NVIDIA Agent Toolkit byggs ut med en ny grund för att koppla företagsagenter till företagsdata, tillsammans med modeller och verktyg för att styra deras aktivitet. I sin rapport den tjugoförsta oktober 2026 beskrev NVIDIA implementeringar i den egna leveranskedjan och på plattformar för företagsprogramvara, vilket placerar åtkomst till affärsdata i centrum för den senaste utbyggnaden av verktygslådan med öppen källkod.
Viktiga slutsatser
- Den nya Agent Knowledge Foundation kopplar företagsinformation till affärsbegrepp så att agenter kan hämta kontext och stödja prognoser.
- NVIDIA nämnde implementeringar med Palantir, Databricks och Snowflake, även om lösningarna skiljer sig åt mellan plattformarna.
- NVIDIA hänvisade också till förbättringar av informationshämtning hos Amazon OpenSearch Service, SAP och ServiceNow; resultaten gäller enskilda modellanvändningar, inte verktygslådan som helhet.
Innehållsförteckning
- Vad NVIDIA Agent Toolkit tillför för företagsdata
- Läget för företagsimplementeringar
- Vad resultaten för informationshämtning visar
- Hur åtkomst och förbättring av agenter styrs
- Slutsats
Vad NVIDIA Agent Toolkit tillför för företagsdata
Det centrala tillskottet är NVIDIA Agent Knowledge Foundation, som kombinerar bibliotek för databehandling med modeller för informationshämtning och strukturerade data. NVIDIA uppger att företag kan använda lösningen och samtidigt behålla sina befintliga datalagringsplatser, arbetsflöden och styrningskontroller.
Det nya biblioteket Auto-Ontology ger agenter en affärsinriktad tolkning av råinformation. I stället för att enbart behandla poster som isolerade datapunkter identifierar det begrepp som kunder, produkter och beställningar och fastställer samband mellan dem. Denna kontext är avsedd att hjälpa agenter att besvara affärsfrågor och stödja beslut.
Grunden omfattar CUDA-X-bibliotek, däribland cuDF, cuGraph, cuML, cuOpt och cuVS. Modellutbudet innehåller Nemotron Retriever och Kumo Structured-familjen: Kumo Tabular, Kumo Relational, Kumo Time Series och Kumo Forecast.
| Komponent | Detaljer |
|---|---|
| NVIDIA OpenShell | Säker körmiljö som gör det möjligt för företag att begränsa agenters åtkomst och åtgärder. |
| NVIDIA NemoClaw-ritningar | Referensdesigner för att bygga säkra agenter anpassade för specialiserade arbetsuppgifter. |
| Den senaste optimeringsritningen för NemoClaw | Stegvis grundramverk för att förbättra agenters intelligens. |
Läget för företagsimplementeringar
NVIDIAs leveranskedjeorganisation använder grunden tillsammans med Palantirs Foundry, Ontology och AIP. Enligt NVIDIA stöder implementeringen specialiserade agenter som arbetar med äganderättsskyddad information för prognoser och optimering av beslut. Det är en intern implementering som beskrivs i rapporten, inte bara en föreslagen tillämpning.
Databricks kombinerar sin Genie Ontology med NVIDIA Kumo Anomaly för agenter som använder kontextuell information. Snowflakes lösning placerar modellerna Kumo Engine och Kumo Relational i Snowflake Notebook-miljöer, vilket gör det möjligt för kunder att lägga till prediktiva funktioner där.
Exemplen visar olika vägar till användning i företag: en operativ implementering hos NVIDIA, en integration med Databricks och kundåtkomst via Snowflakes notebook-miljö. De bör inte tolkas som identiska implementeringar eller som belägg för likvärdiga resultat.
Vad resultaten för informationshämtning visar
NVIDIA hänvisade till flera resultat för Nemotron Retriever och skilde förbättringar av sökning och omrangordning från det bredare löftet om företagsagenter. Hos Amazon OpenSearch Service förbättrade inbäddningsmodellen relevansen och minskade samtidigt antalet söksteg, med i princip ingen ytterligare latens, enligt NVIDIA.
Företaget uppgav att SAP:s finjusterade omrankare fungerade nästan tre gånger snabbare. Det uppgav också att ServiceNow förbättrade kvaliteten på omrangeringen samtidigt som latensen minskade med nästan en fjärdedel. Rapporten innehåller inget gemensamt jämförelsetest som skulle göra resultaten direkt jämförbara.
Zoom använder Nemotron Retriever för dokumentförståelse, sökrelevans och kontexthämtning i Zoom AI Services. NVIDIA kopplade inget kvantifierat prestandaresultat till den implementeringen.
Hur åtkomst och förbättring av agenter styrs
Utbyggnaden begränsas inte till att förse agenter med mer information. De tillhörande komponenterna hanterar körningsgränser, utformning av specialiserade agenter och optimering, med olika ansvarsområden som sammanfattas nedan.
NVIDIA beskriver den senaste optimeringsritningen för NemoClaw som en utgångspunkt för att förbättra agenters intelligens över tid. Det är en referensdesign för utvecklare, inte ett belägg för att varje företagsimplementering redan har uppnått en förbättring. Rapporten listar också NeMo Relay och NeMo Compass bland verktygslådans verktyg och färdigheter, utan att beskriva deras roller i detalj.
Slutsats
Utbyggnaden samlar tolkning av företagsdata, informationshämtning och körningskontroller i samma verktygslåda. De tydligaste konkreta beläggen är de namngivna implementeringarna och resultaten på modellnivå; exemplen visar inte på ett gemensamt prestandaresultat för hela agentstacken.
Läs fler nyheter
Fler nyheter från FinanceVelix
Ansvarsfriskrivning
Denna artikel från FinanceVelix tillhandahåller allmän information och utgör inte personlig finansiell rådgivning, investeringsrådgivning, juridisk rådgivning eller skatterådgivning. Marknadspriser, räntor och ekonomiska förhållanden kan förändras; investeringar innebär risk för förlust. Uppgifterna återger det material som fanns tillgängligt vid publicering och kan ändras. Kontrollera viktig information självständigt och rådfråga vid behov en kvalificerad expert. Att en tillgång, ett företag eller en tjänst nämns innebär inte att den rekommenderas.
