--- title: "NVIDIA NOOA Test: Objektorientierte KI-Agenten" canonical: https://wavect.io/de/blog/nvidia-nooa-object-oriented-agents-review/ language: de description: "NVIDIA NOOA im Test: Architektur, Benchmarks, Sicherheitsgrenzen, Alternativen zu LangGraph und OpenAI sowie Checkliste für den Pilot." image: "https://wavect.io/img/blog/headers/header_nvidia-nooa-object-oriented-agents-review.png" --- [**Zurück**](/de/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/de/team/kevin-riedl/) [Kevin Riedl](/de/team/kevin-riedl/) https://linkedin.com/in/wsdt 14 min Lesezeit · 9. August 2026 Zuletzt geprüft 9. August 2026 [**Weiter**](/de/blog/strix-ai-pentesting-pilot-guide-2026/) # NVIDIA NOOA im Test: Sind objektorientierte Agenten produktionsreif? TL;DR NVIDIA Object-Oriented Agents, kurz NOOA, ist ein Apache-2.0-lizenziertes Research-Preview-Framework, das einen KI-Agenten als eine Python-Klasse darstellt: Methoden sind Fähigkeiten, Felder sind State, Docstrings sind Prompts und Typannotationen werden zu validierten Verträgen. NVIDIA meldet mit einem kompakten, allgemeinen Harness starke Ergebnisse, darunter 82,2 Prozent auf SWE-bench Verified mit GPT-5.5 und 86,8 Prozent auf CyberGym L1. Das sind herstellerseitige Benchmarks, kein Beweis für deinen Geschäftsprozess. NOOA verdient einen begrenzten Pilot, wenn dein Python-Team Live-Objekte, Code-as-Action und expliziten State braucht. Es ist keine Produktions-Sicherheitsgrenze: Modellgenerierter Python-Code läuft im Agent-Prozess. Du brauchst daher OS-Isolation, Least-Privilege-Credentials, Evals, Freigaben und klare Betriebsverantwortung. **NVIDIA Object-Oriented Agents, kurz NOOA, ist ein Open-Source-Python-Framework, das einen KI-Agenten als ein Objekt definiert.** Methoden bilden Fähigkeiten ab, Felder halten State, Docstrings liefern Anweisungen und Typannotationen validieren Ein- und Ausgaben. Das verbessert Review und Refactoring, macht modellgenerierten Code aber nicht automatisch sicher. Unser Urteil nach Prüfung von Paper, Repository, Release-Prozess und Dokumentation alternativer Frameworks am 9. August 2026: **NOOA verdient einen klar begrenzten technischen Pilot für Python-Teams, die codeintensive Agenten mit großen Live-Objekten und explizitem State bauen.** Es bleibt ein 0.x Research Preview, kein Managed Runtime, kein SLA und keine Sicherheitsgrenze. Wir haben NOOA nicht selbst deployed und NVIDIAs Benchmarks nicht reproduziert. Deshalb behandeln wir die Resultate als vielversprechende Hersteller-Evidenz, nicht als unabhängige Validierung. Dieser Artikel beantwortet die produktspezifische Frage nach Produktionsreife. Für Beziehungen und gemeinsames Memory lies unseren [Leitfaden zu Graph Engineering für KI-Agenten](/de/blog/graph-engineering-ai-agents/). Für unternehmensweite Scopes und Policy vergleiche den [QM Agent Harness Test](/de/blog/qm-ai-agent-harness-review/). So konkurriert das neue NVIDIA Review nicht mit Wavects Architektur- und Orchestrierungsseiten. ## Was ist NVIDIA NOOA? **NOOA ist NVIDIAs modellunabhängiger objektorientierter Agent Harness für Python.** Eine normale Methode führt deterministischen Python-Code aus. Eine Methode mit Ellipse als Body wird zur Laufzeit durch eine LLM-Strategie umgesetzt. Die Signatur ist der typisierte Vertrag, der Docstring beschreibt den Task und das Objekt stellt State sowie Hilfsmethoden bereit. ``` class RefundAgent(Agent, llm=llm): orders: OrderStore def eligible(self, order: Order) -> bool: return order.age_days <= 30 and order.delivered async def decide(self, order: Order) -> RefundDecision: """Return a reviewed refund decision with evidence.""" ... ``` Die Grenze ist direkt in der Klasse sichtbar. Eligibility bleibt eine exakte Regel. Die Entscheidung darf Modellurteil nutzen. Dein Team kann die erste Methode unit-testen, die zweite evaluieren und das zurückgegebene `RefundDecision` validieren, bevor ein Seiteneffekt erfolgt. ## Wie funktionieren objektorientierte KI-Agenten? | Python-Element | NOOA-Bedeutung | Produktionsnutzen | | --- | --- | --- | | Klasse | Agent-Grenze | Eine prüfbare Einheit für Prompts, Tools und State | | Methode | Deterministischer Helper oder agentischer Loop | Modellurteil bleibt von exakten Regeln getrennt | | Typannotation | Ein- und Ausgabe-Vertrag | Ungültige Ergebnisse können abgelehnt und erneut erzeugt werden | | Feld | Expliziter Object State | Wichtiger State lebt nicht nur in der Chat-History | | Live-Argument | Per Referenz übergebenes Objekt | Große Daten bleiben als echter Wert außerhalb des Prompts | | Docstring | Modell-Anweisung | Prompt-Änderungen liegen neben der verantwortlichen Methode | | Python-Zelle | Code-as-Action-Schritt | Das Modell nutzt Loops, Bedingungen und Helper Calls | NVIDIA fasst sechs Fähigkeiten zusammen: typisierte Ein- und Ausgaben, Pass-by-Reference, Code as Action, programmierbares Loop Engineering, expliziten Object State sowie modellaufrufbare Context- und Event-APIs. Der [offizielle technische NVIDIA Überblick](https://developer.nvidia.com/blog/six-agent-harness-capabilities-for-higher-model-performance/) beschreibt zusätzlich Long-Term Memory als vom Modell kuratierten SQLite Store mit typisierten Beziehungen, Retrieval und Reflection. ## Was zeigen NVIDIAs NOOA Benchmarks wirklich? Der [technische NOOA Report](https://arxiv.org/html/2607.20709v1) testet Interface-Fluency und vollständige Agenten. Die Capability Suite umfasst 88 Testinstanzen aus 36 Familien, jeweils fünfmal mit zehn Modellen ausgeführt. NVIDIA meldet 4.309 erfolgreiche von 4.400 Runs, also 97,9 Prozent. Beim schwierigeren Stress-Subset sinkt die Quote auf 84,7 Prozent. Für lange Batches, Recovery und Task Decomposition ist genau dieser Abstand relevant. | Publizierte Evaluation | NOOA Resultat | Sinnvolle Interpretation | | --- | --- | --- | | Capability Suite | 97,9% gesamt | Aktuelle Modelle verstehen das Python-Objekt-Interface meist | | Stress-Subset | 84,7% gesamt | Mehrstufige Disziplin braucht weiterhin Evals | | SWE-bench Verified, GPT-5.5 xhigh | 82,2% | Der kompakte allgemeine Harness ist bei Repository-Arbeit konkurrenzfähig | | Terminal-Bench 2.0, GPT-5.5 high | 73,0% | Typisierte Terminierung und Live-Werte können Terminal-Tasks helfen | | CyberGym L1, GPT-5.5 | 86,8% | Deterministische Validierung rund um Modell-Exploration ist vielversprechend | | ARC-AGI-3, GPT-5.6-sol | 85,1% Mean RHAE | Harness Design und Memory können Agent Performance stark verändern | Kommerziell zählt Kosten pro akzeptiertem Ergebnis, nicht nur der Score. Für SWE-bench mit GPT-5.5 xhigh meldet NVIDIA ungefähr 28 Model Calls und 1,1 Millionen Token pro NOOA Task bei 82,2 Prozent. Der PI-Vergleich brauchte 66 Calls und 2,2 Millionen Token für 78,2 Prozent. Das stützt die These, dass Live-Werte und begrenzte Previews Context-Churn reduzieren. Es beweist nicht, dass NOOA deine Produktionsrechnung halbiert. Framework-Autoren haben Paper und Benchmarks erstellt, und Business-Workflows unterscheiden sich von öffentlichen Testsets. Nutze die Zahlen als Grund für einen Vergleichstest, nicht als Budgetprognose. ## Ist NVIDIA NOOA sicher für Produktion? **NOOA ist keine Security Sandbox.** Modellgenerierter Python-Code kann im Agent-Prozess laufen, damit er auf Live-Objekte zugreift. Das [offizielle NOOA README mit Sicherheitshinweis](https://github.com/NVIDIA-NeMo/labs-OO-Agents/blob/main/README.md) bezeichnet AST-Validierung und Modul-Denylists als Defense-in-Depth, nicht als Containment. Empfohlen wird Isolation über Container, VM oder NVIDIA OpenShell. | Risiko | Warum das Object Model zählt | Nötige Kontrolle | | --- | --- | --- | | Beliebige Code-Effekte | Generierter Python-Code erreicht Bibliotheken und Objektmethoden | OS-Sandbox, gesperrter Egress und explizite Capability-Allowlist | | Sensible Live-Objekte | Referenzen vermeiden Prompt-Kopien, geben aber Runtime-Zugriff | Schmale Wrapper, Least Privilege und redigierte Previews | | State Poisoning | Das Modell kann Object State oder Long-Term Memory verändern | Typisierte Schemas, Provenienz, Review und reversible Writes | | Falsche Fertigmeldung | Ein valider Typ kann fachlich falsch sein | Evidenzfelder, deterministische Prüfung und Acceptance Evals | | Trace Exposure | Prompts, Outputs und Werte können Kundendaten enthalten | Retention Policy, Zugriffskontrolle und Filter für sensible Felder | | Dependency Change | Die Installation zielt aktuell auf ein Git Repository | Geprüften Commit pinnen, Dependencies scannen, Upgrades kontrollieren | Ein Type Check beantwortet, ob die Form stimmt. Er beantwortet nicht, ob ein Refund autorisiert ist. Authentifizierung, Autorisierung, Idempotenz, Freigaben und Audit bleiben außerhalb des probabilistischen Loops. Unsere [Analyse zur MCP-Autorisierungsgrenze](/de/blog/mcp-security-boundary-data-level-access-control/) erklärt dieselbe Trennung auf Tool- und Datenebene. ## Wie reif ist NOOA im August 2026? NOOA ist öffentlich, Apache-2.0-lizenziert und enthält Beispiele, Tests, CLI, Trace Viewer, Memory-Paket und Benchmarking Tools. Das ist mehr Evidenz als bei einem reinen Paper-Prototyp. Trotzdem bleibt es Initial-Development-Software. Die [offizielle Release-Dokumentation](https://github.com/NVIDIA-NeMo/labs-OO-Agents/blob/main/RELEASING.md) beschreibt ein 0.x Research Preview, dessen öffentliche API sich zwischen Releases ändern kann. Plane Adapter-Code, Version Pins und Migrationstests ein. Lass Business Services nicht überall Framework-Interna importieren. Eine applikationseigene Schnittstelle hält Upgrade oder Austausch lokal. ## NOOA vs. LangGraph vs. OpenAI Agents SDK: Was passt? Die Optionen überlappen, optimieren aber verschiedene Grenzen. Der [offizielle LangGraph Überblick](https://docs.langchain.com/oss/python/langgraph/overview) positioniert LangGraph als Low-Level-Orchestrierungs-Runtime für langlebige, stateful Agents mit Durable Execution, Streaming und Human-in-the-Loop. Die [Dokumentation des OpenAI Agents SDK](https://openai.github.io/openai-agents-python/) betont eine kleine produktionsreife Menge aus Agent, Tool, Handoff, Guardrail, Session, Sandbox und Tracing. | Option | Stärkster Fit | Wichtigster Test | | --- | --- | --- | | NOOA | Python-Objekte, Code as Action, Live-Daten und modell sichtbarer State | Research-Reife und In-Process Execution | | LangGraph | Explizite langlebige Workflows, Checkpoints und menschliche Intervention | Graph- und Middleware-Komplexität bei einfachen Agenten | | OpenAI Agents SDK | Kleine Primitive, Hosted-Model-Integration und integriertes Tracing | Provider- und Runtime-Entscheidungen gegen Portabilitätsziele | | Eigener deterministischer Loop | Schmaler Workflow mit festen Regeln und wenigen Tools | Du besitzt Retry, Trace, State und Eval vollständig | Wähle nicht nur nach Feature-Matrix. Beginne bei Recovery, Datensensitivität, Deployment Ownership, Modellportabilität, menschlichen Gates und benötigtem State. Die Entscheidung ähnelt [Individualsoftware versus Standardsoftware](/de/software-development-guide/custom-software-vs-off-the-shelf/), auch wenn alle Kandidaten Open Source sind. ## Was kostet ein glaubwürdiger NOOA Pilot? Die Lizenz kostet nichts. Ein produktionsnaher Pilot hat trotzdem sechs Kostenblöcke: - **Agent Design:** typisierte Methoden, deterministische Helper, State-Grenzen und Modellstrategie. - **Isolation:** Sandbox Images, Filesystem Policy, Network Egress, Secrets und Resource Limits. - **Evaluation:** repräsentative Tasks, Acceptance Criteria, Angriffsvarianten und Regressionen. - **Observability:** Traces, Kostenzuordnung, Retention, Redaction und Incident-Analyse. - **Integration:** Application Adapter, Identity, Datenautorisierung, Queues und Approval Paths. - **Ownership:** Dependency Review, Upgrades, On-Call und Rollback. Open Source entfernt Lizenzkosten, nicht Systemverantwortung. Unser [AI Enablement und RAG Architecture Angebot](/de/services/ai-enablement/) beginnt mit Workflow, Trust Boundary und Baseline. Die [Twinsoft AI Case Study](/de/case-studies/twinsoft-ai/) zeigt die Produktdisziplin rund um eine KI-Funktion. Unser [Kosten-pro-Aktion-Modell für KI-Agenten](/de/blog/ai-agent-cost-per-action-2026/) bindet Modellkosten an akzeptierten Business Output. ## Wer sollte NOOA testen, und wer sollte warten? | Teste NOOA, wenn | Warte oder wähle einfacher, wenn | | --- | --- | | Dein Team ist stark in Python und Softwaretests | Dein Produktionsstack kann Python nicht sicher betreiben | | Agenten arbeiten mit großen Live-Objekten ohne Prompt-Serialisierung | Kleine Inputs und wenige Function Tools reichen aus | | Du brauchst modellgeschriebenen Control Flow und expliziten State | Der Prozess passt in deterministischen Code oder eine State Machine | | Du kannst eine OS-Sandbox und schmale Capabilities deployen | Du erwartest, dass AST Checks die Sicherheitsgrenze bilden | | Du benchmarkst Alternativen auf deinen Tasks | Du willst direkt aus einem Hersteller-Leaderboard adoptieren | | Du kapselst 0.x API-Bewegung hinter einem Adapter | Du brauchst stabile APIs, Managed Support und SLA | ## Wie läuft ein 30-Tage-NOOA-Pilot? 1. **Wähle einen reversiblen wertvollen Workflow.** Starte mit Analyse, Klassifikation oder Drafts, nicht mit Zahlungen und Production Writes. 2. **Baue ein Eval-Set mit 50 Tasks.** Nimm Routinefälle, Ambiguität, große Objekte, Tool-Fehler, Prompt Injection und ungültige Returns auf. 3. **Implementiere das kleinste NOOA Objekt.** Exakte Regeln bleiben normale Methoden. Das Modell sieht nur benötigte Capabilities. 4. **Isoliere den Prozess.** Nutze eine disposable Umgebung, schmale Mounts, Default-Deny-Egress und Credentials mit wenig Wert. 5. **Führe eine relevante Baseline aus.** Vergleiche dasselbe Modell und Eval-Set mit aktuellem Workflow und einer reifen Alternative. 6. **Messe akzeptierte Ergebnisse.** Tracke Completion Rate, Review-Minuten, Kosten pro akzeptiertem Task, unsichere Versuche, Retries und Recovery-Zeit. 7. **Triff Go oder No-Go.** Skaliere nur, wenn der Nutzen Security-, Migrations- und Betriebskosten trägt. Nutze unseren [30-60-90-Tage-Plan für KI-Agenten](/de/blog/ai-agent-pilot-30-60-90-days/) für den geregelten Rollout. Für eine herstellerneutrale Architekturentscheidung kannst du [eine technische Discovery buchen](/de/contact/). ## Häufig gestellte Fragen ### Wofür steht NVIDIA NOOA? NOOA steht für NVIDIA Object-Oriented Agents und wird auch NVIDIA double-O Agents genannt. Das Python-Framework bildet einen Agenten als Objekt mit Methoden, Feldern, Docstrings und typisierten Verträgen ab. ### Ist NVIDIA NOOA ein KI-Modell? Nein. NOOA ist ein modellunabhängiger Agent Harness. Er organisiert Ausführung, Context, State, Memory und Validierung rund um ein gehostetes oder lokales Modell. ### Ist NOOA Open Source? Ja. NVIDIA veröffentlicht Framework, Beispiele, Capability Tests, Benchmark Agenten und Companion Packages unter Apache 2.0 im NVIDIA-NeMo Repository. ### Braucht NOOA eine NVIDIA GPU? Nicht grundsätzlich. Das Framework kann gehostete Modelle oder lokale Model Server verwenden. Der Hardwarebedarf kommt vom gewählten Modell und Deployment, nicht vom objektorientierten Ansatz. ### Ist NOOA sicherer als ein Tool-Calling-Agent? Typisierte Verträge und deterministische Methoden können Validierung verbessern. NOOA führt aber auch modellgenerierten Python-Code aus und braucht weiterhin OS-Containment, Least Privilege, Freigaben und Output-Prüfung. ### Sollte ein Unternehmen LangGraph durch NOOA ersetzen? Nicht ohne eigenen Benchmark. NOOA ist attraktiv für Live-Python-Objekte und Code as Action. LangGraph ist rund um Durable Graph Execution und menschliche Intervention etabliert. Vergleiche beide auf demselben Workflow. ## Research-Grenze *Status geprüft am 9. August 2026. Wir haben öffentliche Dokumentation, Source und publizierte Benchmark-Evidenz geprüft. Wir haben NOOA nicht deployed, nicht vollständig auditiert und die Benchmarks nicht reproduziert. Pinne und evaluiere deshalb exakt die Revision, die du im Pilot nutzt.* ## Fazit NVIDIA NOOA formuliert eine starke Idee: Ein KI-Agent kann wie normale Python-Software aussehen, statt sich über Prompt-Dateien, JSON-Tool-Schemas und versteckte Callbacks zu verteilen. Typisierte Methoden, Live-Objekte, expliziter State und validierte Terminierung sind nützlich. Die publizierten Ergebnisse verdienen eine ernsthafte Evaluation. Die Produktionsentscheidung bleibt nüchtern. NOOA ist jung, modellgenerierter Python-Code ist mächtig und In-Process-Zugriff macht externes Containment unverzichtbar. Teste NOOA nur für ein echtes Workflow-Problem, halte deterministische Geschäftskontrollen außerhalb des Modells und vergleiche akzeptierte Ergebnisse mit einer reifen Baseline. ## Das könnte dich auch interessieren.. [**QM Agent Harness im Test** Vergleiche NOOAs Entwickler-Object-Model mit einer Agent-Control-Plane für Organisationen.](/de/blog/qm-ai-agent-harness-review/) [**AI Enablement vs. generische KI-Beratung** Vergleiche Systemlieferung mit Governance und ein reines Strategie-Engagement.](/de/compare/ai-enablement-vs-generic-ai-consultancy/) Agent Engineering ## In diesem Cluster weiterlesen [Mit dem Grundlagenartikel starten**Graph Engineering für KI-Agenten: Wann lohnt sich ein Knowledge Graph?**](/de/blog/graph-engineering-ai-agents/) - [KI-Texte menschlicher schreiben mit Agent Skills](/de/blog/ai-writing-agent-skills/) - [Strix AI Pentesting: 30-Tage-Pilot und Kaufguide 2026](/de/blog/strix-ai-pentesting-pilot-guide-2026/) - [Hark Handoff im Test: Der Agent, der wirklich klickt](/de/blog/hark-handoff-computer-use-agent-review/) - [Meta Muse Code Preise: Ist Contributor für Kundencode sicher?](/de/blog/meta-muse-code-pricing-contributor-tier/) - [PII vor LLM-Prompts entfernen: Eine praktische Pipeline](/de/blog/pii-redaction-before-llm-prompts/) Postfach, ohne Lärm ## Folge der Arbeit, die für dich zählt Du bekommst eine kurze E-Mail, wenn wir etwas Neues veröffentlichen. Folge dem ganzen Blog oder nur den Themen, die dich interessieren. [**Zurück**](/de/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/de/team/kevin-riedl/) [Kevin Riedl](/de/team/kevin-riedl/) https://linkedin.com/in/wsdt 14 min Lesezeit · 9. August 2026 Zuletzt geprüft 9. August 2026 [**Weiter**](/de/blog/strix-ai-pentesting-pilot-guide-2026/) Neue Beiträge per E-Mail × × Neue Beiträge per E-Mail Eine kurze E-Mail, wenn wir etwas veröffentlichen. Kostenlos, ohne Tracking. ## Structured Data ```json { "@context": "https://schema.org", "@graph": [ { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ], "employee": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "founder": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "legalRepresentative": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "name": "Wavect GmbH", "subjectOf": { "@id": "https://wavect.io/verified-claims.json#dataset", "@type": "Dataset", "creator": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "description": "A machine-readable registry of quantitative and qualitative claims published by Wavect, with review dates, localized page appearances and public third-party citations where available.", "inLanguage": "en", "isAccessibleForFree": true, "license": "https://creativecommons.org/licenses/by/4.0/", "name": "Wavect verified publication claims", "url": "https://wavect.io/verified-claims.json" }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "sameAs": [ "https://www.wikidata.org/wiki/Q139796367", "https://www.linkedin.com/in/jocr77/", "https://github.com/jo-chris" ], "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/#website", "@type": "WebSite", "inLanguage": [ "en", "de", "es", "zh" ], "name": "Wavect", "potentialAction": { "@type": "SearchAction", "query-input": "required name=search_term_string", "target": { "@type": "EntryPoint", "urlTemplate": "https://wavect.io/search/?q={search_term_string}" } }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/de/blog/nvidia-nooa-object-oriented-agents-review/#webpage", "@type": "WebPage", "dateModified": "2026-08-09", "inLanguage": "de", "isPartOf": { "@id": "https://wavect.io/#website", "@type": "WebSite" }, "lastReviewed": "2026-08-09", "url": "https://wavect.io/de/blog/nvidia-nooa-object-oriented-agents-review/" } ] } ``` ```json { "@context": "https://schema.org", "@type": "BlogPosting", "abstract": "NVIDIA Object-Oriented Agents, kurz NOOA, ist ein Apache-2.0-lizenziertes Research-Preview-Framework, das einen KI-Agenten als eine Python-Klasse darstellt: Methoden sind Fähigkeiten, Felder sind State, Docstrings sind Prompts und Typannotationen werden zu validierten Verträgen. NVIDIA meldet mit einem kompakten, allgemeinen Harness starke Ergebnisse, darunter 82,2 Prozent auf SWE-bench Verified mit GPT-5.5 und 86,8 Prozent auf CyberGym L1. Das sind herstellerseitige Benchmarks, kein Beweis für deinen Geschäftsprozess. NOOA verdient einen begrenzten Pilot, wenn dein Python-Team Live-Objekte, Code-as-Action und expliziten State braucht. Es ist keine Produktions-Sicherheitsgrenze: Modellgenerierter Python-Code läuft im Agent-Prozess. Du brauchst daher OS-Isolation, Least-Privilege-Credentials, Evals, Freigaben und klare Betriebsverantwortung.", "articleBody": " Blog-Übersicht/AI und Agents/Agent Engineering NVIDIA NOOA im Test: Sind objektorientierte Agenten produktionsreif? TL;DR NVIDIA Object-Oriented Agents, kurz NOOA, ist ein Apache-2.0-lizenziertes Research-Preview-Framework, das einen KI-Agenten als eine Python-Klasse darstellt: Methoden sind Fähigkeiten, Felder sind State, Docstrings sind Prompts und Typannotationen werden zu validierten Verträgen. NVIDIA meldet mit einem kompakten, allgemeinen Harness starke Ergebnisse, darunter 82,2 Prozent auf SWE-bench Verified mit GPT-5.5 und 86,8 Prozent auf CyberGym L1. Das sind herstellerseitige Benchmarks, kein Beweis für deinen Geschäftsprozess. NOOA verdient einen begrenzten Pilot, wenn dein Python-Team Live-Objekte, Code-as-Action und expliziten State braucht. Es ist keine Produktions-Sicherheitsgrenze: Modellgenerierter Python-Code läuft im Agent-Prozess. Du brauchst daher OS-Isolation, Least-Privilege-Credentials, Evals, Freigaben und klare Betriebsverantwortung. NVIDIA Object-Oriented Agents, kurz NOOA, ist ein Open-Source-Python-Framework, das einen KI-Agenten als ein Objekt definiert. Methoden bilden Fähigkeiten ab, Felder halten State, Docstrings liefern Anweisungen und Typannotationen validieren Ein- und Ausgaben. Das verbessert Review und Refactoring, macht modellgenerierten Code aber nicht automatisch sicher. Unser Urteil nach Prüfung von Paper, Repository, Release-Prozess und Dokumentation alternativer Frameworks am 9. August 2026: NOOA verdient einen klar begrenzten technischen Pilot für Python-Teams, die codeintensive Agenten mit großen Live-Objekten und explizitem State bauen. Es bleibt ein 0.x Research Preview, kein Managed Runtime, kein SLA und keine Sicherheitsgrenze. Wir haben NOOA nicht selbst deployed und NVIDIAs Benchmarks nicht reproduziert. Deshalb behandeln wir die Resultate als vielversprechende Hersteller-Evidenz, nicht als unabhängige Validierung. Dieser Artikel beantwortet die produktspezifische Frage nach Produktionsreife. Für Beziehungen und gemeinsames Memory lies unseren Leitfaden zu Graph Engineering für KI-Agenten. Für unternehmensweite Scopes und Policy vergleiche den QM Agent Harness Test. So konkurriert das neue NVIDIA Review nicht mit Wavects Architektur- und Orchestrierungsseiten. Was ist NVIDIA NOOA? NOOA ist NVIDIAs modellunabhängiger objektorientierter Agent Harness für Python. Eine normale Methode führt deterministischen Python-Code aus. Eine Methode mit Ellipse als Body wird zur Laufzeit durch eine LLM-Strategie umgesetzt. Die Signatur ist der typisierte Vertrag, der Docstring beschreibt den Task und das Objekt stellt State sowie Hilfsmethoden bereit. class RefundAgent(Agent, llm=llm): orders: OrderStore def eligible(self, order: Order) -> bool: return order.age_days <= 30 and order.delivered async def decide(self, order: Order) -> RefundDecision: \"\"\"Return a reviewed refund decision with evidence.\"\"\" ... Die Grenze ist direkt in der Klasse sichtbar. Eligibility bleibt eine exakte Regel. Die Entscheidung darf Modellurteil nutzen. Dein Team kann die erste Methode unit-testen, die zweite evaluieren und das zurückgegebene RefundDecision validieren, bevor ein Seiteneffekt erfolgt. Wie funktionieren objektorientierte KI-Agenten? Python-ElementNOOA-BedeutungProduktionsnutzen KlasseAgent-GrenzeEine prüfbare Einheit für Prompts, Tools und State MethodeDeterministischer Helper oder agentischer LoopModellurteil bleibt von exakten Regeln getrennt TypannotationEin- und Ausgabe-VertragUngültige Ergebnisse können abgelehnt und erneut erzeugt werden FeldExpliziter Object StateWichtiger State lebt nicht nur in der Chat-History Live-ArgumentPer Referenz übergebenes ObjektGroße Daten bleiben als echter Wert außerhalb des Prompts DocstringModell-AnweisungPrompt-Änderungen liegen neben der verantwortlichen Methode Python-ZelleCode-as-Action-SchrittDas Modell nutzt Loops, Bedingungen und Helper Calls NVIDIA fasst sechs Fähigkeiten zusammen: typisierte Ein- und Ausgaben, Pass-by-Reference, Code as Action, programmierbares Loop Engineering, expliziten Object State sowie modellaufrufbare Context- und Event-APIs. Der offizielle technische NVIDIA Überblick beschreibt zusätzlich Long-Term Memory als vom Modell kuratierten SQLite Store mit typisierten Beziehungen, Retrieval und Reflection. Was zeigen NVIDIAs NOOA Benchmarks wirklich? Der technische NOOA Report testet Interface-Fluency und vollständige Agenten. Die Capability Suite umfasst 88 Testinstanzen aus 36 Familien, jeweils fünfmal mit zehn Modellen ausgeführt. NVIDIA meldet 4.309 erfolgreiche von 4.400 Runs, also 97,9 Prozent. Beim schwierigeren Stress-Subset sinkt die Quote auf 84,7 Prozent. Für lange Batches, Recovery und Task Decomposition ist genau dieser Abstand relevant. Publizierte EvaluationNOOA ResultatSinnvolle Interpretation Capability Suite97,9% gesamtAktuelle Modelle verstehen das Python-Objekt-Interface meist Stress-Subset84,7% gesamtMehrstufige Disziplin braucht weiterhin Evals SWE-bench Verified, GPT-5.5 xhigh82,2%Der", "articleSection": "Engineering", "author": { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/" }, "citation": [ { "@type": "WebPage", "name": "offizielle technische NVIDIA Überblick", "url": "https://developer.nvidia.com/blog/six-agent-harness-capabilities-for-higher-model-performance/" }, { "@type": "WebPage", "name": "technische NOOA Report", "url": "https://arxiv.org/html/2607.20709v1" }, { "@type": "WebPage", "name": "offizielle NOOA README mit Sicherheitshinweis", "url": "https://github.com/NVIDIA-NeMo/labs-OO-Agents/blob/main/README.md" }, { "@type": "WebPage", "name": "offizielle Release-Dokumentation", "url": "https://github.com/NVIDIA-NeMo/labs-OO-Agents/blob/main/RELEASING.md" }, { "@type": "WebPage", "name": "offizielle LangGraph Überblick", "url": "https://docs.langchain.com/oss/python/langgraph/overview" }, { "@type": "WebPage", "name": "Dokumentation des OpenAI Agents SDK", "url": "https://openai.github.io/openai-agents-python/" } ], "dateModified": "2026-08-09", "datePublished": "2026-08-09", "description": "NVIDIA Object-Oriented Agents, kurz NOOA, ist ein Apache-2.0-lizenziertes Research-Preview-Framework, das einen KI-Agenten als eine Python-Klasse darstellt: Methoden sind Fähigkeiten, Felder sind State, Docstrings sind Prompts und Typannotationen werden zu validierten Verträgen. NVIDIA meldet mit einem kompakten, allgemeinen Harness starke Ergebnisse, darunter 82,2 Prozent auf SWE-bench Verified mit GPT-5.5 und 86,8 Prozent auf CyberGym L1. Das sind herstellerseitige Benchmarks, kein Beweis für deinen Geschäftsprozess. NOOA verdient einen begrenzten Pilot, wenn dein Python-Team Live-Objekte, Code-as-Action und expliziten State braucht. Es ist keine Produktions-Sicherheitsgrenze: Modellgenerierter Python-Code läuft im Agent-Prozess. Du brauchst daher OS-Isolation, Least-Privilege-Credentials, Evals, Freigaben und klare Betriebsverantwortung.", "headline": "NVIDIA NOOA im Test: Sind objektorientierte Agenten produktionsreif?", "image": "https://wavect.io/img/blog/headers/header_nvidia-nooa-object-oriented-agents-review.svg", "inLanguage": "de", "keywords": "KI-Agenten, Python", "mainEntityOfPage": { "@id": "https://wavect.io/de/blog/nvidia-nooa-object-oriented-agents-review/", "@type": "WebPage" }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/de/blog/nvidia-nooa-object-oriented-agents-review/", "wordCount": 1968 } ``` ```json { "@context": "https://schema.org", "@type": "BreadcrumbList", "itemListElement": [ { "@type": "ListItem", "item": "https://wavect.io/de/", "name": "Startseite", "position": 1 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/overview/", "name": "Blog-Übersicht", "position": 2 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/topics/ai-agents/", "name": "AI und Agents", "position": 3 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/clusters/agent-engineering/", "name": "Agent Engineering", "position": 4 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/nvidia-nooa-object-oriented-agents-review/", "name": "NVIDIA NOOA Test: Objektorientierte KI-Agenten | ", "position": 5 } ] } ``` ```json { "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [ { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "NOOA steht für NVIDIA Object-Oriented Agents und wird auch NVIDIA double-O Agents genannt. Das Python-Framework bildet einen Agenten als Objekt mit Methoden, Feldern, Docstrings und typisierten Verträgen ab." }, "name": "Wofür steht NVIDIA NOOA?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Nein. NOOA ist ein modellunabhängiger Agent Harness. Er organisiert Ausführung, Context, State, Memory und Validierung rund um ein gehostetes oder lokales Modell." }, "name": "Ist NVIDIA NOOA ein KI-Modell?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Ja. NVIDIA veröffentlicht Framework, Beispiele, Capability Tests, Benchmark Agenten und Companion Packages unter Apache 2.0 im NVIDIA-NeMo Repository." }, "name": "Ist NOOA Open Source?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Nicht grundsätzlich. Das Framework kann gehostete Modelle oder lokale Model Server verwenden. Der Hardwarebedarf kommt vom gewählten Modell und Deployment, nicht vom objektorientierten Ansatz." }, "name": "Braucht NOOA eine NVIDIA GPU?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Typisierte Verträge und deterministische Methoden können Validierung verbessern. NOOA führt aber auch modellgenerierten Python-Code aus und braucht weiterhin OS-Containment, Least Privilege, Freigaben und Output-Prüfung." }, "name": "Ist NOOA sicherer als ein Tool-Calling-Agent?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Nicht ohne eigenen Benchmark. NOOA ist attraktiv für Live-Python-Objekte und Code as Action. LangGraph ist rund um Durable Graph Execution und menschliche Intervention etabliert. Vergleiche beide auf demselben Workflow." }, "name": "Sollte ein Unternehmen LangGraph durch NOOA ersetzen?" } ] } ```