基于NVIDIA NemoClaw构建记忆驱动型智能体的实践

企业工作涉及不断变化的信息、决策、项目和职责。一个没有这些背景信息的AI智能体，在真正发挥作用之前，必须先重新构建这些上下文。

为了给智能体提供这种必要的背景信息，我们的团队使用NVIDIA NemoClaw构建了一个记忆驱动型的"首席助理"智能体。该智能体维护着一个人类可读的知识层，称为"自我模型"：这是关于相关人员、项目、优先级和工作模式的智能体记忆。定期运行的任务会持续审查新活动、跟踪待办事项，并随时间推移融入用户的决策。我们的实践经验表明，有用的智能体记忆需要结构化设计、选择性检索和治理机制，而不仅仅是简单存储。

本文将展示如何利用基于NVIDIA NemoClaw构建的记忆驱动型智能体来提升实际企业工作流程的效率。同时也分享了五条可应用于您自己智能体开发的设计经验：

在日常工作中保持上下文连续性，以提升任务质量

区分证据、知识与行动，帮助智能体做出更好的判断

设计记忆驱动型智能体时，应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

使用NVIDIA OpenShell执行安全与授权边界

在日常工作中保持上下文连续性

对话历史能够提供短期的连续性，但它会将当前优先事项与过去的决策及临时请求混杂在一起。检索功能虽然可以找到相关的源材料，但智能体仍然需要将不同时间点的信息串联起来。

以一个项目状态相关的问题为例，其答案可能取决于此前的某个决策、后续消息中的修正、一项尚未解决的职责，以及两个不同名称实际指向同一个项目这一事实。

为解决这些问题，可以使用"自我模型"，它以结构化的Markdown页面维护这些关系，组织关于人员、项目、优先级、目标、概念以及重复性工作模式的信息。其模式（schema）定义了索引方式、交叉引用、来源追溯以及增长限制。

"自我模型"存储的是一种衍生解读，而非替代源证据本身。将二者分开有助于开发者判断——当出现错误答案时，问题究竟出在证据本身、记忆维护环节、检索过程，还是模型的最终判断。

区分证据、知识与行动

记忆驱动型"首席助理"智能体的调优能力可以分为三层：

证据 知识 受治理的执行

证据支持"自我模型"的更新。针对每项任务，智能体会检索一组有边界的相关上下文，然后在NVIDIA NemoClaw示例中使用这些上下文，其架构如图1所示。

该示例存储两类信息：

知识：人员、项目、优先级和工作模式

判断：某项内容是否需要关注、其优先级排序如何，以及用户是否曾忽略过它

Markdown格式的智能体记忆用于存储知识，而SQLite账本则用于存储待办事项、排序、修正记录和审计事件。这种设计使智能体的判断不会以已读标记、标签或文件夹的形式直接写入源消息中，从而保持二者的独立性。

举例来说，一条记忆页面可能记录某位协作者偏好使用Slack沟通。智能体可以据此推荐使用Slack，但实际发送消息仍取决于凭证、工具权限、运行时策略以及用户的批准。

上下文可以为行动提供参考依据，但不能授权行动本身。

优先考虑用户意图而非短期紧迫性

传入的请求常常自称"紧急"，但紧迫性并不一定反映用户真正的优先事项。因此，意图门控机制会将最高优先级层级保留给与用户既定优先事项相关联的待办事项。

在公开发布的方案中，一项紧急的费用政策确认请求虽然仍然可见，但其排序会低于一项与既定优先事项相关联、却看似不那么紧迫的请求。您的NVIDIA NemoClaw智能体可以负责解读这种关系，而确定性代码则负责执行层级规模、溢出处理和排序规则。

允许用户纠正智能体

持久化记忆既可能保留正确的判断，也同样容易保留错误的判断。使用该方案时，用户可以将某项待办事项移动到其他层级或直接忽略，之后智能体的运行会保留这一决策。每次变更都会被记录一次，写入只可追加的审计日志中。

重复出现的纠正模式可以更新一份简短、可读的偏好策略。用户可以查看、编辑或删除该策略，而不必让偏好设置隐藏在模型状态中不可见。

这一反馈循环保持透明可见：

智能体判断 用户纠正 审计事件 偏好更新

添加记忆功能以提升智能体任务表现

将记忆驱动型"首席助理"智能体功能加入NemoClaw后，在多项智能体任务上均带来了可衡量的性能提升，如表1所示。智能体记忆基准测试及评估示例均已包含在示例代码库中。该代码库将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。

在运行时执行边界控制

这种分离机制通过NVIDIA NemoClaw和面向自主智能体的NVIDIA OpenShell安全运行时来强制执行。NemoClaw负责将示例与NVIDIA OpenShell集成并管理其生命周期，而NVIDIA OpenShell则在沙盒环境中运行智能体，并对文件系统、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，相关凭证始终保留在沙盒之外。

这一点至关重要，因为记忆和检索到的内容仅仅是模型的输入信息，而非受信任的安全策略。如果智能体误解了这些上下文——或者遵循了恶意指令——它仍然只能在运营者定义的运行时边界内活动，这些边界限制了智能体的访问权限以及一旦出现故障可能造成的影响范围。

开始构建智能体记忆系统

如果您想将本文介绍的记忆设计方案应用到自己的NemoClaw示例中，可以查阅开源的记忆驱动型"首席助理"方案及其设计提案，二者均发布在NVIDIA/nemoclaw-community的GitHub代码库中。

该方案将示例打包为可用于NemoClaw的可部署Hermes配置文件，其中包含：

结构化的记忆模式（schema）

持久化的待办事项账本

有边界的排序逻辑

用户纠正与审计路径

定期的记忆维护机制

合成生成的消息与记忆页面

离线演示流程

一整套单元测试

示例中所使用的人员、组织、项目和消息均为虚构内容。离线演示流程中记录的模型决策用于模拟推理过程，随后代码会应用相应的排序、纠正、持久化和验证行为。

目前该方案的重点在于记忆基础架构本身，并不会实际发送消息或修改源系统。这一范围设计使您可以在不连接实际工作账户的情况下检验整体设计。若要接入实际使用的连接器，则需要针对凭证管理、隐私保护、数据保留与删除等问题进行单独处理。

如需了解更多关于NVIDIA NemoClaw和NVIDIA OpenShell的信息，请查阅相关资料。

Q&A

Q1：NVIDIA NemoClaw是什么？

A：NVIDIA NemoClaw是一款用于构建智能体的工具，本文中团队利用它开发了一个记忆驱动型的"首席助理"智能体，该智能体通过维护结构化的"自我模型"来保存人员、项目、优先级等相关知识，从而提升企业工作流程中的任务处理质量。

Q2：记忆驱动型智能体如何保证安全性？

A：该智能体通过NVIDIA OpenShell安全运行时来执行安全边界。OpenShell会在沙盒环境中运行智能体，并对文件系统、进程和网络访问进行治理与策略控制，确保记忆和检索内容仅作为模型输入，而不会成为可信的安全策略，从而限制潜在故障的影响范围。

Q3：用户能否纠正智能体做出的错误判断？

A：可以。用户可以将某项待办事项移动到其他优先级层级或直接忽略它，智能体后续运行时会保留这一决策，每次变更都会记录在只可追加的审计日志中，重复出现的纠正模式还能更新为可查看、编辑的偏好策略。