到2026年初，开源项目OpenClaw已成为AI领域的一个现象级存在。1月份，其GitHub星标数突破10万，开发者兴趣激增，社区仪表板和流量分析显示单周访问量超过200万。到3月，OpenClaw星标数超过25万，在60天内超越React成为GitHub上最受星标的软件项目。
OpenClaw由Peter Steinberger创建，是一个自托管、持久运行的AI助手，旨在本地或私有服务器上运行。该项目因其易用性和不受限的自主性而备受关注：用户无需依赖云基础设施或外部API即可部署AI模型。
大多数AI代理目前通过提示触发，完成定义的任务后停止运行。而持久运行的自主代理（或称“爪”）则不同。这些代理在后台持续运行，自主完成任务，仅呈现需要人类决策的部分。它们以心跳机制运作：按固定间隔检查任务列表，评估需要采取的行动，然后执行或等待下一个周期。
OpenClaw的迅速普及也引发了争议。安全研究人员对自托管AI工具如何管理敏感数据、身份验证和模型更新提出了担忧。其他人则质疑本地部署是否会给用户带来新风险——从未打补丁的服务器实例到社区分支中的恶意贡献。随着贡献者和维护者努力解决这些问题，OpenClaw的崛起引发了AI生态系统中关于开放性、隐私和安全之间权衡的更广泛讨论。
为了增强OpenClaw项目的安全性和鲁棒性，NVIDIA正与Steinberger及OpenClaw开发者社区合作，解决潜在漏洞，正如OpenClaw最近的博文所述。NVIDIA贡献代码和指导，重点是改进模型隔离、更好地管理本地数据访问以及加强验证社区代码贡献的流程。目标是通过以开放透明的方式贡献其安全和系统专业知识，支持项目的势头，同时保留OpenClaw的独立治理。
为了帮助企业更安全地使用持久运行的代理，NVIDIA还推出了NVIDIA NemoClaw，这是一个参考实现，只需一条命令即可安装OpenClaw、NVIDIA OpenShell安全运行时和NVIDIA Nemotron开放模型，并具备网络、数据访问和安全方面的强化默认设置。NemoClaw充当了组织更安全部署“爪”的蓝图。
推理需求随每个AI浪潮倍增：AI经历了四个阶段，且每个阶段之间的时间在缩短。预测AI花了多年才成为主流。生成式AI移动得更快。推理型AI的到来更快。而自主AI——OpenClaw所代表的浪潮——正以更快的速度发展。每个阶段都倍增推理需求：生成式AI比预测AI增加了令牌使用量；推理型AI又增加了100倍；而自主代理持续运行、跨长时间跨度行动，则使推理需求比推理型AI再增加1000倍。每个阶段都要求更多计算。这种令牌使用量的增加使组织能够以数量级提升生产力。例如，持久运行的代理可以帮助研究人员整夜解决一个问题、在数千种配置中迭代设计，或监控系统并仅呈现需要人工判断的异常——从而将研究人员的工作日解放出来用于更高价值的任务。
选择工具：何时部署“爪”：尽管生成式AI已成为按需任务的主流，但在特定场景下，持久运行的“心跳”式代理具有独特优势。从“按需”到“始终在线”：当任务需要持续后台监控或定期系统检查而无需手动启动时，“爪”更适合。管理高迭代循环：对于复杂问题，如测试数千种化学组合或模拟基础设施压力测试，“爪”可以管理大量迭代，避免因人工干预而成为瓶颈。从建议转向行动：在许多工作流中，标准AI用于提供信息或草稿。当目标在于AI进入执行阶段——与API交互、更新数据库或跨长时间跨度管理文件时，“爪”是更好的选择。资源优化：对于大规模、令牌密集的推理任务，在专用硬件（如NVIDIA DGX Spark个人AI超级计算机）上部署本地“爪”，可以带来更可预测的成本和数据隐私，而非高频云API调用。
组织如何使用持久运行的自主代理？实际应用涵盖各个职能和行业。金融服务中，代理持续监控交易系统和监管信息源，在早间审查前标记重大事件。药物发现中，代理扫描新的科学文献，提取相关发现并实时更新内部数据库，无需研究人员干预——这个过程以前需要数周。工程和制造业中，代理通过测试数千种参数组合、排名结果并标记值得检查的配置来加速问题分析——所有这些可以在夜间完成。IT运维中，代理诊断基础设施事件，应用已知修复方案，仅升级新问题——将平均解决时间从数小时压缩到数分钟。ServiceNow利用Apriel和NVIDIA Nemotron模型的AI专家能自主解决90%的工单。
公司如何负责任地部署自主代理？自主代理是“动手”的：它们可以发送通信、写入文件、调用API和更新实时系统。当代理产生错误行为时，会有实际后果。从一开始就建立正确的问责框架至关重要，而在生产环境中部署自主代理的组织必须将治理视为首要需求。负责任地部署自主代理的组织关注三个优先事项：开放可审计的框架：NemoClaw基于OpenClaw的MIT许可代码库，这意味着组织拥有完整的代理框架。他们可以阅读、分支和修改代理构建和部署的每一层。这种透明度使团队能够在代码层面理解和控制系统。在本地运行像NVIDIA Nemotron这样的开源模型，可将敏感工作负载（包括患者记录、法律文件、金融交易和专有研究）保留在组织自己的环境中，确保追踪数据处于组织控制之下。保护运行时环境：NemoClaw在OpenShell（一个沙盒环境）中运行代理，精确界定代理能做什么和不能做什么，从一开始就强制执行清晰的权限边界。本地计算：NVIDIA DGX Spark超级计算机在桌面级外形中提供数据中心级GPU性能，专为持续本地推理而构建，始终在线，本地模型托管，数据保留在组织环境中。NVIDIA DGX Station系统将该能力扩展到团队同时运行多个代理以处理复杂、持续工作负载的场景。
那些在实践中定义自主代理功能的组织正在积累宝贵资产：数月的实时运营学习、通过实际工作负载开发的治理框架，以及已经吸收了使其真正有用的制度背景的代理。这一基础将随着时间的推移而深化。
NVIDIA NemoClaw入门指南：访问逐步教程，了解如何在NVIDIA DGX Spark上使用NemoClaw构建更安全的AI代理。探索如何通过一条命令部署更安全、始终在线的AI助手。实验NemoClaw（可从GitHub获取），并加入Discord社区，与使用NVIDIA Nemotron 3 Super和Telegram在DGX Spark上构建NemoClaw的开发者交流。订阅NVIDIA AI新闻、加入社区并关注NVIDIA AI的LinkedIn、Instagram、X和Facebook，以了解代理AI、NVIDIA Nemotron等的最新信息。探索自定进度的视频教程和直播流。