两者分开,有助于你作为开发者判断错误答案究竟来自证据、记忆维护、检索,还是模型的最终决策。

将证据、知识和行动分离

你可以使用记忆驱动幕僚长的三层调优能力:

证据 → 知识 → 受治理的执行

证据支撑对自我模型的更新。对于每项任务,智能体会检索一组有界的相关上下文,然后在 NVIDIA NemoClaw 示例中使用该上下文。架构如图 1 所示。

该示例存储两类信息:

• 知识:人员、项目、优先事项和工作模式
• 判断:某个事项是否需要关注、排在什么位置,以及用户是否忽略了它

Markdown 智能体记忆存储知识,SQLite 台账存储待办事项、排名、更正和审计事件。这样的设计保留了智能体的判断,又不必把它们以已读标记、标签或文件夹的形式写入源消息中。

一个记忆页面可能记载某位合作者偏好 Slack。智能体可以利用这一上下文建议使用 Slack,但发送消息仍取决于凭据、工具权限、运行时策略和用户批准。

上下文可以为行动提供依据,但不能授权行动。

优先考虑用户意图而非短期紧迫性

收到的请求往往自称紧急,但紧急并不一定反映用户的优先事项。因此,意图闸门(intent gate)把最高层级保留给与用户明确表述的优先事项相关联的待办事项。

在所提供的公开配方(recipe)中,一份紧急的费用政策确认声明依然可见,但排名低于一个与既定优先事项相关、看似不那么起眼的请求。你的 NVIDIA NemoClaw 可以解读这种关联,而确定性代码则负责强制执行层级大小、溢出行为和排名顺序。

允许用户纠正智能体

持久化记忆保存错误判断就像保存正确判断一样容易。使用该配方,你可以把某个待办事项移到另一个层级或直接忽略它,之后的智能体运行会保留这一决定。每次变更都会在仅追加(append-only)的审计轨迹中记录一次。

重复出现的更正模式可以更新一份小巧、可读的偏好策略。用户可以查看、编辑或删除该策略,而不是让偏好隐藏在模型状态中。

反馈回路始终清晰可见:

智能体判断 → 用户更正 → 审计事件 → 偏好更新

添加记忆以提升智能体任务表现

如表 1 所示,将记忆驱动的幕僚长加入 NemoClaw,在多项智能体任务上带来了可衡量的提升。Agent Memory Benchmark 及评估示例包含在示例仓库中。该示例仓库将一个执行多轮检索的智能体式检索增强生成(RAG)基线与自我模型进行了对比。

表 1. 示例仓库中智能体式 RAG 基线与自我模型的评估指标。两种配置均使用 NVIDIA Nemotron 3 Ultra

在运行时强制执行边界

这种分离由 NVIDIA NemoClaw 和面向自主智能体的 NVIDIA OpenShell 安全运行时来强制执行。NemoClaw 将该示例与 NVIDIA OpenShell 集成并管理其生命周期,而 NVIDIA OpenShell 在沙箱中运行智能体,并为文件系统、进程和网络访问提供治理与策略执行。对于托管推理和 MCP 连接,凭据始终留在沙箱之外。

这一点很重要,因为记忆和检索到的内容是模型的输入,而不是可信的安全策略。即使智能体误解了这些上下文,或遵循了恶意指令,它仍然在运营方定义的运行时边界内运行。这些边界限制了智能体的访问权限,以及故障可能造成的影响。

开始构建智能体记忆

若要将本文介绍的记忆设计应用到你自己的 NemoClaw 示例中,请查阅 NVIDIA/nemoclaw-community GitHub 仓库中的开源 Memory-Driven Chief of Staff 配方及其设计提案。

该配方将示例打包为适用于 NemoClaw 的可部署 Hermes profile,包含:

• 结构化的记忆 schema
• 持久的待办事项台账
• 有界的排名逻辑
• 用户更正与审计路径
• 定时记忆维护
• 合成的消息与记忆页面
• 离线演练
• 一套单元测试

示例中的人员、组织、项目和消息均为虚构。在离线演练中,以记录好的模型决策代替推理。随后由代码应用排名、更正、持久化和校验行为。

当前的配方专注于记忆基础。它不会发送消息,也不会修改源系统。这一范围让你无需连接工作账号,就能研究该设计。接入真实连接器则需要单独处理凭据、隐私、保留和删除问题。

进一步了解 NVIDIA NemoClaw 和 NVIDIA OpenShell。