NVIDIA выпустила NOOA: ИИ-агенты на Python пишутся одним классом и тратят вдвое меньше токенов

До сих пор создание ИИ-агентов (программ, которые сами принимают решения и выполняют задачи) требовало склейки нескольких слоёв: шаблонов промптов, схем инструментов, колбэков (функций обратного вызова) и графов рабочих процессов. NOOA, расшифровывается как NVIDIA Object-Oriented Agents, объединяет всё это в один Python-класс. Фреймворк выпущен под лицензией Apache 2.0 и доступен через pip. По данным самой NVIDIA, агент на NOOA набрал 82,2% на бенчмарке SWE-bench Verified и 86,8% на CyberGym L1, потратив примерно вдвое меньше токенов, чем сопоставимые открытые решения.

Что меняет NOOA для тех, кто пишет ИИ-агентов на Python?

• Агент равно Python-класс. Методы класса описывают действия, которые может вызвать языковая модель. Поля класса хранят состояние агента. Строки документации (docstrings) выполняют роль промптов. Аннотации типов становятся контрактами, которые среда исполнения проверяет автоматически.

• Два режима работы метода. Если тело метода записано как ... (троеточие), его заполняет языковая модель в реальном времени (агентный метод). Если тело написано обычным Python-кодом, метод остаётся детерминированным и модель может вызывать его как инструмент.

• Две стратегии выполнения. PredictStrategy делает один типизированный вызов к модели с локальным повторным запросом при ошибке валидации. CodeActStrategy запускает итеративный Python REPL (интерактивную среду), где модель пишет и выполняет код, пока не вернёт проверенный результат.

• Передача по ссылке вместо копирования. Аргументы передаются как живые Python-объекты. Модель видит только краткий предпросмотр: тип, длину и начало/конец данных. Список из ста элементов занимает около тридцати токенов, а полная переменная остаётся в REPL. По данным NVIDIA, именно это позволило обойтись без сжатия контекста на SWE-bench.

• Память на базе SQLite. Опциональная подсистема памяти подключается к агенту без изменения его кода. Семь инструментов, доступных модели, записывают и извлекают записи, ранжированные по активации ACT-R (когнитивная модель приоритизации). Все данные хранятся в одном человеко-читаемом файле SQLite.

• Работает с любой моделью. NOOA подключается через LiteLLM, поэтому совместима с облачными API, локальными серверами Ollama и vLLM-эндпоинтами.

Какие результаты показал агент на бенчмарках?

NVIDIA приводит цифры для агента объёмом 253 строки кода.

• SWE-bench Verified (задачи по исправлению кода в реальных репозиториях): 82,2% с моделью GPT-5.5 при максимальном усилии. Для сравнения, NVIDIA указывает 78,6% у OpenCode и 78,2% у PI на том же бенчмарке.
• CyberGym L1 (задачи по кибербезопасности): 86,8% с заблокированным сетевым доступом. По данным NVIDIA, это лучший открытый результат на этом бенчмарке.
• ARC-AGI-3: средний RHAE 85,1% с GPT-5.6-sol, стоимость менее 20 долларов за игру.
• Эффективность по токенам: 82,2% на SWE-bench при примерно 1,1 млн токенов и 28 вызовах модели на задачу. PI при 78,2% тратит 2,2 млн токенов и 66 вызовов, то есть NOOA расходует примерно вдвое меньше ресурсов.

NVIDIA подчёркивает, что агент завершает работу только после типизированной проверки результата (TaskResult с доказательством и командой верификации), а не просто когда модель перестаёт вызывать инструменты.

Как попробовать?

1. Убедитесь, что у вас установлен Python версии 3.12 или 3.13. Выполните команду pip install nooa (текущая версия 0.0.8).
2. Запускайте агентов только внутри изолированной среды: контейнер, виртуальная машина или NVIDIA OpenShell. NVIDIA прямо предупреждает: встроенные проверки AST и списки запрещённых модулей являются дополнительным барьером, а не границей безопасности.
3. Подключите языковую модель через LiteLLM: облачный API, локальный Ollama или vLLM-сервер.
4. Код, документация и научная статья доступны в репозитории на GitHub: github.com/nvidia/nooa.

PyPI классифицирует пакет как альфа-версию, а сама NVIDIA описывает релиз как исследовательский превью. Для рабочих задач в регулируемых отраслях компания рекомендует дождаться стабильной версии.

Есть ли аналоги в России?

NOOA решает задачу оркестрации агентов (координации нескольких ИИ-модулей), а не задачу самой языковой модели. Российские модели YandexGPT и GigaChat работают как языковые движки, но открытого фреймворка для объектно-ориентированной сборки агентов на Python в экосистеме Яндекса или Сбера на момент публикации нет. Ближайший путь для разработчика из РФ: установить NOOA и подключить к ней модель через совместимый API, например через Ollama с локально запущенной открытой моделью.

Что это значит для вас?

Разработчику или техническому автору Дзена. Если вы пишете об ИИ-агентах на Python или создаёте их, NOOA убирает разброс логики по промптам, графам и колбэкам. Один класс, один файл, стандартный git diff. Это облегчает и код-ревью, и написание технических разборов.

Маркетологу и менеджеру проекта. Фреймворк снижает порог входа для команды: ИИ-агенты на Python описываются как обычные объекты, а не как непрозрачные цепочки вызовов. Проще оценить, что агент делает и где он ошибается, до того как код уйдёт в продакшн.

Предпринимателю в РФ и СНГ. NOOA работает с любой моделью, включая локальные. Если вы строите внутреннего агента для автоматизации (тикеты, инфраструктура, обработка данных), фреймворк позволяет начать на локальной модели без зависимости от зарубежных API.

Частые вопросы

NOOA работает только с моделями NVIDIA?

Нет. Фреймворк подключается к любой модели через библиотеку LiteLLM: облачные API (включая OpenAI, Anthropic), локальные серверы Ollama и vLLM. Привязки к конкретному провайдеру нет.

Можно ли запускать агентов на обычном компьютере?

Технически да: нужен Python 3.12 или 3.13 и команда pip install nooa. Но NVIDIA настаивает на запуске внутри изолированной среды (контейнер, виртуальная машина), потому что агент выполняет код, сгенерированный моделью. На обычной машине без изоляции это небезопасно.

Готов ли фреймворк для продакшена?

Пока нет. PyPI маркирует пакет как альфа-версию, NVIDIA называет его исследовательским превью. Для тестов и пилотных проектов подходит, для регулируемых рабочих нагрузок компания рекомендует дождаться стабильного релиза.