企业 agent 要接的是公司数据，不是互联网

让 agent 查一次公司内部的订单表，比让它写一首诗难得多。

一、发生了什么

10 月 21 日，英伟达在柏林 GTC 期间宣布扩展其开源 Agent Toolkit，重点是新增的 Agent Knowledge Foundation。据官方博客，这套东西想让企业把自有数据变成 agent 能用的「公司智能」，而且不必搬数据、不必重建现有工作流、不必改治理权限。

拆开看，工具链补的是三段。

第一段是把数据翻译成业务概念。新加的 Auto-Ontology 库负责把原始表结构映射成客户、产品、订单这类人熟悉的实体，并标出它们之间的关系。底层用的是 CUDA-X 里的几个库，做数据帧、图、机器学习、路径优化和向量检索。

第二段是检索模型。Nemotron Retriever 负责嵌入与重排，Kumo 系列分成表格、关系、时序、预测四个方向，让 agent 找得到、也解释得了公司内部数据。

第三段是运行时边界。OpenShell 管 agent 能访问什么、能做什么，NemoClaw 提供参考蓝图，最新一版专门用于「agent 优化」，即让 agent 随时间变得更擅长自己的活。

同一天，ZDNET 报道了这套思路的一个落地例子：ServiceNow 与英伟达合作的 Arc agent 正式可用。它由 ServiceNow 的治理平台定义策略，由 OpenShell 在运行时强制执行，目前支持 Mac，Windows 版本尚未推出。这条报道也点出了企业采用 agent 的真正顾虑——安全控制。

二、跟你有什么关系

要把 agent 接进内部系统的人。 你缺的通常不是更强的模型，是「哪张表对哪个业务概念」这层映射。没有它，模型只能猜。

管数据治理的人。 官方强调不搬数据、不改治理控制。这句话的实际含义是：权限还在你原来的系统里，工具链只是站在上面读。

评估供应商的人。 博客里所有效率数字都来自厂商和客户自己的说法，属于厂商口径，没有第三方复现。

三、怎么判断这套东西能不能用在你公司

1. 先问本体从哪来。Auto-Ontology 是把原始数据映射成业务概念，映射质量取决于你的表命名和注释。命名混乱的库，先治理再谈 agent。
2. 分清「找得到」和「算得对」。检索模型解决前者，后者要靠数据本身和业务规则。把 agent 答错都归因于模型，通常会修错地方。
3. 把权限当第一优先级。OpenShell 这类运行时的价值不在功能，在出事时能拦住。选型时先问：它能不能在调用工具的瞬间拒绝，而不是事后审计。
4. 看数字是谁测的。博客提到某家企业的重排器快了近 3 倍、另一家的重排延迟降了近四分之一，这些都是客户在自家场景下的测试结果。

四、三个别信的说法

「上个强模型就能查公司数据」。 通用模型不认识你公司的表结构和口径。缺了本体映射和权限层，它要么答不出，要么答得很像样但错在关键字段。

「不搬数据就等于不用改流程」。 官方说的是不必重建工作流，前提是你的数据已经能被访问、被理解。现实里这一步往往最花时间。

「工具链能解决 agent 乱来」。 沙箱和策略能限制它能碰什么，限制不了它给出的判断是否合理。安全边界和业务正确性是两件事。

五、一句话结论

这条工具链真正补的不是模型能力，是企业数据和 agent 之间那一层翻译与围栏——没有这层，agent 再聪明也只能在公网上打转。

信息来源

• NVIDIA Agent Toolkit Expands, Grounding Enterprise Agents in Company Data - NVIDIA Blog，2026 年 10 月 21 日
• ServiceNow and Nvidia launch Arc, a new AI agent for enterprise - ZDNET，2026 年 10 月 21 日

功能与价格以官方公告为准。本文写于 2026 年 10 月 22 日。