“相比写Python，我的工程师更愿意造Agent”，黄仁勋最新26分钟对话：未来公司将建立在Harness之上

发布时间：2026-07-18 03:07:21 来源：安智兰德资讯网 作者：探索

整理| 苏宓
出品| CSDN（ID：CSDNnews）

“当企业需要增强自身智能时，相比写P勋最新分核心能力绝不能外包给第三方，工程公司而必须在内部完成。师更”

这是愿意英伟达 CEO 黄仁勋在近期与 LangChain CEO、联合创始人 Harrison Chase 对话中提出的造A钟对之上核心观点。在这场长达 26 分钟的黄仁话深度交流中，黄仁勋几乎未提及 GPU 硬件或下一代芯片，将建而是相比写P勋最新分将焦点完全锁定在 Agent（智能体）领域。

他认为，工程公司大模型正逐渐演变为基础设施，师更真正拉开企业差距的愿意，不再是造A钟对之上模型本身的规模，而是黄仁话围绕模型构建的 Agent 系统以及企业沉淀其中的专有知识和工作流。未来的将建竞争，将是相比写P勋最新分“超级智能体”实力的较量。

这场对话信息密度极高，黄仁勋阐述了以下关键洞察：

• 开源模型逼近前沿：开源权重模型性能已接近前沿模型，但成本仅为后者的十分之一。
• 策略建议：始终先使用最前沿模型以探知能力天花板，随后打造专属的专业化智能体。
• 企业架构变革：今天的公司建立在业务流程之上，未来将建立在 Harness（智能体框架/外壳）之上。
• 核心能力自主：增强智能的核心能力必须掌握在自己手中，不可外包。
• 工程师角色转变：相比编写 Python 代码，英伟达工程师如今更热衷于构建 Agent。

完整视频地址：https://www.youtube.com/watch?v=Yy3JH6dDugc

英伟达为何大力投资开放的 Agent 生态系统？

Harrison Chase：很高兴与你交流。过去一年，尤其是最近几个月，AI 和智能体（Agent）领域进展迅猛。性能显著提升的同时，模型和系统的开放性、可控性及信任度变得至关重要。请问，为什么 NVIDIA 正在大力投资开放的智能体生态系统和技术栈？

黄仁勋：首先，我要祝贺 LangChain 取得的成就。回顾过去六个月，尽管我们在 AI 领域耕耘了 15 年，但这半年彻底改变了格局。

大语言模型的进步、算力扩展、全能模型（Omni-models）及多模态技术的突破令人叹为观止。最重要的是，AI 终于变得实用了。当 AI 具备实用性时，全球企业都想参与，而核心问题在于“如何实现”。

这正是 LangChain 的价值所在。你曾坚定认为，大语言模型是核心驱动力，但要转化为实用产品，必须构建一套被称为 Harness的系统。早期，我们利用 LangChain 将大语言模型转化为可调用的 API，构建 RAG（检索增强生成）系统。经过积累，演变为今天的智能体系统。过去六个月的重大突破，在于那些基于知识、能使用工具搜索、具备记忆管理、拥有安全护栏并能持续迭代直至完成任务的智能体系统。

NVIDIA 多年来致力于构建开放系统，因为 AI 是基础技术，只有应用于不同场景才能发挥价值。我们设想了一个由科学家、数字生物学家、设计师、机器人专家、研究员及企业 IT 人员共同使用的世界，大家利用智能体 AI 解决特定领域问题。

在这些场景中，有些涉及我们独有的专业领域知识，必须融入 AI；有些则基于“飞轮效应”——我们使用它，它变得更聪明、更实用，从而引导我们更多地使用它。AI 如同人类，也在不断学习。

虽然 Anthropic、OpenAI 和 Google 的工作非常出色，但人们仍希望构建专业化、特定领域及专有的 AI。我们致力于赋能这样一个世界的实现。

Harrison Chase：关于专业化，你认为最佳路径是什么？是依靠模型本身、Harness 系统，还是外部上下文信息？

黄仁勋：专业化首先需要足够强大的基础智能。这就是我们开发 Nemotron 的原因。Harrison，感谢你成为 Nemotron 联盟的创始成员。Nemotron-3-Ultra 性能卓越。

但是，只有当用 LangChain 框架和 Harness 系统将 Nemotron-3-Ultra 包裹起来，使其锚定在特定领域的专业信息上时，它才真正惊人。一个聪明的人只有在能获取关键信息时才最有价值。我们甚至可以在 LangChain 的 Harness 系统中对模型进行后期训练，使其更擅长利用周围系统组件。时机已成熟，我们需要一个开放的 Harness 系统，让每个人都能自行构建、应用并持续改进。

开源权重模型性能已追平前沿模型

Harrison Chase：我赞同“模型足够强大”的观点。一年前前沿模型跨越门槛，约六个月前，开源权重模型也跨越了。我们在 DeepAgents 中对 Nemotron-3-Ultra 做了大量工作，调整 Harness 以适配模型。我们发现不同模型需要不同的提示词和工具调用方式。优化后，Nemotron-3-Ultra 在内部基准测试中达到 86%的准确率。对比之下，Claude Opus 为 87%，DeepSeek 和 MiniMax 部分模型在 82%-83% 之间。这说明最新开源权重模型已达到前沿性能。

更重要的是，其成本仅为 Opus 的十分之一。开源模型在性能与成本间取得了极佳平衡。我想听听你对“成本”如何改变开发者决策的看法。

黄仁勋：降低成本的优势显而易见：当智能变得廉价，使用频率将大幅增加。拥有极低成本智能体时，你可以在更大的搜索空间内迭代，从而获得更优答案。

Nemotron 之所以具成本效益，是因为其速度快、计算效率高。如同思维敏捷的人能探索更多可能性，Nemotron-3-Ultra 在 LangChain 和 DeepAgents 中的表现证明，极快的推理速度使其能迅速迭代并找到更优解。看到我们创造出接近前沿水平的模型，并通过优化周围环境使其发挥前沿性能，我深感自豪。

对人类而言，我们雇佣最聪明的人，但还需提供工具、信息和合适的环境以激发其潜力。因此，我们需要调整的是整个环境，而不仅仅是模型。

“先用前沿模型，探知潜力天花板”

Harrison Chase：“更便宜、更快的智能带来更多使用”这一点非常正确。即使是我这样紧跟 AI 潮流的人，也低估了市场对智能和 Token 的海量需求。随着模型又快又便宜，我们该如何看待“前沿模型”的地位？是始终转向开源，还是两者各有千秋？

黄仁勋：模型在持续改进，Scaling Laws 将继续发挥作用。模型的外壳（Harness）也在优化，记忆技术（工作记忆与长期记忆）进步惊人。此外，还有压缩技术，以及 RAG 和知识图谱领域的突破。前沿模型的 API 中正融入大量令人赞叹的进步。

我的逻辑是：我总是从前沿模型开始所有工作。原因很简单，前沿模型非常实用，它能告诉我潜力的天花板在哪里。虽然成本稍高，但它能让我极快地完成工作。然而，随着时间推移，我发现需要为它们添加子智能体，将那些在特定技能上表现卓越的“超级智能体”连接起来。

在 NVIDIA 内部，我们面临许多极其困难的优化问题，涉及供应链、芯片设计等。这些复杂问题不能仅靠通用 AI 解决。因此，我们创建了“超级子智能体”。这些智能体利用 LangChain 的 DeepAgents 框架，内置 Nemotron-3 模型构建，并连接专门工具以专精某项任务。例如，有一个超级智能体不处理差旅，只负责优化供应链。在这种情况下，我需要 LangChain、Nemotron-3-Ultra，并将其与大量专有知识和技能连接。我们有一支专门团队不断精炼这些系统。

我认为这定义了一家公司。公司本质上是由一堆这类超级专有的、极其重要的工作流组成的集合。现在，通过 LangChain、DeepAgents 和 Nemotron-3，我们可以实现这一点，赋予企业所需的全部控制权，不仅高效，还能调用各种强大工具。这就是未来。

Harrison Chase：如果企业效仿你的做法——先从前沿模型开始，再专业化，你有什么建议？何时考虑专业化？有哪些触发信号？

黄仁勋：只要模型表现“足够好”了，就可以开始。

我会先从 Claude、Code 和 Codex 等模型开始，尽可能久地使用它们。事实上，很多东西你可能永远不需要替换，因为它们自身也在不断进步，能力提升速度惊人。

我认为在未来，AI 的存在方式就像今天的公司成员一样。我们聘用员工是因为其领域专业性，以及在公司内部对工作流程的精炼和终身学习积累，这些价值无可替代。但同时，我们也会聘请顾问、购买外部工具授权、将工作外包。

AI 的未来也是如此。我们会继续大量使用前沿模型，但同时利用 LangChain 和 Nemotron-3-Ultra 创建专有的、专业化的超级智能体，这些智能体可以说是企业的“皇冠上的明珠”。

Harrison Chase：就像聘请外部顾问，必须让他们快速熟悉组织，提供背景信息，告知公司运作方式，并赋予内部数据访问权限。我们观察到，企业采用 AI 时，必须围绕构建一系列系统，以确保智能体系统整体可信、安全且具备妥善治理。

黄仁勋：没错。我想补充一点：今天的多数公司是建立在“业务流程”之上的，而未来的公司将建立在 Harness 之上。LangChain 将成为创建公司“操作系统”的工具。每个人都会使用 LangChain 创建专业化的 Harness，这代表了过去的工作流。而这些工作流中的外壳将变得自主、智能化且更加高效。

增强自家智能时，别指望给第三方打电话解决

Harrison Chase：我们看到系统中包含外壳（Harness）、模型及周围上下文信息，所有这些都可在不同时间点优化。我们与 Nemotron-3 的合作成果证明了围绕外壳优化（如更改提示词、更换工具）能带来极高 ROI。我们也期待尝试对 Nemotron 进行后期训练，虽需更多时间，但能显著提升系统能力上限。

黄仁勋：这太棒了，这正是重大突破所在。

你描述的未来是：一旦外壳构建完成并成为业务流程成功的一部分，下一个问题就是如何让它变得更好。你可以继续优化提供给它的信息、调整外壳参数，但现在你还可以直接在外部框架内改进 AI 模型本身（如 Nemotron-3-Ultra）。这是一种前所未有的能力，我对此感到非常兴奋。

Harrison Chase：这将结合企业特有的业务流程，真正启动飞轮。我们在与企业交流时听到的共同需求是：系统必须构建在开放生态系统之上。企业将自己的知识和流程投入其中，拥有完全的控制权至关重要。你能谈谈开放技术栈（Open Stacks）如何进一步赋能企业应用 AI 吗？

黄仁勋：每家公司从根本上说都是建立在特定领域或某些专业知识产权（IP）之上的。我们称之为“知识产权”，因为核心是“智能”。每家公司都建立在某种专业化的智能基础之上。

NVIDIA 在某些领域很专业，我们并不擅长所有事情，但我们在某一件事上做得非常出色。这种专业化智能定义了你是谁。你不可能不去控制它、改进它、让它变得更好。

对我来说，将这种核心智能“外包”出去是毫无道理的，无论对于个人、公司还是国家。

当然，世界上存在通用智能，也存在通用事务。例如，软件编程其实就是一种通用技能，大家都会用 Python 或 C++。虽然应用场景不同，但编程技能本身是通用的。写作也是一种通用技能。但这些只是基础技能，我们会将这些基础应用到我们的专业领域智能中。这就是 LangChain 和 Nemotron 的用武之地。

我相信社会的基石将是这些通用的基础模型，它们在云端随处可用。但在那个平台之上，我们必须构建自己的专业化能力，这就需要开放工具。

当你需要增强自己的智能时，你不能指望给第三方打个电话解决，你需要就在公司内部完成。所以，未来不是二选一，而是一个完全互补的愿景。我们正在做的，就是确保自动化智能能够集成到我们工作的方方面面。

Harrison Chase：完全同意。不过，要让这种集成顺利运行依然具有挑战性。所以我们今天发布了一个蓝图，通过 DeepAgents 和 NIM（NVIDIA 推理微服务）来实现。这将允许企业在安全、开放的 NIM 运行环境中，运行内置 Nemotron-3-Ultra 的 DeepAgents，并从中获益。

黄仁勋：这意义重大。它能让企业更轻松地启动和运行。它将构建个人、领域特定、专有超级智能体所需的所有关键要素——技术、组件、工具、外壳以及蓝图示例——全部整合在一起交给你。

AI 时代，不能给员工所有的访问权限

Harrison Chase：你们如何看待“蓝图（Blueprints）”？你们有很多蓝图，我个人认为今天发布的这个是最好的。你们为什么要大力投资这些蓝图？

黄仁勋：因为目前这些工具依然很深奥，涉及的环节太多。

构建智能体系统或 AI 绝非易事。它涉及大语言模型、调用的工具、需要处理的知识图谱、记忆系统、护栏系统、微调系统，以及针对外壳的后期训练技术。当然，还有外壳本身以及运行环境（Runtime）。当开发完成后，你依然需要运行环境，必须将其放在“沙箱”中以确保安全和隐私，并由 IT 部门进行访问控制。

Harrison Chase：你认为在企业内部，运行环境（Runtime）最难的部分是与之配套的安全机制吗？

黄仁勋：如果不解决安全和访问控制问题，就根本无法部署。这就像在公司里入职一名新员工，如果你不为他们办理入职、不设定访问权限，他们就无法开展工作。

我们不会给每个员工访问所有文件和网络的权限。我们会根据每位员工的职位、职责以及他们所需的资源，赋予相应的工具访问权，比如笔记本电脑、设计工具、编程工具等。我们还会为他们提供网络访问权限、信息访问权限，将他们与其他智能体及同事连接起来，并提供一份技能文件。

本质上，我们会给他们一份文档，说明他们的使命以及之前的做法，然后让他们尝试做得比以前更好。所以从很多方面来看，我们正在为 AI 创建一套类似于 HR 的系统，让 IT 组织和公司内部的所有不同业务部门能够在公司内部构建、改进和部署这些智能体。

黄仁勋：相比写 Python 代码，英伟达工程师更喜欢构建智能体

Harrison Chase：这是一个更具哲学意味的问题。很多人在谈论这些智能体时会过度拟人化，将它们引入人类系统。但智能体毕竟不是人类，它们在某些方面优于人类，但在其他方面却与人类迥异，甚至不如人类擅长。你认为对这些智能体进行拟人化的合适程度应该是怎样的？

黄仁勋：智能体本质上是电子，而非原子。它不是生物，没有意识，也不是觉醒的生命。它是一个工具，就像在家里四处走动、帮忙打扫卫生的吸尘器，在做一些我以前必须亲自做的事情。

现在我们还有自动割草机。你可以想象一百多年前第一台洗碗机出现时的场景，它能自动洗碗，当时的人们一定觉得很神奇。我们称之为“洗碗机”，这个称呼听起来有点像人。有趣的是，我的第一份工作就是洗碗工。

所以，我们迟早会习惯的。我认为目前人们倾向于赋予它过多的拟人属性，但它本质上只是软件和计算机。

我们很清楚它是如何运作的，因为我们围绕它构建了外壳系统（Harnesses）。它的性能一直在不断提升，如果我们不了解其运作原理，又该如何不断改进或修复它呢？

显然，我们完全掌握这些系统的运作机制，我们也应该保持这种认知。

与此同时，我们发现使用 AI 越多，反而需要雇佣更多的人。原因在于这些智能体系统带来了新的技能需求。现在我们有大量的软件工程师在构建智能体，他们以前是写代码的，现在则是在构建智能体。

如果你问我们公司的情况，其实我的软件工程师们都更愿意构建智能体，而不是去写 Python 代码。写代码就像打字，而现在他们可以减少打字，成为系统工程师，去构建和创造那些非常酷的自动化系统。

他们在创建评估系统、基准测试和护栏系统。将 AI 引入现实世界的工作量是巨大的，这创造了大量的工作岗位，我的软件工程师们非常热爱这项工作。

Harrison Chase：你提到了评估系统（Evals），这是在企业内部解锁智能体大规模使用的关键。你需要了解它的表现，而量化其好坏的最好方式通常是由企业内部的领域专家来完成。他们可以提供反馈并与这些系统协作，将工作中单调乏味的部分自动化，从而把精力花在真正具有智力挑战和创造性的部分。

黄仁勋：没错。无论你是医生、设计师还是软件工程师，你都在创建一个智能体。你把那些琐碎的工作剥离出来交给智能体处理。

与此同时，我们都在尝试提升智能体的能力，让它们能与我们协作，去完成以前无法完成的事情。这需要想象力、创造力以及大量的技术支持。

Harrison Chase：这个观点非常精辟。目前智能体最成功的应用是为我们提供更多的杠杆，去做更多的事情。但很多人的思路还是停留在“我们以前是怎么做的，能否将其自动化”。我认为未来的重大突破将在于“以前做不到、但现在可以做到的事情”。

黄仁勋：没错。雄心壮志非常重要，100% 的雄心、能动性（Agency）是核心。

面向未来

Harrison Chase：在结束交流前，针对如何推动这一未来的实现，你认为目前的智能体技术栈（Agentic Stack）还缺失哪些环节？

黄仁勋：我们今天宣布了一项重大的合作。我们正在提供基础的构建模块。这些是构建“超级智能体（Super Agents）”的核心要素。

我所说的超级智能体是指那些特定于领域的、完全属于你的智能体。你可以亲自构建、改进并随着时间的推移不断精炼它们。你可以赋予它们访问专有信息和知识的权限，这些信息对你来说可能是极度隐私的。由此产生的超级智能体将能完成你难以想象的任务，而且表现会极其出色。

我们已经创建了所有关键部分：世界级的语言模型、LangChain DeepAgents 框架（该框架已针对 Nemotron-3-Ultra 的全潜力进行了优化）、帮助大家快速上手的蓝图，以及确保系统安全的 NIM 运行环境和与之集成的加速技术栈。

全球的每家公司、每个开发者现在都能创建这些超级智能体，并将它们部署在任何地方——云端、本地。我的一位好朋友刚在 DGX Spark 上构建了一个系统。现在，你可以在你的笔记本电脑旁通过 DGX Spark 运行这些智能体，也可以在 DGX Station 上运行。如果你愿意，甚至可以在公司内部构建自己的超级计算机，或在云端运行。

现在，这些自动化能力已经可以随处构建，所有拼图都已齐备。没有任何理由不去拥抱它。

Harrison Chase：这是一个完美的结尾。你的话让我备受鼓舞，这是一场精彩的励志演讲。我现在就打算去构建一些智能体。谢谢 Jensen 的参与。

黄仁勋：祝贺你们，干得漂亮。为你们感到骄傲。

2026 奇点智能产品大会全日程正式发布!

7月17-18日，北京金隅喜来登大酒店，40+位来自字节、百度、阿里、腾讯、宇树、360、京东、蚂蚁、科大讯飞等一线产品技术领袖，围绕 Agent 智能体、企业级 AI、AI Coding、具身智能、AI 原生组织等 12 大专题，全链路拆解AI原生落地闭环。

相关文章