NVIDIA Labs 推出 NOOA 框架：以物件導向架構與智慧記憶系統提升 Agent 表現
為何重要
過往業界聚焦於模型核心能力（如 GPT-5 或 Claude Opus）的競爭，此篇技術分析揭示了「Harness 架構」對 Agent 表現的決定性影響。透過物件導向設計與免縮減的記憶管理，開發者能在特定領域（如軟體工程或網安）大幅提升準確率且節省運算資源，這不僅改變了 Agent 的開發範式，也鞏固了 NVIDIA 在底層堆疊的優勢。
NVIDIA Labs 釋出開源框架 NOOA，主張透過最佳化「Harness」架構，其帶來的效能與成本改善不亞於選擇更有力的模型。該框架將 Agent 定義為單一 Python class，透過執行時 LLM 填補中置詞，並配合具備背景反思機制的 SQLite 記憶庫，讓 Agent 能累積長期、具格狀關聯的知識，而無須昂貴的縮減摘要程式。<br>- 在 SWE-bench Verified 測試中，搭配 GPT-5.5 的 NOOA 僅使用約 29 次呼叫與 1.1M tokens 即達到 82.2% 準確率，相比消耗 2.2M tokens 的競爭方案，獲得減半的成本效益。<br>- 基於 pass-by-reference 機制的記憶系統不強制壓縮上下文，ARC-AGI-3 測試顯示該記憶模組讓成果比僅透過檔案備註提升 11.8 分。<br>- NOOA 在 CyberGym L1 攻下 86.8% 分數，並在 ARC-AGI-3 模擬中以單一 Agent 還原同款 DreamTeam 架構，展示出通用介面的強大適配性。