NVIDIA NOOA 开源：Agent 不是图不是链，是一个 Python 类

看完你会发现，你对「Agent 框架」的理解可能要更新了。

NVIDIA Labs 开源了 NOOA（NVIDIA Object-Oriented Agents）。核心宣言只有一句：Agent 不是图，不是链，也不是 YAML 流水线，而是一个 Python 类。

项目以 Apache 2.0 协议发布在 NVIDIA-NeMo/labs-OO-Agents，1,832 Stars，251 Forks，Python 实现。论文同步发布在 arXiv（2607.20709），并随 NVIDIA 牵头的 37 成员 Open Secure AI Alliance 一同亮相。

本文提纲

1. 核心哲学：一切皆是 Python 对象
2. 一个类搞定状态、能力和提示词
3. MCP 支持：和 Claude Code 用同一套配置
4. Skills 支持：SKILL.md 格式原生兼容
5. 安全模型：OS 级隔离是唯一边界
6. 内置 13 个 Skills 的完整生态
7. 这件事的结构性意义

核心哲学：一切皆是 Python 对象

当前 Agent 框架的普遍做法：把 prompt、tool、callback、workflow 拆成不同的抽象层。LangChain 有 Chain、Agent、Tool、Memory 四层。LangGraph 有图节点和边。AutoGen 有对话代理。到处是配置文件、YAML 流水线、装饰器栈。

NOOA 砍掉了所有这些。一个 Agent 就是一个 Python 类：

from nooa import Agent

class SupportAgent(Agent):
    """You are a support agent."""

    # State lives on the object. Fields are typed.
    order_db: OrderDB

    # Ordinary method. Just Python.
    def is_refund_eligible(self, order: Order) -> bool:
        return order.delivered and order.days_since_delivery <= 30

    # Agentic method: the runtime hands this to an LLM.
    async def triage(self, message: str, order: Order) -> Ticket:
        """Create a typed support ticket."""
        ...

三个设计决策一图看懂：

元素	传统框架	NOOA
状态	Memory 对象 / 配置	类的字段，带类型注解
能力	Tool 定义 / 函数注册	类的方法，有真实函数体的是确定性逻辑
提示词	Prompt template / 字符串拼接	方法的 docstring
接口契约	JSON Schema / Pydantic	Python 类型注解
工作流	DAG / State machine / YAML	方法调用链，就是 Python 控制流

关键细节：方法体是 ...（三个点）的方法变成 generation method——运行时由 LLM 驱动实现。有真实函数体的方法保持确定性 Python。你不用学一套新的 DSL，... 就是「这个方法交给模型」的信号。

一个类搞定状态、能力和提示词

再看那个 SupportAgent 的设计：

• order_db: OrderDB ——状态存在对象上，类型安全
• is_refund_eligible(self, order: Order) -> bool ——确定性逻辑，纯 Python，不需要模型
• triage(self, message: str, order: Order) -> Ticket ——... 方法体，LLM 驱动的 agentic loop

模型通过 CodeAct 方式行动——在 Jupyter 风格的 REPL 中写 Python 代码，可以访问 self、import 和辅助函数。Python 方法和类型注解提供了可调用的接口，减少了对独立 tool-schema 定义的需求。

把方法名从 triage 改成 triage_urgently，输出就变了——方法名、参数、docstring 就是 prompt。

这意味着：你的代码结构就是你的 Agent 架构。不需要在代码和 Agent 配置之间来回切换，不需要维护两套真理。测试、tracing、重构、版本控制——全部复用 Python 工程师已有的工作流。

MCP 支持：和 Claude Code 用同一套配置

NOOA 原生支持 MCP（Model Context Protocol），而且配置格式和 Claude Code / VS Code 完全一致。

from nooa.mcp import MCPManager

class WikiAgent(Agent, llm=llm):
    """Agent with MCP tool access to an internal wiki."""

    wiki = MCPManager.create_from_server("wiki", mcp_file=MCP_CONFIG)

    async def respond(self, prompt: str) -> str:
        """Answer the user's question using the wiki search tool."""
        ...

MCP 配置文件 .mcp.json：

{
  "mcpServers": {
    "wiki": {
      "command": "python",
      "args": ["examples/assets/wiki_mcp_server.py"],
      "transport": "stdio"
    }
  }
}

这个格式和 Claude Code 的 MCP 配置一模一样。这意味着：

1. 已有的 MCP 生态可以直接用。 所有为 Claude Code 写的 MCP server，不需要改任何配置就能在 NOOA 里跑。
2. MCP 工具变成 Python 对象属性。 self.wiki 就是一个 MCP server 的代理——模型在 CodeAct 执行时可以直接调用 self.wiki.search(...)。
3. NOOA 的 MCP 实现很完整。 源码里 src/nooa/mcp/ 有四个核心文件：
   • client.py（12KB）—— MCP 客户端连接管理
   • tool.py（36KB）—— MCP 工具到 Agent 方法的映射
   • oauth.py（41KB）—— 远程 MCP server 的 OAuth 认证
   • 完整的测试套件（7 个测试文件，包括 OAuth 发现、浏览器检测、工具刷新）

OAuth 支持意味着 NOOA 不仅能连本地 stdio MCP server，还能连需要认证的远程 MCP server——这是企业级部署的前提。

Skills 支持：SKILL.md 格式原生兼容

NOOA 的 Skills 系统使用和 Claude Code 完全一致的 SKILL.md 格式。

from nooa import TextSkill

class FrontendAgent(Agent, llm=llm):
    """Agent with a single file-based skill."""

    def __init__(self, *args, **kwargs):
        super().__init__(*args, **kwargs)
        self.frontend_design = TextSkill(path=ASSETS / "frontend-design")

    async def respond(self, prompt: str) -> str:
        """Respond to a user message."""
        ...

一个 Skill 就是一个目录 + 一个 SKILL.md 文件。TextSkill(path=...) 加载它，变成 Agent 的一个属性。模型在执行时可以访问这个属性，读取其中的知识。

还支持目录扫描自动加载：

class GenericAgent(Agent, llm=llm):
    def __init__(self, *args, **kwargs):
        super().__init__(*args, **kwargs)
        for entry in sorted(ASSETS.iterdir()):
            if entry.is_dir() and (entry / "SKILL.md").exists():
                setattr(self, entry.name.replace("-", "_"), TextSkill(path=entry))

扫一个目录下所有含 SKILL.md 的子目录，全部作为 Skill 加载。这意味着你可以维护一个 Skills 库，不同 Agent 按需加载不同的 Skill 组合。

源码里的 Skill 系统相当重——skill_registry.py 有 54KB，这是一个完整的 Skill 注册、路由和生命周期管理系统。配套的测试包括 test_skill_frontmatter.py、test_skill_registry.py（10KB）、test_skill_registry_extended.py（31KB），覆盖面很广。

安全模型：OS 级隔离是唯一边界

NOOA 对安全的态度非常明确，README 里用粗体标注：

The containment boundary is OS-level isolation.

NOOA 的 Agent 可以执行 LLM 生成的代码——通过 CodeAct 在 REPL 中写 Python。这意味着 Agent 可以 open() 任意文件、importlib 加载任意模块、通过反射访问系统的一切。NOOA 做了 AST 检查和模块黑名单，但明确说这只是 defense-in-depth，不是隔离边界。

真正的隔离边界是操作系统级——容器、VM 或 NVIDIA 自己的开源沙箱 OpenShell。这和 Docker Sandboxes 的思路完全一致：不要信任进程内的检查器，要信任 OS 级的隔离。

这个安全模型也是 NOOA 随 NVIDIA Open Secure AI Alliance 亮相的原因——安全是设计约束，不是事后补丁。

内置 13 个 Skills 的完整生态

NOOA 在 skills/ 目录里自带了 13 个 Skills，全部使用 SKILL.md 格式：

Skill	大小	用途
nooa-agent-authoring	14KB	如何用 NOOA 编写 Agent
nooa-codeact-advanced	15KB	CodeAct 高级用法
nooa-agentdoc	10KB	Agent 文档生成
refine-agent-prompt	10KB	提示词优化
nooa-middleware-hooks	8KB	中间件钩子
nooa-capturing-traces	7KB	追踪捕获
nooa-self-extending	7KB	自扩展 Agent
nooa-tools-and-skills	7KB	工具和技能指南
nooa-trace-viewer	7KB	追踪查看器
nooa-trace-explorer	7KB	追踪探索器
nooa-channels	6KB	通道系统
nooa-context-and-state	6KB	上下文与状态
context-blocks	6KB	上下文块

这些 Skills 覆盖了 Agent 开发的全生命周期：从编写（authoring）、到调试（tracing）、到优化（refine-prompt）、到扩展（self-extending）。它们不仅是文档——它们是可被 Agent 自动加载和使用的知识包。

另外还有示例项目中的 Skills：grid-game-solver（ARC AGI 网格解题）、interactive-game-solver（交互式游戏解题）、frontend-design（前端设计），以及 memory 子系统里的 memory_skill。

这件事的结构性意义

第一，OOP 范式回归 Agent 领域。 过去两年，Agent 框架走了两条路：声明式（LangChain/LangGraph 的图和链）和配置式（YAML/JSON 定义的流水线）。NOOA 走了第三条路：面向对象。Agent 是类，状态是字段，能力是方法，提示词是 docstring。这不只是语法糖——它意味着 Agent 代码和业务代码共享同一套工程实践。

第二，MCP 和 Skills 的跨平台标准正在成型。 NOOA 的 MCP 配置格式和 Claude Code 一致，Skills 用同样的 SKILL.md 格式。加上 NOOA 同时支持 Anthropic、OpenAI、Ollama、vLLM 等所有 LiteLLM 支持的模型后端。这说明：MCP + SKILL.md 正在成为 Agent 生态的跨平台标准，就像 HTTP 之于 Web，npm 之于 JavaScript。

第三，NVIDIA 在 Agent 基础设施层的布局。 NOOA 不只是一个框架，是 NVIDIA 整个 AI 战略的一环：NeMo（训练）→ NeMo Deploy（部署）→ NOOA（Agent 编排）→ OpenShell（沙箱）→ Open Secure AI Alliance（安全标准）。从模型训练到 Agent 执行到安全隔离，全栈覆盖。

第四，「Agent 是 Python 类」降低了门槛。 不需要学 DSL、不需要理解图论、不需要写 YAML。如果你会写 Python 类，你就会写 Agent。这比 LangChain 的学习曲线低一个数量级。NVIDIA 的判断是：Agent 开发的民主化不靠降低模型能力，靠降低框架复杂度。

安装

uv init my-agent-project
cd my-agent-project
uv add nooa

# 可选子包
uv add nooa[cli,memory,bench]

模型后端一行搞定：

from nooa.unifiedllm.registry import get_llm_client

llm = get_llm_client("claude-haiku-4-5")         # Anthropic
llm = get_llm_client("gpt-5-mini")                # OpenAI
llm = get_llm_client("ollama_chat/qwen3:1.7b")    # Ollama 本地
llm = get_llm_client("hosted_vllm/Qwen/Qwen3-1.7B")  # vLLM

参考文档与链接

• GitHub: NVIDIA-NeMo/labs-OO-Agents - 1,832 stars，Python，Apache 2.0
• arXiv 论文 2607.20709 - 设计原理、harness 细节、SWE-bench / Terminal-Bench 2.0 结果
• NVIDIA 博客: Six Agent Harness Capabilities - 官方博文
• NVIDIA OpenShell - NVIDIA 开源沙箱，NOOA 的推荐隔离方案
• MCP 配置示例 - 与 Claude Code 格式一致
• 内置 Skills 目录 - 13 个 SKILL.md，覆盖 Agent 开发全生命周期

你用什么框架写 Agent？LangChain、LangGraph 还是 NOOA？评论区聊聊。觉得有用点个赞让更多人看到。

---

作者: itech001 来源: 公众号：AI人工智能时代 网站: https://www.theaiera.cn/ 每日分享最前沿的AI新闻资讯和技术研究。

本文首发于 AI人工智能时代，转载请注明出处。