NVIDIA rilascia NOOA, il framework open source che trasforma un agente AI in una classe Python

NVIDIA Labs ha aperto il codice di NOOA, sigla che sta per NVIDIA Object-Oriented Agents, un framework Python pensato per costruire agenti AI in modo radicalmente più semplice. L’idea di fondo è quasi provocatoria nella sua linearità: un agente non è più un intreccio di prompt, schemi di strumenti, callback e grafi di workflow, ma una singola classe Python. Metodi, campi, docstring e annotazioni di tipo diventano rispettivamente le azioni, lo stato, le istruzioni e i contratti che il runtime fa rispettare. In un anno in cui i framework per agenti si moltiplicano quasi ogni settimana, la mossa di NVIDIA punta a riportare l’ingegneria degli agenti dentro il terreno familiare dello sviluppo software tradizionale.

Il progetto è distribuito con licenza Apache 2.0 ed è già installabile con un semplice comando. NVIDIA lo presenta come una research preview, quindi non ancora pronto per la produzione regolamentata, ma i numeri che accompagnano il lancio hanno acceso il dibattito nella comunità degli sviluppatori.

Cosa significa trasformare un agente in una classe Python

Chi ha provato a costruire un agente AI conosce il problema. Il codice si disperde tra file di prompt, definizioni di strumenti in formato JSON, funzioni di callback e diagrammi che descrivono il flusso delle decisioni. NOOA prova a ricomporre questo mosaico in un unico oggetto. All’interno della classe, ogni metodo rappresenta un’azione che il modello può compiere, i campi custodiscono lo stato dell’agente, le docstring fungono da prompt e le annotazioni di tipo diventano contratti che il sistema verifica a ogni passaggio.

La distinzione più interessante riguarda proprio i metodi. Se il corpo di un metodo viene lasciato vuoto, indicato con i tre puntini di sospensione, quel metodo diventa agentico: a runtime viene completato da un ciclo guidato dal modello linguistico. Se invece il metodo ha un corpo normale, resta codice Python deterministico che il modello può richiamare come uno strumento qualsiasi. In questo modo sviluppatore e modello condividono la stessa interfaccia, e il comportamento dell’agente può essere testato, tracciato, rifattorizzato e messo sotto controllo di versione esattamente come qualunque altro software.

È un cambio di prospettiva, più che un semplice strumento in più.

NOOA mette a disposizione due strategie di esecuzione. La prima, chiamata PredictStrategy, effettua una singola chiamata tipizzata al modello con un ciclo di ripetizione locale quando la validazione fallisce. La seconda, CodeActStrategy, apre un ambiente Python interattivo in cui il modello esegue codice finché non restituisce un risultato, che viene poi validato rispetto al tipo dichiarato. Due approcci diversi per due esigenze diverse, dalla risposta rapida e strutturata al ragionamento passo dopo passo.

Le sei capacità che NVIDIA rivendica come primato

Il gruppo di ricerca sostiene di essere il primo a combinare sei idee rivolte al modello su un’unica superficie: input e output tipizzati, passaggio per riferimento su oggetti vivi, codice come azione, ingegneria programmabile del ciclo di esecuzione, stato esplicito dell’oggetto e interfacce dell’impalcatura richiamabili direttamente dal modello. Per dimostrarlo, NVIDIA ha valutato quattordici framework e strumenti molto noti, tra cui LangGraph, Google ADK, PydanticAI, smolagents, il Claude Agent SDK, OpenAI Codex e OpenHands, riscontrando in tutti gli altri solo una copertura parziale di questi assi.

La capacità che pesa di più è il passaggio per riferimento. Gli argomenti arrivano al modello come oggetti Python vivi, ma il modello non ne vede il contenuto integrale: riceve solo un’anteprima limitata, con il tipo concreto, la lunghezza reale e un campione della parte iniziale e finale. Una lista di cento elementi occupa così circa trenta token, mentre la variabile completa resta disponibile nell’ambiente di esecuzione. Il contesto viene inoltre suddiviso in una parte statica riutilizzabile, uno storico tipizzato degli eventi e blocchi dinamici in coda, così da preservare la cache tra un turno e l’altro.

Il risparmio di contesto, in una tecnologia in cui ogni token si paga, non è un dettaglio.

C’è anche un sistema di memoria opzionale che si aggancia a un agente senza modificarlo. Sette strumenti richiamabili dal modello scrivono e recuperano record ordinati secondo un criterio di attivazione ispirato al modello cognitivo ACT-R, il tutto conservato in un unico file SQLite ispezionabile da un essere umano. È un modo per dare all’agente una memoria persistente restando trasparenti su cosa viene ricordato.

I numeri sui benchmark, tra prestazioni ed efficienza

Sul piano delle prestazioni, NVIDIA riporta risultati di rilievo. Su SWE-bench Verified, il test che misura la capacità di risolvere problemi reali di ingegneria del software, un agente lungo appena 253 righe raggiunge l’82,2% usando GPT-5.5, contro il 78,6% di OpenCode e il 78,2% di PI, e sale al 79,8% con Opus 4.6. Su Terminal-Bench 2.0 tocca il 73,0%, mentre su CyberGym L1, una prova di cybersicurezza svolta con l’accesso di rete bloccato, arriva all’86,8%, il miglior risultato open source riportato.

Ancora più significativo è il capitolo dell’efficienza. Quell’82,2% su SWE-bench viene ottenuto con circa 1,1 milioni di token e ventotto chiamate al modello per attività, contro i 2,2 milioni di token e sessantasei chiamate necessari a PI per fermarsi al 78,2%. In pratica NOOA fa meglio spendendo circa la metà delle risorse, e senza bisogno di comprimere il contesto proprio grazie al passaggio per riferimento.

Metà dei token a parità di risultato è il messaggio che NVIDIA vuole far arrivare a chi sviluppa.

Vale la pena ricordare che questi numeri arrivano dal laboratorio che ha progettato lo strumento, quindi andranno confermati da valutazioni indipendenti. Restano però un segnale interessante su quanto conti l’impalcatura che circonda il modello, e non solo la potenza grezza del modello stesso. La stessa idea emerge quando si osservano le capacità cyber degli agenti di frontiera, un tema al centro del recente dibattito sulle capacità critiche dei modelli come Astra di OpenAI.

Come si usa e i limiti da conoscere

NOOA si installa con pip, richiede Python nelle versioni 3.12 e 3.13 ed è pubblicato con licenza Apache 2.0. I modelli sono collegabili tramite LiteLLM, quindi funziona con le API dei principali fornitori ma anche con soluzioni locali come Ollama e vLLM. Questa neutralità rispetto al modello è coerente con la strategia di NVIDIA, che vende soprattutto l’infrastruttura di calcolo e ha interesse a rendere più semplice e diffuso lo sviluppo di agenti, qualunque sia il cervello che li muove. Non è del resto il primo rilascio aperto dell’azienda in queste settimane, come dimostra il modello aperto Alpamayo 2 Super dedicato ai robotaxi.

Il punto delicato è la sicurezza. Un agente NOOA può eseguire codice generato dal modello, e la stessa NVIDIA avverte che i controlli sull’albero sintattico e le liste di blocco dei moduli sono misure di difesa in profondità, non una barriera di contenimento. La vera barriera, spiega l’azienda, resta un container, una macchina virtuale o un ambiente isolato dedicato. Tradotto in pratica: puoi sperimentare, ma il codice generato va eseguito solo dentro un isolamento a livello di sistema operativo.

È un promemoria che vale per qualunque agente capace di scrivere ed eseguire codice.

Anche la maturità va soppesata. Il pacchetto è alla versione 0.0.8, classificato come alpha, e viene descritto come anteprima di ricerca. Le startup native AI e i team di piattaforma che costruiscono agenti interni possono già usarlo per prototipi e valutazioni, mentre i carichi di lavoro in produzione regolamentata farebbero bene ad attendere una versione stabile.

Perché conta per chi costruisce con l’AI

Il rilascio di NOOA si inserisce in una tendenza precisa del 2026: gli agenti AI sono passati dall’essere una promessa a diventare software vero, con tutte le esigenze di affidabilità, test e manutenzione che questo comporta. Lo si vede anche quando entrano in contesti critici, come mostra il caso degli agenti di Salesforce autorizzati per la difesa statunitense. La proliferazione di framework e di standard aperti, dai plugin portabili per gli agenti alle specifiche condivise per gli strumenti, racconta un settore che cerca ordine dopo una fase di sperimentazione caotica.

L’approccio di NVIDIA prende una posizione netta. Invece di inventare un nuovo linguaggio o una nuova astrazione, riporta l’agente dentro le convenzioni che ogni sviluppatore Python conosce già: classi, tipi, docstring e controllo di versione. Se questa scommessa funzionerà lo diranno l’adozione reale e i benchmark indipendenti, ma la direzione è chiara e parla a chiunque voglia costruire sistemi agentici che si possano mantenere nel tempo.

Se ti occupi di sviluppo, automazione o sicurezza, NOOA è un progetto da tenere d’occhio e, vista la licenza aperta, anche da provare in un ambiente isolato. Puoi approfondire i dettagli tecnici e i risultati sui benchmark nel blog ufficiale di NVIDIA per sviluppatori, che raccoglie la documentazione del framework. La domanda vera, adesso, non è se NVIDIA sappia costruire un buon agente, ma se il resto dell’ecosistema adotterà l’idea che un agente, in fondo, sia soltanto un altro oggetto del tuo codice.