还在手写 Agent 框架？NVIDIA NOOA 把 Agent 写成 Python 类：记忆=字段、工具=方法、指令=docstring-圈圈AI一站式AI资源分享平台

如果你写过 AI Agent，一定经历过这种崩溃：

提示词在一个 YAML 文件里，工具定义在另一个 JSON schema 里，流程图在第三个文件里画成有向图，回调函数散落在第四处。改一个字段名，你得在三种文件格式里做全局替换。想设个断点？对不起，YAML 的边上打不了断点。

NVIDIA 昨天开源的 NOOA，一句话干掉了这一切：

一个 Agent，就是一个 Python 类。

方法就是它能做的动作，字段就是它的状态，文档字符串就是提示词，类型注解就是运行时强制执行的契约。没有单独的工具注册，没有提示词模板字典，没有 schema 声明。类定义本身，就是 Agent 规格说明书。

Apache 2.0 协议，pip install nooa 一行装完。这篇我带你从装到跑通，把这个思路彻底讲明白。

第一章核心思想：你的 Agent 本来就该是个类

NOOA 全称 NVIDIA Object-Oriented Agents（对象导向智能体）。它的中心论点很朴素但很扎心：Agent 的每一个组成部分，Python 类里本来就有对应物。

对照表长这样：

Agent 能做什么 → 类的方法
Agent 的记忆和状态 → 实例字段
给模型的指令 → docstring 文档字符串
输入输出契约 → 类型注解（运行时真校验，不是摆设）

这不只是审美问题，是实打实的工程收益。当你的 Agent 就是一个普通 Python 对象，你就能用 pytest 测它、用 mypy 检查它、用 git blame 追责、用 IDE 跳转定义。整套 Python 工具链原封不动全能用。

对比一下图式框架：在 LangGraph 这类框架里，Agent 是”数据”——节点、边、穿针引线的状态对象，加上另外存放的提示词模板和工具 schema。当控制流本身很复杂、你想可视化时，这确实有价值。但代价是你的 Agent 不再是代码，于是你所有的程序员直觉都失效了。

第二章两种方法：让模型写的，和你自己写的

这是 NOOA 最妙的设计，也是你必须一次记牢的规则。

生成式方法（GENERATION）：函数体只写三个点 ...。运行时由 LLM 驱动的循环来实现它。它的签名 + docstring 就是提示词，返回类型会被自动校验。

确定性方法（DETERMINISTIC）：正常的 Python 代码，你自己写。用来放那些绝对不能交给模型决定的逻辑——花钱上限、资格校验、数据库写入。

看一段真实代码你就懂了：

from nooa import Agent class CodeReviewer(Agent): """你是资深 Python 代码审查员。关注正确性、性能、安全、可读性。永远解释为什么这是问题，而不只是说它是问题。""" recent_files: list[str] = [] severity_threshold: str = "medium" def review_file(self, path: str, content: str) -> str: """审查单个 Python 文件，返回结构化反馈。""" ... def check_security(self, code: str) -> list[str]: """扫描常见安全漏洞，返回问题列表。""" ...

看明白了吗？类的 docstring 变成系统提示词，方法的 docstring 变成工具描述，类型注解变成运行时校验，实例字段变成跨调用持久的状态。整个 Agent 规格，就这一段。

第三章三分钟跑起来：安装到第一次 run

环境要求先说清楚：Python 3.12–3.13，版本不对直接装不上。

第一步安装：pip install nooa（或 uv add nooa）。当前版本 v0.0.8，PyPI 上标注为 alpha，NVIDIA 自己定位是研究预览版。

第二步写类：继承 Agent，写生成式方法（... 体）和确定性方法（正常代码体）。

第三步跑：它是异步的，用 asyncio。

import asyncio from nooa import Agent class ResearchAgent(Agent): """你是技术研究 Agent。被问到某个话题时，搜索最新信息、批判性分析、给出关键发现和你自己的判断。""" sources_consulted: list[str] = [] def search_web(self, query: str) -> str: """搜索某个话题的最新信息。""" ... async def main(): agent = ResearchAgent(model="claude-opus-5") result = await agent.run("NOOA 和 LangGraph 的核心差异是什么？") print(result) asyncio.run(main())

模型随便换：通过 LiteLLM 接入，Claude、GPT、Gemini、本地 Ollama、自托管 vLLM，同一套代码全都能跑。名字带 NVIDIA，但它不绑 GPU、不绑任何厂商。

两种执行策略：Sync 同步调度像函数调用，Async 异步并发像生产流水线