Создание ИИ-агентов на Python: NVIDIA выпустила NOOA

NVIDIA Labs выкатила фреймворк NOOA (NVIDIA Object-Oriented Agents), который заметно упрощает создание ИИ-агентов для автоматизации маркетинговых и продакшен-задач. Если раньше разработка кастомных ИИ-помощников для генерации креативов, авторазметки видео или анализа кампаний напоминала сборку Франкенштейна из промптов, API и разрозненного кода, то теперь вся логика умещается в одном понятном классе на Python. Продюсерам и руководителям агентств это дает ускорение разработки внутренних инструментов и двукратную экономию на API-запросах к нейросетям.

Проблема «сложного кода» в агентных цепочках

При попытке автоматизировать креативный пайплайн – например, настроить связку ИИ-агентов для генерации сценариев, подбора референсов и контроля монтажа – разработчики обычно сталкиваются с хаосом. Как продюсер я регулярно наблюдаю эти попытки состыковать десятки разных инструментов. Промпты лежат в одних файлах, логика вызова инструментов – в других, а схемы валидации данных – в третьих. Получается громоздкая система, которую трудно тестировать, развивать и поддерживать.

Фреймворк NOOA решает эту проблему. Он объединяет промпты, инструменты и логику работы агента в единый Python-класс. Промптами здесь становятся обычные текстовые описания функций (докстринги), переменные класса хранят состояние агента, а строгая типизация гарантирует, что нейросеть вернет данные именно в том формате, который ожидает система.

Если разработчику нужно, чтобы агент выполнил задачу с помощью языковой модели, он просто оставляет тело функции пустым. Если же требуется гарантированный, жестко прописанный алгоритм (например, отправка готового видео клиенту через Telegram API), разработчик пишет стандартный код. Модель сама понимает, где ей нужно «подумать», а где – выполнить точную инструкцию. Такая гибридная схема делает автоматизацию гибкой и предсказуемой.

Передача тяжелых файлов без разорения на токенах

В видеопродакшене и маркетинге приходится постоянно работать с огромными массивами данных: длинными таймлайнами, логами рекламных кабинетов, базами данных по аудитории или каталогами видеоматериалов. Раньше для анализа такого массива приходилось загружать весь текст в контекстное окно модели. Это приводило к двум проблемам: контекст быстро забивался, а счета за токены росли.

Разработчики из NVIDIA внедрили в NOOA механизм передачи объектов по ссылке (pass by reference). Теперь модель не получает весь массив данных целиком. Вместо этого она получает лишь краткое структурированное превью – например, тип данных, общий объем и несколько примеров строк. Сам массив остается в оперативной памяти локального сервера.

Для понимания масштаба: если передача 10 000 строк логов текстом тратит около 225 тысяч токенов, то по ссылке в NOOA на это уходит всего около 32 токенов. При этом модель все еще может обращаться к полному массиву данных, фильтровать его и итерировать по нему через локальный интерпретатор кода. Это снимает проблему ограничений контекста и бережет бюджет проекта.

Эффективность на практике и выводы для продакшена

Тесты подтверждают экономию ресурсов. На бенчмарке SWE-bench Verified (где ИИ решает реальные задачи разработки) агент на базе NOOA показал точность 82,2% и потратил всего 1,1 миллиона токенов. Ближайший конкурент при сопоставимой точности израсходовал в два раза больше – 2,2 миллиона токенов.

Для рекламных и видеопроизводственных команд это позволяет значительно оптимизировать расходы. Появляется возможность создавать надежных ИИ-ассистентов для рутинных задач: от автогенерации метаданных для тысяч видеороликов до умного распределения лидов в CRM. При этом стоимость поддержки таких решений падает вдвое.

Инструмент уже доступен на GitHub под свободной лицензией Apache 2.0. Однако стоит учитывать, что пока это альфа-версия. Поскольку агенты в NOOA могут генерировать и исполнять произвольный код на Python, запускать их в рабочей среде необходимо строго в изолированных виртуальных машинах или контейнерах. Это защитит внутреннюю инфраструктуру агентства от сбоев.