NVIDIA ha anunciado NemoClaw, una plataforma de código abierto que permite construir agentes autónomos especializados sobre un stack tecnológico que el desarrollador puede controlar. Esta solución integra herramientas de optimización, modelos Nemotron y un entorno seguro para producción.
Datos clave
- Nemotron 3 Ultra alcanzó un rendimiento casi de frontera con un coste por ejecución de aproximadamente 10 veces menor.
- NemoClaw soporta blueprints para OpenClaw, Hermes Agent y LangChain Deep Agents.
- OpenShell proporciona un entorno de ejecución seguro que gobierna el acceso de los agentes a archivos, redes y credenciales.
- La plataforma es compatible con ejecución en nube, centros de datos, NVIDIA DGX Spark y estaciones de trabajo RTX.
NemoClaw: Ensamblando un stack completo para agentes autónomos
NVIDIA presentó NemoClaw, un conjunto de blueprints de código abierto diseñado para construir agentes autónomos especializados sobre una pila tecnológica completamente controlable por el usuario. Esta plataforma integra modelos Nemotron, herramientas de optimización NeMo y el entorno de ejecución seguro OpenShell. Los blueprints actuales soportan tres marcos de orquestación existentes: OpenClaw, Hermes Agent y LangChain Deep Agents, permitiendo a los desarrolladores mantener su harness actual mientras añaden optimización de modelos, telemetría y gobernanza.
Componentes clave: Modelos, Hares y Runtime de Gobernanza
Un agente autónomo requiere cuatro componentes: un modelo de razonamiento, un harness (marco de operación), herramientas específicas y un runtime que gobierne su acceso en producción. NemoClaw actúa como un conjunto de blueprints que ensambla la pila completa sobre el harness elegido. Cada blueprint combina un harness abierto optimizado, modelos Nemotron y las herramientas NeMo, junto con OpenShell, el entorno de ejecución seguro que restringe el acceso del agente a archivos, redes o credenciales, manteniendo el cumplimiento de políticas.
Optimización y rendimiento: Co-optimizar modelo y harness
La co-optimización del modelo y el harness es crítica para el rendimiento de los agentes. Por ejemplo, LangChain afinó su harness Deep Agents para Nemotron 3 Ultra, ajustando prompts y herramientas sin reentrenar el modelo. Este ajuste llevó a Nemotron 3 Ultra a un rendimiento casi de frontera con un coste por ejecución de aproximadamente 10 veces menor en comparación con modelos cerrados líderes. Los blueprints de NemoClaw empaquetan estas optimizaciones para que los desarrolladores no tengan que replicar el trabajo de afinación.
Casos de uso y próximos pasos para el desarrollo con NemoClaw
Para la implementación, los desarrolladores deben usar un harness como OpenClaw, Hermes Agent o LangChain Deep Agents para construir y experimentar con la lógica de herramientas y memoria. NemoClaw se utiliza para ensamblar y ejecutar el agente especializado en una pila abierta que combina un harness afinado, modelos, optimización, telemetría y el control de runtime de OpenShell. NVIDIA ha ofrecido un curso DLI para una introducción de nivel 101 a la pila NemoClaw y un quickstart para la implementación inmediata.
Más sobre este tema: Herramientas de IA
Fuente de esta noticia: consultar el anuncio o artículo original.
