到2026年初，開源專案OpenClaw已成為AI領域的一個現象級存在。1月份，其GitHub星標數突破10萬，開發者興趣激增，社群儀表板和流量分析顯示單週訪問量超過200萬。到3月，OpenClaw星標數超過25萬，在60天內超越React成為GitHub上最受星標的軟體專案。
OpenClaw由Peter Steinberger建立，是一個自託管、持久執行的AI助手，旨在本地或私有伺服器上執行。該專案因其易用性和不受限的自主性而備受關注：使用者無需依賴雲基礎設施或外部API即可部署AI模型。
大多數AI代理目前透過提示觸發，完成定義的任務後停止執行。而持久執行的自主代理（或稱“爪”）則不同。這些代理在後臺持續執行，自主完成任務，僅呈現需要人類決策的部分。它們以心跳機制運作：按固定間隔檢查任務列表，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。安全研究人員對自託管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給使用者帶來新風險——從未打補丁的伺服器例項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的崛起引發了AI生態系統中關於開放性、隱私和安全之間權衡的更廣泛討論。
為了增強OpenClaw專案的安全性和魯棒性，NVIDIA正與Steinberger及OpenClaw開發者社群合作，解決潛在漏洞，正如OpenClaw最近的博文所述。NVIDIA貢獻程式碼和指導，重點是改進模型隔離、更好地管理本地資料訪問以及加強驗證社群程式碼貢獻的流程。目標是透過以開放透明的方式貢獻其安全和系統專業知識，支援專案的勢頭，同時保留OpenClaw的獨立治理。
為了幫助企業更安全地使用持久執行的代理，NVIDIA還推出了NVIDIA NemoClaw，這是一個參考實現，只需一條命令即可安裝OpenClaw、NVIDIA OpenShell安全執行時和NVIDIA Nemotron開放模型，並具備網路、資料訪問和安全方面的強化預設設定。NemoClaw充當了組織更安全部署“爪”的藍圖。
推理需求隨每個AI浪潮倍增：AI經歷了四個階段，且每個階段之間的時間在縮短。預測AI花了多年才成為主流。生成式AI移動得更快。推理型AI的到來更快。而自主AI——OpenClaw所代表的浪潮——正以更快的速度發展。每個階段都倍增推理需求：生成式AI比預測AI增加了令牌使用量；推理型AI又增加了100倍；而自主代理持續執行、跨長時間跨度行動，則使推理需求比推理型AI再增加1000倍。每個階段都要求更多計算。這種令牌使用量的增加使組織能夠以數量級提升生產力。例如，持久執行的代理可以幫助研究人員整夜解決一個問題、在數千種配置中迭代設計，或監控系統並僅呈現需要人工判斷的異常——從而將研究人員的工作日解放出來用於更高價值的任務。
選擇工具：何時部署“爪”：儘管生成式AI已成為按需任務的主流，但在特定場景下，持久執行的“心跳”式代理具有獨特優勢。從“按需”到“始終線上”：當任務需要持續後臺監控或定期系統檢查而無需手動啟動時，“爪”更適合。管理高迭代迴圈：對於複雜問題，如測試數千種化學組合或模擬基礎設施壓力測試，“爪”可以管理大量迭代，避免因人工干預而成為瓶頸。從建議轉向行動：在許多工作流中，標準AI用於提供資訊或草稿。當目標在於AI進入執行階段——與API互動、更新資料庫或跨長時間跨度管理檔案時，“爪”是更好的選擇。資源最佳化：對於大規模、令牌密集的推理任務，在專用硬體（如NVIDIA DGX Spark個人AI超級計算機）上部署本地“爪”，可以帶來更可預測的成本和資料隱私，而非高頻雲API呼叫。
組織如何使用持久執行的自主代理？實際應用涵蓋各個職能和行業。金融服務中，代理持續監控交易系統和監管資訊源，在早間審查前標記重大事件。藥物發現中，代理掃描新的科學文獻，提取相關發現並即時更新內部資料庫，無需研究人員干預——這個過程以前需要數週。工程和製造業中，代理透過測試數千種引數組合、排名結果並標記值得檢查的配置來加速問題分析——所有這些可以在夜間完成。IT運維中，代理診斷基礎設施事件，應用已知修復方案，僅升級新問題——將平均解決時間從數小時壓縮到數分鐘。ServiceNow利用Apriel和NVIDIA Nemotron模型的AI專家能自主解決90%的工單。
公司如何負責任地部署自主代理？自主代理是“動手”的：它們可以傳送通訊、寫入檔案、呼叫API和更新即時系統。當代理產生錯誤行為時，會有實際後果。從一開始就建立正確的問責框架至關重要，而在生產環境中部署自主代理的組織必須將治理視為首要需求。負責任地部署自主代理的組織關注三個優先事項：開放可審計的框架：NemoClaw基於OpenClaw的MIT許可程式碼庫，這意味著組織擁有完整的代理框架。他們可以閱讀、分支和修改代理構建和部署的每一層。這種透明度使團隊能夠在程式碼層面理解和控制系統。在本地執行像NVIDIA Nemotron這樣的開源模型，可將敏感工作負載（包括患者記錄、法律檔案、金融交易和專有研究）保留在組織自己的環境中，確保追蹤資料處於組織控制之下。保護執行時環境：NemoClaw在OpenShell（一個沙盒環境）中執行代理，精確界定代理能做什麼和不能做什麼，從一開始就強制執行清晰的許可權邊界。本地計算：NVIDIA DGX Spark超級計算機在桌面級外形中提供資料中心級GPU效能，專為持續本地推理而構建，始終線上，本地模型託管，資料保留在組織環境中。NVIDIA DGX Station系統將該能力擴充套件到團隊同時執行多個代理以處理複雜、持續工作負載的場景。
那些在實踐中定義自主代理功能的組織正在積累寶貴資產：數月的即時運營學習、透過實際工作負載開發的治理框架，以及已經吸收了使其真正有用的制度背景的代理。這一基礎將隨著時間的推移而深化。
NVIDIA NemoClaw入門指南：訪問逐步教程，瞭解如何在NVIDIA DGX Spark上使用NemoClaw構建更安全的AI代理。探索如何透過一條命令部署更安全、始終線上的AI助手。實驗NemoClaw（可從GitHub獲取），並加入Discord社群，與使用NVIDIA Nemotron 3 Super和Telegram在DGX Spark上構建NemoClaw的開發者交流。訂閱NVIDIA AI新聞、加入社群並關注NVIDIA AI的LinkedIn、Instagram、X和Facebook，以瞭解代理AI、NVIDIA Nemotron等的最新資訊。探索自定進度的影片教程和直播流。