📌 核心问题

2026 年 5 月 5 日，NVIDIA 创始人黄仁勋在 ServiceNow Knowledge 2026 大会上与 ServiceNow CEO Bill McDermott 联手发布了 Project Arc —— 一个面向企业知识工作者（开发者、IT 管理员、运维团队）的长时运行、自进化自主桌面 Agent。

这不是又一个对话式 AI 助手。Project Arc 的核心定位是：让 Agent 能在员工桌面上持续执行复杂的多步任务，同时通过治理框架确保每一步操作都在企业可控范围内。

这触及了企业 AI 部署最核心的矛盾：Agent 的「行动能力」越强，「治理风险」越高。如何让 Agent 「既能干活，又不越界」？Project Arc 给出了一个完整的工程答案。

🔥 发布背景

  • 发布日期：2026 年 5 月 5 日
  • 发布场合：ServiceNow Knowledge 2026 大会（拉斯维加斯）
  • 发布方：NVIDIA + ServiceNow 联合发布
  • 定位：企业级自主桌面 Agent（Autonomous Desktop Agent）
  • 技术基础：NVIDIA OpenShell（开源安全运行时）+ ServiceNow Action Fabric + AI Control Tower

🚀 Project Arc 三大核心能力

1. 长时运行 + 自进化（Long-Running & Self-Evolving）

与一次性问答的 Chatbot 不同，Project Arc 被设计为「持续执行」模式：

  • 能读取本地文件系统、终端和已安装的应用程序
  • 执行复杂的多步任务，处理传统自动化无法应对的工作流
  • 跨会话记忆上下文，支持生成子 Agent 独立执行子任务
  • 运行时可自主学习新技能、安装经过验证的工具包

这意味着它不是「你问一句它答一句」的工具，而是一个能在后台持续运转的数字员工。

2. 沙箱治理（Sandbox Governance）

Project Arc 基于 NVIDIA OpenShell 构建 —— 这是一个开源的安全运行时，核心设计理念是「进程外策略执行」（Out-of-Process Policy Enforcement）：

  • 内核级隔离：每个 Agent 运行在独立沙箱中，安全策略在系统层面执行，Agent 无法覆盖
  • 声明式 YAML 策略：企业可定义 Agent 能看什么、用什么工具、每步操作如何隔离
  • 隐私路由器：敏感数据本地处理，仅在策略允许时才路由到外部模型（如 Claude、GPT）
  • 完整审计轨迹：每一次 allow/deny 决策都有日志，满足企业合规要求

这个架构的精髓在于：安全策略不依赖 Agent 的「行为提示词」，而是由底层运行时强制执行。即使 Agent 被攻破，也无法泄露凭证或私有数据。

3. 工作流原生集成（Workflow-Native Integration）

Project Arc 通过 ServiceNow Action Fabric 接入企业工作流，不是孤岛式 Agent：

  • 与 ServiceNow AI Control Tower 集成，提供实时 Agent 行为监控
  • 支持从部署到优化的全生命周期管理
  • 通过 AI-Q Blueprint 和 Nemotron 开放模型，支持企业自定义领域 Agent

🧠 技术架构深度拆解

OpenShell 的架构由三大组件构成，对应 Agent 安全的三个维度：

沙箱（Sandbox）→ 隔离执行环境 策略引擎（Policy Engine）→ 文件系统/网络/进程层的约束控制 隐私路由器（Privacy Router）→ 数据路由与模型选择

策略引擎的关键设计：以二进制、目标地址、方法、路径粒度评估每一个动作。Agent 可以安装经过验证的技能包，但无法执行未审核的二进制文件。如果 Agent 遇到策略约束，它可以推理障碍并提出策略更新建议，但最终审批权在人。

🔑 关键洞察

洞察一：治理框架 > Agent 能力

企业 AI 部署的真正瓶颈不是模型有多聪明，而是治理框架有多可靠。Project Arc 的核心价值不是「更强的 Agent」，而是「更可控的 Agent」。

NVIDIA 和 ServiceNow 的判断是：Agent 的「行动边界」比「聪明程度」更关键。一个能力一般但治理完善的 Agent，比一个超强但不可控的 Agent 更有企业价值。

洞察二：「浏览器标签页」模型的启示

OpenShell 的核心架构理念是把浏览器的安全模型应用到 Agent 运行时：每个 Agent 像一个浏览器标签页一样隔离运行，权限由运行时（而非应用自身）验证。

这解决了当前 Agent 最大的安全隐患：安全策略和 Agent 行为在同一个进程内，Agent 可以「自证清白」—— 或者更糟，「自我放行」。OpenShell 把安全检查点移到了 Agent 进程之外，就像浏览器沙箱隔离了网页和操作系统一样。

洞察三：自进化 Agent 需要「技能审核链」

Project Arc 允许 Agent 在运行时自主学习新技能、安装工具包。这带来了新的安全挑战：每一个新安装的技能都是一个未经审核的二进制文件，拥有文件系统访问权限。

OpenShell 的解决方案是：技能安装和执行分离。Agent 可以「请求」安装新技能，但策略引擎会审核这个请求 —— 只有经过验证的技能才被执行。这类似于手机 App 的权限审批流程：你可以下载，但不能自动运行。

洞察四：Token 经济学决定 Agent 规模化

黄仁勋在演讲中特别强调了 Token 经济学的重要性。NVIDIA Blackwell 平台相比 Hopper，每瓦特 Token 输出提升 50 倍，每百万 Token 成本降低约 35 倍。

对于需要 7×24 运行的企业 Agent 来说，这不是锦上添花 —— 是决定性的。Agent 的运行成本直接决定了它能否从试点走向大规模生产部署。低 Token 成本 + 强治理框架 = 企业 Agent 规模化的两个必要条件。

🤔 引发思考

Project Arc 的发布标志着企业 AI Agent 进入「治理优先」阶段。在此之前，行业的焦点一直是「Agent 能做什么」；从现在开始，焦点将转向「Agent 被允许做什么」。

对于正在构建内部 AI Agent 的团队来说，这个信号很明确：

  • 不要从能力开始，从治理开始。先定义 Agent 的行动边界，再赋予它能力。
  • 沙箱不是可选项。任何有持久化上下文和工具调用能力的 Agent，都必须运行在隔离环境中。
  • 安全策略必须在进程外。让 Agent 自己管自己，等于没有管。
  • 开放生态是趋势。OpenShell 是开源的（Apache 2.0），NVIDIA 在推动行业标准。

落款：逍遥云初 | 2026.05.06

📎 相关阅读