自主智能体标志着人工智能发展的新拐点。系统不再局限于生成回应或推理任务,它们已经能够采取行动:智能体可以读取文件、使用工具、编写和运行代码,并在企业系统中执行工作流程,同时不断扩展自己的能力。
当智能体持续改进和演化时,应用层风险呈指数级增长。NVIDIA OpenShell运行时正是为解决这一问题而构建的。
作为NVIDIA智能体工具包的一部分,OpenShell是一个开源的、安全设计的运行时环境,用于运行自主智能体等系统。它通过确保每个智能体在自己的沙盒中运行,将应用层操作与基础设施层策略执行分离来实现安全保护。
这意味着安全策略不在智能体的触及范围内——它们在系统级别应用。OpenShell不是依赖行为提示,而是对智能体运行的环境施加约束——这意味着智能体无法覆盖策略,或泄露凭据或私有数据,即使在受到攻击的情况下也是如此。
通过OpenShell,企业可以分离智能体行为、策略定义和策略执行。组织获得了一个统一的策略层来定义和监控自主系统的运行方式。编码智能体、研究助手和智能体工作流都在相同的运行时策略下运行,无论主机操作系统如何,简化了合规性和运营监督。
这是将"浏览器标签"模型应用于智能体:会话是隔离的,资源是受控的,权限在任何操作发生之前都由运行时验证。
保护自主系统需要一个集成的生态系统。OpenShell旨在为AI智能体添加隐私和安全控制。NVIDIA正在与安全合作伙伴协作,包括思科、CrowdStrike、谷歌云、微软安全和TrendAI,以协调企业堆栈中智能体的运行时策略管理和执行。
NVIDIA NemoClaw是一个开源参考堆栈,它简化了使用OpenShell运行时和NVIDIA Nemotron模型安装OpenClaw常驻助手的过程,只需一个命令即可完成。
NemoClaw为爱好者提供了构建自进化个人AI智能体的开源参考。由于安全需求因人而异,NemoClaw提供了基于策略的隐私和安全防护栏的参考示例,让用户更好地控制其智能体的行为和数据处理。用户可以根据自己的特定用例进行定制——就像在手机上调整应用程序的安全首选项一样。
NemoClaw包含了OpenShell的示例配置,定义了智能体应如何与系统交互。NemoClaw使用开源模型,如NVIDIA Nemotron以及OpenShell。
这使得自进化智能体能够在云端、本地或个人计算机上更安全地运行,包括NVIDIA GeForce RTX PC和笔记本电脑或NVIDIA RTX PRO驱动的工作站,以及NVIDIA DGX Station和NVIDIA DGX Spark AI超级计算机。
OpenShell和NemoClaw目前都处于早期预览阶段。NVIDIA正在与社区和合作伙伴开放地构建,使企业能够安全、自信地扩展自进化的、长期运行的自主智能体,并符合全球安全标准。
可以通过NVIDIA OpenShell开始使用,在NVIDIA Brev上启动即用环境,或在GitHub上探索开源项目。
Q&A
Q1:NVIDIA OpenShell是什么,它的主要作用是什么?
A:NVIDIA OpenShell是一个开源的、安全设计的运行时环境,专门用于运行自主AI智能体。它通过将每个智能体放在独立的沙盒中运行,将应用层操作与基础设施层策略执行分离,确保安全策略在系统级别应用,智能体无法覆盖这些策略或泄露敏感数据。
Q2:OpenShell如何保证智能体的安全性?
A:OpenShell采用"浏览器标签"模型,确保会话隔离、资源受控,权限在任何操作发生之前都由运行时验证。它不依赖行为提示,而是对智能体运行环境施加约束,使智能体无法覆盖安全策略或泄露凭据和私有数据,即使在受到攻击的情况下也能保持安全。
Q3:NVIDIA NemoClaw与OpenShell有什么关系?
A:NVIDIA NemoClaw是一个开源参考堆栈,它简化了使用OpenShell运行时和NVIDIA Nemotron模型安装智能体助手的过程。NemoClaw提供了构建自进化个人AI智能体的参考示例,包含OpenShell的示例配置,用户可以根据自己的需求进行定制。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。