当 AI 从“按提示回答问题”的助手，演进为能长期运行、会调用工具、还能不断学习新技能的自治型智能体后，安全问题就不再是附属议题，而是整个系统是否可被信任的前提。NVIDIA 在这篇文章中重点介绍了 OpenShell，这是一套专门面向长期运行、自进化智能体的安全运行时，目标是把关键控制点从智能体内部移到外部环境层。
文章指出，传统 agent 框架虽然越来越强大，但很多安全机制仍然停留在提示词、内置规则或应用级限制层面。一旦智能体拥有持续 shell 访问、长期上下文、在线工具调用和凭证使用能力，仅依赖同一进程内部的“自我约束”并不足够。OpenShell 的核心思路正是采用 out-of-process policy enforcement，也就是让真正的权限控制、网络限制和行为审计发生在智能体自身无法绕过的运行时之外。
从架构上看，OpenShell 主要由沙箱、策略引擎和隐私路由三部分组成。沙箱为长期运行的智能体提供隔离环境，使其可以安装技能、生成代码、调用工具而不直接影响宿主系统；策略引擎在文件系统、网络和进程层面对每次动作进行细粒度审查，按二进制、目标地址、HTTP 方法和路径级别做放行或拒绝；隐私路由则根据成本与隐私策略，把敏感上下文保留在本地模型侧，仅在允许时才路由到外部前沿模型。
与一般容器隔离方案不同，OpenShell 不是为通用工作负载设计的，而是明确针对自进化 agent 的行为模式优化。文章强调，它支持 live policy updates、deny-by-default 和全量审计轨迹，这意味着开发者既可以让智能体保持较高 автономy，又能在其触碰敏感边界时要求显式授权。换句话说，OpenShell 试图解决的不是“完全限制 agent”，而是让 agent 在被约束的前提下持续高效工作。
这套机制与 NemoClaw、OpenClaw 以及其他主流 coding agent 的兼容性，也是文章反复强调的重点。NVIDIA 给出的定位并不是重新发明每一种 agent，而是提供一个可复用的底层环境，让 OpenClaw、Claude Code、Codex 等现有 harness 无需大改即可迁入同一套受控执行边界。对于企业来说，这样的价值在于：安全能力不再依附某个单一模型或单一产品，而是可以作为长期基础设施复用。
从更长远的角度看，OpenShell 代表的是智能体基础设施的一次范式转向。随着 agent 越来越像持续运行的软件系统，而不只是交互式界面，企业需要的就不只是更强模型，而是完整的环境级控制、策略治理和隐私分流机制。对准备把自治型智能体真正接入生产环境的团队来说，OpenShell 补上的正是这块过去长期缺失、但现在已经无法绕开的安全底座。
WeChat
Profile