提升模型性能的六种智能体框架能力

NVIDIA Labs发布的NOOA（NVIDIA Labs Object-Oriented Agents）是一个开源研究预览框架，其核心理念是将Agent定义为单一Python类。类的字段是状态，方法是能力，文档字符串是提示，类型注解是强制契约。方法体为省略号（...）的方法在运行时由LLM驱动的循环完成；方法体正常的方法则作为确定性Python执行。

这种设计使Agent开发回归传统软件开发：Agent可以被diff、代码审查、单元测试、追踪、版本控制和重构——无论是人类还是AI编码Agent，都可以使用他们已有的工具。

NOOA架构识别出六个模型面向的接口能力：类型化输入/输出（Agent调用有类型参数和验证返回值，而非自由文本）、按引用传递（模型操作实时Python对象，看到有界预览而非序列化转储）、代码即行动（模型通过编写Python行动，包含控制流和内联方法调用）、可编程循环工程（编排循环是普通Python，可由开发者和模型自身编写）、显式对象状态（持久化、类型化状态存在于Agent对象上，而非仅对话历史）、模型可调用的Harness API（上下文块和事件历史是模型可检查和管理的API）。

这些能力在多个基准上得到验证。在SWE-bench Verified上，NOOA搭配GPT-5.5达到82.2%，超过提交时的公开排行榜SOTA（79.2%）；搭配Opus 4.6达到79.8%，且Agent仅253行通用代码，无基准专用提示。在CyberGym L1上，NOOA搭配GPT-5.5解决86.8%的任务，为得分最高的开源Agent，网络访问被阻断，结果来自对代码本身的推理，未使用网络安全专用引导。在ARC-AGI-3上，单一NOOA Agent搭配GPT-5.5达到50.2%平均RHAE（技能基线+8.5分，记忆子系统+11.8分），搭配GPT-5.6-sol达到85.1%，每局成本低于20美元。

效率方面，NOOA搭配GPT-5.5在SWE-bench Verified上使用29次LLM调用和约1.1M tokens/任务达到82.2%。对比基线需要66次调用和2.2M tokens达到78.2%，或29次调用和1.3M tokens达到78.6%。NOOA在同等或更好性能下，成本约为一半。

NOOA包含一个长期记忆子系统，但并非自动背景摘要管道，而是Agent通过模型可调用的工具自主策划——主动写入、查询和修正记录，同时与当前轮次相关的自发记忆自动浮现到上下文中。记录携带类型、重要性和标签，类型化关系（如“支持”、“矛盾”、“衍生自”）将记录连接成知识图谱而非扁平日志。后台反射过程通过合并重复、链接相关记录、将情节提炼为洞察以及修剪不再相关的信息来整合存储。

Agent无需重新训练即可跨会话积累知识。所有内容持久化在一个人类可读的SQLite文件中，团队可使用标准实践检查、备份和审查。存储的记忆可引用实时Agent状态，保持知识最新。多个Agent可共享同一存储同时保留独立所有权。在ARC-AGI-3评估中，记忆子系统使系统RHAE比使用基于文件的笔记的同一Agent提高+11.8分。

NOOA的高效性源于两个机制。首先，按引用传递：工具结果成为实时Python变量，直接在代码中组合，而非作为文本往返于上下文窗口。模型看到类型化的有界预览，完整值保留在执行环境中。其次，由于按引用传递，NOOA无需上下文压缩即可解决SWE-bench：中位数会话峰值提示token为22–72k，而窗口为200–400k。因为工具结果按引用传递而非序列化到上下文窗口，转录保持仅追加且在整个任务中缓存有效。无需摘要步骤，预填充缓存命中在整个任务中累积。