NVIDIA Labs hat NOOA veröffentlicht, ein Open-Source-Framework, das KI-Agentenentwicklung radikal vereinfacht. Statt verteilter Prompt-Templates, Tool-Schemas und Workflow-Grafiken braucht es nur noch eine einzige Python-Klasse. Methoden werden zu Aktionen, Felder zu Zustand, Docstrings zu Prompts. Der Ansatz erreicht 82,2 Prozent auf SWE-bench Verified und spart dabei fast die Hälfte der Tokens ein.
Was ist NOOA und warum ist es anders?
NOOA steht für NVIDIA Object-Oriented Agents und ist ein modellunabhängiges Python-Framework. Der Kerngedanke: Ein KI-Agent ist ein gewöhnliches Python-Objekt. Seine Methoden definieren, was der Agent tun kann. Seine Felder speichern den Zustand. Seine Docstrings liefern die Prompts. Und seine Typ-Annotationen werden vom Laufzeitsystem durchgesetzt.
Dabei gibt es eine elegante Unterscheidung. Eine Methode, deren Rumpf nur aus drei Punkten (...) besteht, wird zur Laufzeit von einem LLM-gesteuerten Loop ausgeführt. Eine Methode mit echtem Python-Code bleibt deterministisch und kann vom Modell als Werkzeug aufgerufen werden. Entwickler und KI-Modell teilen sich also dieselbe Schnittstelle.
Sechs Fähigkeiten auf einer Oberfläche
Das NOOA-Team identifiziert sechs modellseitige Fähigkeiten, die erstmals auf einer einzigen Programmierfläche kombiniert werden: typisierte Ein- und Ausgaben, Übergabe per Referenz statt Serialisierung, Code als Aktion, programmierbare Loop-Steuerung, expliziter Objektzustand und modellaufrufbare Harness-APIs.
Besonders die Übergabe per Referenz ist ein Durchbruch. Statt große Datenstrukturen als Text in den Kontext zu quetschen, bleiben sie als lebende Python-Objekte im REPL. Das Modell sieht nur eine begrenzte Vorschau mit Typ, Länge und Stichproben. Eine Liste mit 100 Elementen verbraucht so nur etwa 30 Tokens. Das ist der Grund, warum NOOA keine Kontextkomprimierung braucht.
Die Benchmarks sprechen für sich
Auf SWE-bench Verified erreicht NOOA mit GPT-5.5 einen Score von 82,2 Prozent. Das liegt über dem damaligen veröffentlichten Leaderboard-Spitzenwert von 79,2 Prozent. Dabei braucht NOOA nur 29 Modellaufrufe und rund 1,1 Millionen Tokens pro Aufgabe. Vergleichbare Harnesses benötigen 66 Aufrufe und 2,2 Millionen Tokens für 78,2 Prozent.
Auf CyberGym L1 löst NOOA 86,8 Prozent der Aufgaben ohne Netzwerkzugang und ohne sicherheitsspezifische Anpassungen. Auf ARC-AGI-3 erreicht ein einzelner NOOA-Agent mit GPT-5.6-sol 85,1 Prozent durchschnittliche RHAE bei Kosten unter 20 Dollar pro Spiel. Das verschiebt die Preis-Leistungs-Frontier deutlich.
Speicher, den der Agent selbst kuratiert
NOOA bringt ein Langzeitgedächtnis mit, das nicht automatisch im Hintergrund zusammenfasst. Stattdessen nutzt der Agent modellaufrufbare Werkzeuge, um bewusst Einträge zu schreiben, abzufragen und zu korrigieren. Spontane Erinnerungen tauchen automatisch im Kontext auf. Die Daten liegen in einer einzigen SQLite-Datei, die Menschen inspizieren und sichern können.
Dadurch sammelt der Agent Wissen über mehrere Sitzungen hinweg, ohne neu trainiert zu werden. Diese Architektur ist besonders für Anwendungsfälle interessant, bei denen Konsistenz über lange Zeiträume wichtig ist: Kundenbetreuung, Infrastrukturautomatisierung oder Schwachstellenanalyse.
Alpha-Status mit klarer Warnung
NOOA ist unter Apache 2.0 lizenziert und lässt sich per pip install nooa installieren. Die aktuelle Version 0.0.8 benötigt Python 3.12 oder 3.13. Allerdings stuft NVIDIA das Projekt ausdrücklich als Alpha-Vorschau ein.
Der Grund ist sicherheitsrelevant: NOOA-Agenten können LLM-generierten Code ausführen. Die integrierten AST-Prüfungen und Modul-Sperrlisten sind laut NVIDIA nur Verteidigung-in-der-Tiefe, keine echte Isolierung. Als tatsächliche Containment-Grenze nennt das Team Container, VMs oder NVIDIA OpenShell. Produktivumgebungen sollten auf ein stabiles Release warten.
Warum das für die KI-Branche wichtig ist
Die bisherige Agentenentwicklung war fragmentiert. Entwickler jonglierten Prompt-Templates, Tool-Schemas, Callback-Code und Workflow-Grafiken über verschiedene Dateien und Frameworks verteilt. NOOA verdichtet all das in eine einzige Klasse, die sich wie normaler Software-Code testen, versionieren und refaktorieren lässt.
Die Benchmark-Ergebnisse zeigen, dass die Architektur rund um das Modell genauso wichtig ist wie das Modell selbst. Mit halbem Token-Verbrauch bessere Ergebnisse zu erzielen, ist ein starkes Argument für Unternehmen, die ihre KI-Kosten optimieren wollen. Zudem ist das Framework modellunabhängig: Gehostete APIs, lokale Ollama-Instanzen und vLLM-Endpunkte funktionieren alle über LiteLLM.
Wenn sich der Ansatz bewährt, könnte NOOA den Standard für agentische Entwicklung setzen. Die Idee, Agenten wie gewöhnliche Software zu behandeln, ist nicht neu. Aber NVIDIA liefert erstmals die Benchmarks, die zeigen, dass dieser Ansatz nicht nur sauberer, sondern auch leistungsfähiger und effizienter ist.
Hinweis: Dieser Artikel wurde mit Unterstützung von Künstlicher Intelligenz erstellt und von einem Menschen redaktionell geprüft.
