NVIDIA 于 2026 年 9 月 4 日发布一篇 NemoClaw 技术文章，展示一个 memory-driven Chief of Staff agent。它不是单纯把更多对话塞进 context，而是把日常消息、决定、项目和待办事项整理成一个会随时间更新的 self model，让代理在下一次工作时可以延续过去的脉络。
这个 self model 用 Markdown 保存人、项目、优先次序、目标和工作模式等 derived knowledge；另一个 SQLite ledger 则记录 obligations、ranking、corrections 和 audit events。NVIDIA 将两者分开，目的是不要把「来源证据」和「代理判断」混成同一种数据。当答案出错时，开发者可以追查问题来自原始证据、记忆维护、retrieval，还是最后的模型决策。
文章把工作流概括为 Evidence → Knowledge → Governed execution。代理先从有限范围的相关内容更新记忆，再把记忆作为推理输入，最后由政策和 runtime 控制实际行动。这个边界很关键：记忆可以告诉代理某位同事偏好使用 Slack，但不能因此自动取得发送消息的 credential。Context 可以影响 action，但不能授权 action。
NVIDIA 的例子还加入 intent gate，让与用户已声明优先事项相关的 obligation 排在短期 urgency 之前；tier 的数量、overflow 和排序则由 deterministic code 执行。用户可以把一项待办移到另一层或忽略它，变更会写入 append-only audit trail；如果类似修正重复出现，系统可以更新一份仍然可读、可编辑和可删除的 preference policy。
NVIDIA 报告的 Agent Memory Benchmark 结果显示，在两个都使用 Nemotron 3 Ultra 的设置中，self model 在 186 条问题的 overall accuracy 由 agentic RAG baseline 的 82.8% 升至 90.9%，追踪变化事实的五条问题由 60.0% 升至 100%。不过它也不是全面胜出：corpus-faithful answering 由 100% 降至 92.3%，single-hop lookup 由 86.7% 降至 83.3%。这些数字来自 NVIDIA 文章和示例 repository，不能直接当作所有企业数据的 production SLA。
安全层由 NVIDIA OpenShell 提供，让 agent 在 sandbox 内运行并限制 file system、process 和 network access；managed inference 及 MCP connection 所需的 credentials 保留在 sandbox 外。这种设计把「长期记忆」和「可采取行动」分开，避免一段被污染的记忆文字直接变成系统权限。
目前公开 recipe 仍是可检查的 foundation，而不是已经接入真实办公账号的完整产品。NVIDIA 说示范数据是 synthetic，offline walkthrough 不会发送消息或修改 source systems；live connector 仍需另行处理 credentials、privacy、retention 和 deletion。这个限制反而令架构更容易审阅，因为人可以先测试记忆、排序、修正和 policy path，再决定何时接入真实数据。
这次更新对 Agent workflow 的信号，是长期记忆不应只是另一个 vector store。可靠的做法需要把 evidence、knowledge、judgment、user correction 和 governed action 分层，并保留可以追查的修改历史。当代理开始替人处理跨日、跨工具的工作时，能否解释「为什么这样排序」和「谁批准这个动作」，会比记住更多文字更重要。
