編輯註：此文為 Nemotron Labs 部落格系列的一部分，該系列探討最新的開源模型、資料集和訓練技術如何協助企業在 NVIDIA 平台上建構專用 AI 系統與應用。每篇文章都強調使用開源堆疊在生產環境中實現實際價值的方法，從透明的研究協作助理到可擴展的 AI 代理。

截至 2026 年初，開源專案 OpenClaw 已成為一種現象。一月份，隨著開發者興趣激增，其 GitHub 星數突破 10 萬。社群儀表板和流量分析顯示，單週訪客超過 200 萬。到了三月，OpenClaw 的星數已超過 25 萬，在短短 60 天內超越 React，成為 GitHub 上星數最多的軟體專案。

由 Peter Steinberger 創立的 OpenClaw 是一個可自行託管、持續運作的 AI 助理，旨在本地或私人伺服器上執行。該專案因其易用性和無限的自主性而受到關注：使用者可以在本地部署 AI 模型，而無需依賴雲端基礎設施或外部應用程式介面 (API)。

現今大多數 AI 代理都是由提示詞觸發，完成特定任務後便停止運作。而長期運作的自主代理，或稱「claw」，則有所不同。這些代理會持續在背景執行，自行完成任務，並僅在需要人類決策時才浮現。它們以「心跳」模式運作：定期檢查任務清單，評估需要採取的行動，然後執行或等待下一個週期。

OpenClaw 的迅速普及也引發了爭議。資安研究人員對自行託管的 AI 工具如何管理敏感資料、身份驗證和模型更新提出了擔憂。其他人則質疑本地部署是否會讓使用者面臨新的風險，從未修補的伺服器實例到社群分支中的惡意貢獻。隨著貢獻者和維護者努力解決這些問題，OpenClaw 的崛起促使整個 AI 生態系統就開放性、隱私和安全性之間的權衡展開了更廣泛的討論。

為了協助提升 OpenClaw 專案的安全性與穩健性，NVIDIA 正與 Steinberger 和 OpenClaw 開發者社群合作，解決潛在的漏洞，詳情可見 OpenClaw 最近的部落格文章。NVIDIA 貢獻程式碼和指導，專注於改進模型隔離、更好地管理本地資料存取，並強化社群程式碼貢獻的驗證流程。

目標是透過開放、透明的方式貢獻其安全和系統專業知識，以支持該專案的發展勢頭，同時維護 OpenClaw 的獨立治理。為了協助企業更安全地使用長期運作的代理，NVIDIA 也推出了 NVIDIA NemoClaw，這是一個參考實作，只需一個指令即可安裝 OpenClaw、NVIDIA OpenShell 安全執行環境以及 NVIDIA Nemotron 開源模型，並預設強化了網路、資料存取和安全性。

NemoClaw 為組織更安全地部署 claw 提供了藍圖。AI 浪潮迭起，推論需求倍增AI 已歷經四個階段，每個階段之間的時間正在縮短。預測式 AI 花了數年才成為主流。生成式 AI 發展更快。推論式 AI 到來得更快。而自主 AI，OpenClaw 所代表的浪潮，正以更快的速度發展。

隨著每一波浪潮而倍增的是推論需求。生成式 AI 相較於預測式 AI 增加了 token 使用量。推論式 AI 又增加了 100 倍。而持續運作並在長時間範圍內執行任務的自主代理，則將推論需求比推論式 AI 再提高 1,000 倍。每一波浪潮都使所需的運算量倍增。

這種 token 使用量的增加，使組織能夠將生產力提升數個數量級。例如，長期運作的代理可以協助研究人員在一夜之間解決問題、在數千種配置中迭代設計，或監控系統並僅呈現需要人類判斷的異常情況，從而將研究人員的工作時間解放出來，用於更高價值的任務。

選擇工具：「Claw」的部署時機儘管生成式 AI 已成為隨選任務的必備工具，但在某些特定情境下，claw 持續的「心跳」模式能提供獨特的優勢。判斷何時從標準的基於提示詞的 AI 轉向長期運作的代理，通常取決於工作流程的性質：* 從「隨選」到「永遠在線」： 標準模型非常適合即時、由人類觸發的查詢，但 claw 通常更適合需要持續背景監控或定期系統檢查而無需手動啟動的任務。

* 管理高迭代循環： 對於複雜問題，例如測試數千種化學組合或模擬基礎設施壓力測試，claw 可以管理龐大的迭代量，這些迭代若無人為干預可能會成為瓶頸。* 從「建議」轉向「行動」： 在許多工作流程中，標準 AI 用於提供資訊或草稿。

當目標是讓 AI 進入執行階段時，通常會考慮使用 claw，在長時間範圍內與 API 互動、更新資料庫或管理檔案。* 資源最佳化： 對於大量、高 token 消耗的推論任務，在專用硬體（例如 NVIDIA DGX Spark 個人 AI 超級電腦）上部署本地 claw，相較於高頻率的雲端 API 呼叫，能實現更可預測的成本和資料隱私。

組織如何運用長期運作的自主代理？長期運作自主代理的實際應用遍及各個職能和產業。在金融服務領域，代理持續監控交易系統和法規資訊，在早晨審查前標記重要事件。在藥物探索領域，代理掃描新的科學文獻，即時提取相關發現並更新內部資料庫，無需研究人員干預，這個過程以前需要數週。

在工程和製造領域，代理透過測試數千種參數組合、對結果進行排名並標記值得檢查的配置，加速問題分析，所有這些都可以在一夜之間完成。在 IT 維運中，代理診斷基礎設施事件、應用已知修復措施並僅上報新穎問題，將平均解決時間從數小時壓縮到數分鐘。在 ServiceNow，利用 Apriel 和 NVIDIA Nemotron 模型的 AI 專家可以自主解決 90% 的工單。

企業如何負責任地部署自主代理？自主代理是動手實作的。它們可以發送通訊、寫入檔案、呼叫 API 並更新即時系統。當代理產生錯誤行動時，會產生真實的後果。從一開始就建立正確的問責框架至關重要，在生產環境中部署自主代理的組織必須將治理視為首要要求。

組織需要了解其代理正在做什麼，檢查其每一步的推論，審計其行動並在需要時進行干預。負責任地部署自主代理的組織專注於三個優先事項：* 開放、可審計的框架： NemoClaw 建基於 OpenClaw 的 MIT 授權程式碼庫，這意味著組織擁有完整的代理框架。

他們可以讀取、分支和修改其代理建構和部署的每一層。這種透明度使團隊能夠在程式碼層面理解和控制系統。在本地執行 NVIDIA Nemotron 等開源模型，可將敏感工作負載（包括病患記錄、法律文件、金融交易和專有研究）保留在組織自己的環境中，確保追蹤資料在組織的控制之下。

* 保護執行環境： NemoClaw 在 OpenShell 內部執行代理，這是一個沙盒環境，精確定義了代理可以和不能做什麼，從一開始就強制執行明確的權限邊界。* 本地運算： NVIDIA DGX Spark 超級電腦以桌邊型態提供資料中心級的 GPU 效能，專為持續的本地推論而設計，始終保持運作，並在組織環境內託管本地模型和資料。

NVIDIA DGX Station 系統則可為同時執行多個代理以處理複雜、持續工作負載的團隊擴展此能力。實際定義自主代理功能的組織正在累積寶貴的資產：數月的即時運作學習、透過實際工作負載開發的治理框架，以及已吸收使其真正有用的機構背景的代理。

這個基礎只會隨著時間的推移而深化。開始使用 NVIDIA NemoClaw取得關於如何在 NVIDIA DGX Spark 上使用 NemoClaw 建構更安全 AI 代理的逐步教學。探索 NemoClaw 如何透過單一指令部署更安全、永遠在線的 AI 助理。

在 GitHub 上試用 NemoClaw，並加入 Discord 上的開發者社群，他們正在使用 NVIDIA Nemotron 3 Super 和 Telegram 在 DGX Spark 上建構 NemoClaw。訂閱 NVIDIA AI 新聞、加入社群並在 LinkedIn、Instagram、X 和 Facebook 上追蹤 NVIDIA AI，以隨時掌握代理式 AI、NVIDIA Nemotron 等最新資訊。探索自學影片教學和直播。