LangChain与NVIDIA发布NemoClaw：开放智能体栈成本比竞争对手低10倍

LangChain与NVIDIA发布的不是简单的API封装，而是一个可在几分钟内在自有基础设施上组装和运行的完整智能体蓝图。NemoClaw于2026年7月8日作为开源项目发布，可通过单条命令启动。

开放智能体栈的三个层次

NemoClaw架构建立在三个功能层之上，共同构成一个连贯的系统：

Nemotron 3 Ultra — NVIDIA专门针对多轮智能体工作流进行后训练的开放模型。与针对静态提示优化的模型不同，Nemotron 3 Ultra专注于智能体所需的较长推理和规划序列。

LangChain Deep Agents Code — 协调智能体行动的框架：系统提示、工具描述以及协调模型与运行时环境的中间件。这一层，正如后续将看到的，是取得优异成绩的关键。

NVIDIA OpenShell — 具有明确访问策略的代码执行安全沙箱。智能体在具有明确边界的隔离环境中执行代码。

基准测试：成本低10倍，性能几乎相当

NemoClaw组合的综合评分为0.86，每次评估成本仅4.48美元。次优竞争对手以相当的性能水平运行成本为43.48美元——NemoClaw几乎便宜10倍，成绩几乎一致。

更广泛的背景：Claude Opus 4.8达到0.87的综合评分——比NemoClaw高出0.01，但成本显著更高。NemoClaw由此进入开放与闭源模型之间奇偶差距的讨论。

较低的成本具有超越简单节省的战略意义：当推理成本便宜10倍时，企业可以系统地运行评估套件、测试更多框架和智能体变体，并为之前仅能靠昂贵闭源API覆盖的项目部署专业智能体团队。

框架比模型更重要？

特别有趣的是综合评分从0.80提升至0.86的方式：不是通过重新训练模型，而是通过优化框架。LangChain调整了系统提示、工具描述和中间件协调——在未对Nemotron 3 Ultra模型参数做任何改动的情况下实现了**+0.06**的提升。

这不是无关紧要的技术趣闻。它支持了这样的论点：智能体系统的价值越来越多地转移到LLM本身之外，转移到围绕它的那一层：如何向它布置任务、如何定义工具、如何协调多个步骤。模型成为引擎，框架则是车辆。如果这是一个可复现的规律（LangChain声称如此），那么就开辟了一个新的工程工作类别：框架优化作为一门与模型微调同等重要的学科。

安全框架与数据控制

对于无法或不愿向外部云服务商发送数据的企业，NemoClaw提供完全自托管部署——数据保留在本地，基础设施完全由组织控制。

OpenShell运行时对网络访问采用默认拒绝策略：智能体代码默认无法与外部服务通信，除非获得明确许可。此外，架构包含针对关键操作的人工审批门控以及所有智能体行动的完整审计追踪——这对金融和医疗等受监管行业尤为重要。

目标应用与业务背景

EY被指定为受监管行业的主要实施合作伙伴。基础设施托管合作伙伴包括Baseten、Fireworks AI、Nebius、Crusoe Energy、DeepInfra和Together AI——确保在不同地理位置和计算平台上的可用性。

主要目标应用是遗留代码迁移项目：COBOL到Java的转换以及.NET应用迁移。这些迁移多年来一直是大型企业数字化的瓶颈，部分原因是此前的AI工具对大型代码库进行系统性应用成本过高。NemoClaw的成本结构开创了此类项目的新经济模式，使AI辅助的遗留系统现代化在经济上变得可行。