NVIDIA e LangChain hanno presentato NemoClaw for LangChain Deep Agents, un blueprint aperto che consente alle aziende di costruire, governare e distribuire agenti di intelligenza artificiale sulla propria infrastruttura. La proposta punta a portare in produzione sistemi autonomi senza affidarsi necessariamente ad API proprietarie, offrendo alle organizzazioni maggiore controllo sui modelli, sui dati e sulle modalità operative degli agenti.
L’architettura combina tre componenti: il modello open-weight Nemotron 3 Ultra, il framework LangChain Deep Agents distribuito con licenza MIT e il runtime NVIDIA OpenShell. L’integrazione è pensata per fornire uno stack completo, dalla capacità di ragionamento del modello all’esecuzione degli strumenti, includendo meccanismi di governo e sicurezza. Le imprese possono così ospitare internamente il sistema, modificarne i diversi livelli e trasferire più facilmente i carichi di lavoro, riducendo la dipendenza da un singolo fornitore.
Il dato economico più netto arriva dal benchmark condotto da LangChain. Nella suite Deep Agents, il blueprint ha ottenuto un punteggio di 0,86 con un costo di 4,48 dollari per attività completata. Il modello concorrente più vicino avrebbe richiesto 43,48 dollari per lo stesso parametro, una differenza pari a una riduzione dei costi di inferenza di circa dieci volte. Il confronto affronta un problema specifico degli agenti AI: rispetto ai chatbot convenzionali, questi sistemi possono effettuare un numero sensibilmente maggiore di chiamate al modello durante la pianificazione e l’esecuzione di un compito.
L’apertura riguarda anche gli elementi utilizzati per sviluppare Nemotron 3 Ultra. NVIDIA ha pubblicato pesi del modello, dati di addestramento, procedure di training e codice per il fine-tuning sotto la licenza OpenMDW-1.1 della Linux Foundation. La disponibilità di questi materiali supera quella di molte distribuzioni open-weight e può aiutare le organizzazioni chiamate a documentare il funzionamento dei propri sistemi, anche in relazione ai requisiti di trasparenza previsti dall’EU AI Act.
LangChain Deep Agents fornisce le funzioni necessarie a orchestrare attività articolate: pianificazione, memoria e tool calling lavorano insieme per gestire esecuzioni composte da più passaggi. OpenShell aggiunge invece un ambiente di esecuzione isolata, controlli di governance e applicazione delle policy. La separazione tra il comportamento del modello e il livello operativo permette alle imprese di intervenire non soltanto sulle risposte generate, ma anche sugli strumenti accessibili e sulle azioni che l’agente è autorizzato a compiere.
Harrison Chase, cofondatore e amministratore delegato di LangChain, ha spiegato che agenti migliori dipendono dal miglioramento continuo dell’intero sistema costruito intorno al modello. Memoria, uso degli strumenti, valutazione e comportamento del modello producono effetti combinati quando i team possono ottimizzarli insieme. Rimane tuttavia un limite metodologico: il benchmark dichiarato utilizza una valutazione proprietaria di LangChain composta da 127 esempi e i risultati non sono stati verificati in modo indipendente.
Per le aziende, i numeri costituiscono quindi un’indicazione da mettere alla prova sui propri carichi di lavoro, non una garanzia trasferibile automaticamente a ogni progetto. Costi, prestazioni e requisiti di sicurezza dovranno essere validati prima della distribuzione. Il blueprint colloca comunque self-hosting e governance al centro della progettazione degli agenti enterprise, collegando apertura del modello, portabilità e controllo operativo in una singola architettura di riferimento.