使用 CrewAI 和 NVIDIA NemoClaw 编排自进化智能体

2026 年初，技术格局正在经历一场类似于现代 Web 栈兴起的变革。人工智能正在超越简单的提示词交互，转向自主、持续进化的智能体。这些长期运行的智能体（许多人最近通过“claws”在更个人化的层面上体验过）能够拆解目标、执行代码，并长时间独立运作。

虽然这带来了巨大的生产力提升，但也为企业带来了新的信任和安全挑战。安全地运行自主智能体需要强大的编排、安全的运行时以及高水平的治理。将 CrewAI 用于智能体编排，结合 NVIDIA NemoClaw 用于安全执行，为在生产环境中运行这些系统提供了所需的能力、自主性和安全性。

这一变革的关键时刻出现在 2026 年初的 OpenClaw 项目中，该项目证明了自进化智能体可以规划复杂的任务、生成自己的工具并运行持续的工作流。随着智能体框架迅速成为新的人工智能应用层，企业必须平衡能力、自主性和安全性。NemoClaw 栈有助于弥合这一差距，使组织能够部署强大的自主系统，同时保持对其基础设施和数据的控制。

我们还在共同开发 NVIDIA NemoClaw，这是一个开源栈，只需一条命令即可简化以更安全的方式运行 OpenClaw 常驻助手。它安装了 NVIDIA OpenShell 运行时（NVIDIA Agent Toolkit 的一部分），这是一个用于运行自主智能体的安全环境，以及像 NVIDIA Nemotron 这样的开源模型。

CrewAI：作为长期运行智能体的权威编排骨干

CrewAI 通过提供管理自主智能体团队所需的编排能力，在基于多智能体人工智能系统的兴起中发挥了关键作用。从设计之初，它就旨在处理远超简单单模型交互的复杂多步骤工作流。

该框架构建在双层架构之上：Flows（工作流）和 Crews（智能体小组）。这种结构使得协调长期运行的流程和智能体协作成为可能，这对现代智能体系统至关重要。

用于确定性控制的 Flow-First（工作流优先）架构

在生产环境中，并非每个用例都需要完全的代理能力，有些可能需要更高程度的控制和不同级别的代理权限。CrewAI 通过 Flows 解决了这个问题，Flows 作为智能体系统的确定性骨干。Flow 管理系统的结构，处理逻辑、状态管理、循环和条件执行路径。通过将可预测的过程控制（Flow）与智能体（Crew）处理的推理任务以及任何临时 LLM 调用分开，开发人员可以构建既智能又可靠的系统。

这种架构已在规模化应用中证明了其价值。在过去一年中，CrewAI 支持了约 20 亿次智能体执行，目前被超过 60% 的财富 500 强公司使用，证明了其在企业工作负载中的成熟度。

状态管理与持久记忆系统

为了让智能体处理如深度研究、合规性检查甚至软件审计等长期运行的任务，它们需要能够随时间保持上下文。CrewAI 提供了一个灵活的状态系统，允许数据在工作流步骤之间平稳传输。它既支持非结构化状态（字典）以实现灵活性，也支持结构化状态（Pydantic 模型）以实现更强的验证和类型安全。

当智能体需要暂停以等待人工输入或从中断中恢复时，持久性也至关重要。CrewAI 的 @persist() 装饰器会自动保存工作流状态，以便稍后恢复执行。此外，Crews、Flow 及其智能体都获得了一个持久的认知记忆层，使它们能够在会话中保留信息并逐步积累知识，进行整合，甚至随着时间的推移战略性地“遗忘”。这种从无状态交互到具有记忆的智能体的转变，是优化长期运行智能体工作流的重要一步，这些工作流可以从执行本身和人类反馈中学习。

信任鸿沟：企业中自进化自主权的挑战

随着智能体从简单的任务执行者进化为甚至可以修改其运行环境的自改进系统，传统的应用程序安全方法开始失效。核心挑战在于，自进化智能体可以修改其运行的环境，从而引入新的操作和安全风险层面。

在自主智能体能够广泛部署于企业环境之前，必须通过更强的运行时控制和基础设施级保障措施，谨慎管理这些风险，从不可预测的行为到访问和数据安全顾虑。

安全顾虑与无限的代理权

编写代码并管理自身工具的自主智能体本质上难以被信任。当智能体拥有安装软件包或修改本地文件的权限时，会产生未经授权的访问或数据外泄等真实风险。这一挑战通常被称为“生产现实差距”，许多智能体项目之所以失败，是因为其架构无法提供企业所需的控制和信心水平。

有几个因素导致了这个问题。大多数智能体在隐式信任下运行，继承了启动它们的用户的所有权限。安全检查通常构建在智能体内部，这意味着自进化智能体在理论上可以通过重写自身的逻辑来绕过这些检查。此外还存在隐私风险，敏感的本地上下文可能会被发送到外部模型，且可观测性有限，使得在长期运行的任务中审计智能体做出的许多小决策变得困难。

CrewAI 通过一些功能来应对这些风险，如护栏（Guardrails）、人机协作（Human in the loop）、分层的管理者-工作者架构（这实现了严格的任务级工具范围限制），或者通过 Flows 实现代理级别的更细粒度控制。智能体被限制在为其任务定义的工具范围内，这比网格或群体风格的系统提高了安全性。对于还需要基础设施级治理（如沙盒、策略执行和隐私路由）的企业，NemoClaw 栈提供了理想的补充层。

NVIDIA NemoClaw：安全智能体执行的新标准

NVIDIA 通过 NVIDIA NemoClaw 解决了基础设施缺口，这是一个开源栈，只需一条命令即可简化以更安全的方式运行 OpenClaw 常驻助手。NemoClaw 整合了基于策略的隐私和安全护栏，让用户能够控制智能体的行为和数据处理。这使得自进化的“claws”能够更安全地在云端、本地、RTX PC 和 DGX Spark 上运行。

在底层，NemoClaw 将用于智能体推理流水线的 NeMo 框架、用于本地推理的 Nemotron 模型以及用于部署的 NIM 微服务集合在一起，并将它们打包成一个只需一条命令即可启动并运行的单一栈。

NemoClaw 栈架构的基础支柱

为了实现运行时安全，NemoClaw 包含了 NVIDIA OpenShell 运行时，这是 NVIDIA Agent Toolkit 的一部分。NVIDIA OpenShell 运行时提供了三项核心能力：

该沙盒专为 NemoClaw 内的长期运行自主智能体构建，包括在执行过程中学习新技能的过程。它在运行时验证新技能，并支持在开发人员批准额外权限或功能时进行实时策略更新。

基础设施层策略执行

一项关键创新是 NVIDIA OpenShell 运行时在基础设施层面执行每一个动作，而不是在智能体自己的代码内。这意味着即使智能体的内部逻辑发生变化或表现异常，运行时仍会阻止任何违反定义安全策略的操作。NemoClaw 的一项关键创新在于，每一个动作都在基础设施层面而非智能体代码内部进行执行。这种设计确保了即便智能体的内部逻辑发生变化或出现异常行为，运行时也能阻止任何违反既定安全策略的操作。

智能体最初拥有零权限，任何额外的访问请求都必须有明确的理由，并经由人类开发人员审批。每一次批准或拒绝都会被记录下来，从而创建清晰的审计追踪，以保持对自主智能体操作方式的透明度和控制。

CrewAI 与 NVIDIA NemoClaw 的协同效应

CrewAI 与 NVIDIA NemoClaw 的结合为企业人工智能系统奠定了强大的基础。CrewAI 负责高级编排——管理智能体角色、工作流和协作，而 NemoClaw 则为策略执行、隐私控制和系统级治理提供了安全栈。NemoClaw 提供了安全运行时环境，包括策略执行、隐私控制和系统级治理。

它们共同使得组织能够利用自主的、长期运行的智能体，同时保持企业级的安全性、可控性和可观测性。这种配对使得团队能够构建强大且任务关键的智能体系统，而不会将关键基础设施或数据暴露于不必要的风险中。

将 Flows 与安全沙盒集成

CrewAI 开发人员可以在 NemoClaw 栈内运行其智能体小组，而无需更改任何代码，从而轻松地将企业级基础设施安全添加到现有工作流中。CrewAI 开发人员可以在 NemoClaw 沙盒内运行其智能体小组，而无需更改代码，这使得将企业级安全保障添加到现有工作流变得非常容易。这对于像 NVIDIA AI-Q 研究蓝图这样复杂的系统特别有用，该蓝图是一种开放式架构，专为分析企业和 Web 数据以生成高质量引用研究报告的智能体而设计。在 NemoClaw 栈内运行这些工作流可确保整个研究过程保持在受控和受信任的环境中。

AI-Q 架构通常使用具有三种主要角色的多智能体设置：编排者 (Orchestrator)、规划者 (Planner) 和研究员 (Researcher)。编排者管理整体循环，规划者映射研究策略，研究员通过专业智能体收集证据。当这些角色使用 CrewAI 实现并在 NemoClaw 内执行时，组织可以在几分钟内生成深入的研究产出，同时执行严格的隐私、策略和资源控制。

加速人工智能数据飞轮

这些技术的集成实现了“数据飞轮”的创建，智能体系统通过观察和反馈不断改进。NVIDIA NeMo Agent Toolkit 为跨任何框架的这些智能体增加了智能，通过企业级仪表化提升了速度和准确性。该工具包允许开发人员分析其智能体、识别瓶颈，并优化超参数（如 LLM 类型和温度）以提高性能。

持久智能体工作负载的硬件基础

下一代智能体人工智能将需要能够支持长期运行的自主过程以及现代大型模型带来的沉重计算需求的硬件。NVIDIA 的 DGX Station（由 GB300 超级芯片架构驱动）被设计为一款专为此类先进人工智能工作负载打造的高性能开发平台。

搭载 NemoClaw 的 DGX Station

DGX Station 是一款台式超级计算机，旨在支持前沿级别的人工智能工作负载。与标准开发机器不同，它专为在本地处理超大型模型和密集计算任务而构建。

更重要的是，该系统针对持久运行时和多智能体工作负载进行了优化，使其非常适合长期运行的自主智能体。这种稳定性使得复杂的智能体系统能够持续运行，支持智能体必须全天候运行、学习和执行任务的场景。

DGX Station 还包括 ECC 内存和多实例 GPU (MIG) 分区，允许在不相互干扰的情况下同时运行多个智能体工作负载。这使得团队能够在同一系统上运行多个长期运行的智能体或实验，同时保持稳定性和隔离性。

当与 NemoClaw 栈运行时结合使用时，此设置创建了一个用于开发和操作自主智能体的受信任环境。企业 IT 团队可以为开发人员提供强大的工作站，同时保持严格的控制，确保受信任的智能体边界在硬件层面和运行时环境中均得到执行。

本地开源模型的作用

在这个硬件和软件栈的核心是 Nemotron 开源模型，它们专为智能体工作负载（如推理、编码和检索增强生成 (RAG)）而设计。这些模型为必须规划、分析信息并执行复杂任务的自主系统提供了所需的推理能力。

通过在 DGX Station 上本地运行 Nemotron 模型，组织可以将敏感数据和上下文保留在设备上。外部前沿模型仅在企业策略明确允许时才能使用。这种隐私感知路由方法对于金融和医疗保健等受监管行业的组织至关重要，在这些行业中，保持对数据访问和模型使用的严格控制是必不可少的。

立即开始

自主、自进化智能体的时代已经到来。现在的机会不仅在于尝试人工智能，而在于构建安全的、生产就绪的智能体系统，从而提供真正的商业价值。

开发人员和企业应首先通过结合 CrewAI 进行编排与 NVIDIA NemoClaw 进行安全智能体部署、NVIDIA NemoClaw 进行安全运行时治理，并运行在诸如 DGX Station 等高性能基础设施上来入手。该栈使团队能够部署能够推理、协作和进化的长期运行智能体，同时保持严格的安全、隐私和策略控制。

现在是时候超越孤立的人工智能工具，开始构建受信任的智能体工作流了。开始原型设计 crews，将它们部署在安全的运行时内，并设计将驱动下一代智能软件的系统。