От хаоса к структуре: что такое Self Model
Команда NVIDIA разработала агента уровня «Chief of Staff» (главный секретарь), который не просто хранит историю чатов, а формирует структурированную Self Model (само-модель). В отличие от классического RAG, где контекст извлекается из сырых документов, здесь знания о людях, проектах, приоритетах и паттернах работы хранятся в читаемых Markdown-страницах. При этом решения агента (ранжирование, обязательства) записываются в отдельную базу SQLite. Это разделение Evidence (доказательств) и Judgment (суждений) позволяет разработчикам точно диагностировать ошибки: они возникли из-за плохих данных, неверного извлечения или ошибки самой модели.
Результаты бенчмарков: разрыв с классическим RAG
Оценка проводилась на Agent Memory Benchmark с использованием модели NVIDIA Nemotron 3 Ultra. Внедрение Self Model дало статистически значимое улучшение по ключевым метрикам, особенно в задачах, требующих понимания контекста во времени и разрешения неоднозначностей.
| Метрика | Agentic RAG (Baseline) | Self Model (NemoClaw) | Прирост |
|---|---|---|---|
| Общая точность (Overall accuracy) | 82.8% | 90.9% | +8.1 pp |
| Сложные вопросы (Hard questions) | 67.7% | 87.1% | +19.4 pp |
| Отслеживание измененных фактов | 60.0% | 100.0% | +40.0 pp |
| Разрешение сущностей (Entity disambiguation) | 66.7% | 86.7% | +20.0 pp |
| Мультисource синтез | 87.7% | 94.5% | +6.8 pp |
Приоритет намерений и аудит
Архитектура включает Intent Gate (шлюз намерений), который отделяет истинные приоритеты пользователя от ложной срочности. Если пользователь явно указал приоритет, задача попадает в высший тир, даже если она не выглядит срочной. Кроме того, система поддерживает append-only audit trail (неизменяемый журнал аудита). Любая коррекция решения пользователем записывается в журнал и может автоматически обновлять политику предпочтений, делая поведение агента прозрачным и редактируемым.
Безопасность через NVIDIA OpenShell
Для защиты среды выполнения используется NVIDIA OpenShell. Агент работает в изолированном контейнере (sandbox), где ограничены доступ к файловой системе, процессам и сети. Критически важно, что учетные данные (credentials) для выполнения действий и подключения к MCP-серверам хранятся вне песочницы. Память и извлеченный контекст рассматриваются как входные данные для модели, а не как доверенная политика безопасности, что исключает риски компрометации системы через манипуляции с памятью агента.
Источник: NVIDIA dev blog ↗