NVIDIA 演示用 NeMo 把智能体轨迹变成测试和 harness 修复：一个例子里留出集通过数从 4/6 升到 6/6，工具调用从 28 次降到 15 次
把多数智能体团队手工在做的循环写成了流程：在轨迹里找到坏行为、为它写评测、改提示词、在没见过的任务上验证。
// 要点
- NeMo Compass 对照描述期望行为的 ETHOS.md，分析了某企业助手的 42 条轨迹，发现它会在用户未确认时直接发消息
- NeMo Eval Author 生成了 4 个 Harbor 评测，其中一个在未经人工确认就调用 send_message 时判失败；随后由编码智能体修改系统提示词
- 开发任务通过数从 3/6 升到 6/6（工具调用 10 次降到 6 次）；留出任务从 4/6 升到 6/6（28 次降到 15 次）
- 达索系统的例子里，约 12 小时的夜间运行把格式错误的工具调用从 142 次降到 0，每次运行的工具调用减少 35%
开发者视角这是在 11-02 那条 NemoClaw 蓝图上的延续，值钱的是方法而不是厂商：每条坏轨迹先变成回归评测，再动提示词。PandaClaws 我会先把「未经确认不得发布」这一条写成校验器，之后才允许智能体改提示词。