NVIDIA、NemoClawの記憶型エージェント設計を公開―文脈・判断・実行を分離

概要

※本記事は公開情報をもとに編集部が再構成したサマリです。一次情報は出典欄をご参照ください。

NVIDIAは2026年9月4日、NemoClawを使って、日々の仕事の文脈を保持する記憶型エージェントの設計例を公開した。人、プロジェクト、優先事項、作業パターンを読みやすい記憶として蓄積し、別途、義務・順位・訂正・監査イベントを記録する。記憶を増やすだけでなく、判断と実行を分離し、利用者が訂正できる構成を示した点が特徴である。

事実のポイント

• 知識層はMarkdownページ、判断や訂正の履歴はSQLiteの台帳に分けて保存する
• エージェントが作った判断を、ユーザーの訂正、監査イベント、読みやすい設定方針へつなげる
• 目先の緊急度だけでなく、ユーザーが示した優先事項との関係を考慮する「intent gate」を置く
• 決められた件数や順位、あふれた項目の扱いは決定的なコードで制御する
• NVIDIA OpenShellでファイル、プロセス、ネットワークへのアクセスをサンドボックス化し、認証情報を境界の外に置く

評価結果

NVIDIAの公開例では、Nemotron 3 Ultraを使い、記憶型の「self model」とエージェント型RAGの構成を比較した。186問の評価で、全体正答率はRAG構成の82.8%に対しself modelが90.9%。時間経過で変わった事実の追跡は60.0%から100.0%へ、複数ソースの統合は87.7%から94.5%へ向上した。一方、コーパスに忠実に答えた割合は100.0%から92.3%へ下がっており、記憶が増えるほど精度が一方向に改善するわけではないことも示されている。

用語・背景の補足

RAGは質問に関係する文書を検索し、その内容を根拠に回答させる方式である。過去の文書を検索するだけでは、同じ人や案件の情報が別々に現れたとき、変更履歴や判断理由をつなぎにくい。記憶型エージェントは、検索結果から継続的な関係や優先事項を整理し、後のタスクに再利用する。

ただし、記憶は事実そのものではなく、エージェントが作った解釈である。情報源、解釈、実行を同じ場所に混ぜると、誤った判断が残り続けたり、記憶の文章がそのまま操作の許可として扱われたりする。今回の設計例は、証拠と知識と実行権限を分け、訂正と監査を通じて更新する考え方を明示している。

業務利用で確認すべき点

記憶型エージェントを導入する場合は、何を記憶するか、どの情報を根拠として残すか、誰が訂正できるか、訂正後にどの処理へ影響するかを分けて定義する必要がある。記憶があることは実行権限を意味しない。外部サービスへの書き込みや重要な判断は、別の認証、許可範囲、実行前確認で管理する設計が必要になる。

注意点

掲載された評価値はNVIDIAの公開例に基づく比較であり、すべての業務やモデルに同じ差が出ることを示すものではない。サンプルの人物、組織、メッセージは作成例で、公開レシピは現時点で外部サービスへメッセージを送信したり、元システムを変更したりしない。実データを接続する際は、認証情報、保存期間、削除、監査、プロンプトインジェクションへの対策を別途確認する必要がある。