--- title: "NVIDIA NOOA: agentes de IA orientados a objetos" canonical: https://wavect.io/es/blog/nvidia-nooa-object-oriented-agents-review/ language: es description: "Análisis de NVIDIA NOOA: arquitectura, benchmarks, límites de seguridad, alternativas a LangGraph y OpenAI y checklist para un piloto." image: "https://wavect.io/img/blog/headers/header_nvidia-nooa-object-oriented-agents-review.png" --- [**Volver**](/es/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/es/team/kevin-riedl/) [Kevin Riedl](/es/team/kevin-riedl/) https://linkedin.com/in/wsdt 14 min de lectura · 9 de agosto de 2026 Última revisión 9 de agosto de 2026 [**Siguiente**](/es/blog/strix-ai-pentesting-pilot-guide-2026/) # Análisis de NVIDIA NOOA: ¿están listos para producción los agentes orientados a objetos? Resumen NVIDIA Object-Oriented Agents, o NOOA, es un framework en fase de investigación y con licencia Apache 2.0 que representa un agente de IA como una clase de Python: los métodos son capacidades, los campos son estado, los docstrings son prompts y las anotaciones de tipo son contratos validados. NVIDIA comunica resultados sólidos con un harness generalista compacto, entre ellos un 82,2% en SWE-bench Verified con GPT-5.5 y un 86,8% en CyberGym L1. Son benchmarks publicados por el proveedor, no una prueba de éxito para un workflow empresarial. NOOA merece un piloto acotado para equipos Python que necesiten objetos vivos, code-as-action y estado explícito. No es una frontera de seguridad: el Python escrito por el modelo se ejecuta en el proceso del agente, así que producción exige aislamiento del sistema operativo, credenciales mínimas, evaluaciones, aprobaciones y un dueño operativo. **NVIDIA Object-Oriented Agents, o NOOA, es un framework open source de Python que define un agente de IA como un objeto.** Los métodos representan capacidades, los campos guardan estado, los docstrings contienen instrucciones y las anotaciones de tipo validan inputs y outputs. El código resulta más fácil de revisar y refactorizar, pero el Python generado por un modelo no se vuelve seguro por ese motivo. Nuestro veredicto tras revisar el paper, el repositorio, el proceso de releases y la documentación de alternativas el 9 de agosto de 2026: **NOOA merece un piloto técnico acotado para equipos Python que construyen agentes intensivos en código, con objetos vivos grandes y estado explícito.** Sigue siendo una research preview 0.x, no un runtime gestionado, un SLA ni una frontera de contención. No desplegamos NOOA ni reproducimos los benchmarks, así que tratamos los resultados publicados como evidencia prometedora del proveedor, no como validación independiente. Este artículo responde al intent específico sobre la preparación de NOOA para producción. Para relaciones y memoria compartida, consulta nuestra [guía de ingeniería de grafos para agentes](/es/blog/graph-engineering-ai-agents/). Para scopes empresariales y políticas, compara el [análisis del agent harness QM](/es/blog/qm-ai-agent-harness-review/). Así evitamos competir con las páginas de arquitectura y orquestación ya existentes. ## ¿Qué es NVIDIA NOOA? **NOOA es el agent harness orientado a objetos y agnóstico respecto al modelo de NVIDIA Labs.** Un método normal ejecuta Python determinista. Un método cuyo cuerpo contiene una elipsis se implementa en runtime mediante una estrategia LLM. La firma se convierte en contrato tipado, el docstring aporta la tarea y el objeto expone estado y métodos auxiliares. ``` 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.""" ... ``` La frontera queda visible en la clase. La elegibilidad es una regla exacta. La decisión puede usar juicio del modelo. Un equipo puede probar el primer método, evaluar el segundo y validar el `RefundDecision` antes de permitir cualquier efecto. ## ¿Cómo funcionan los agentes de IA orientados a objetos? | Elemento Python | Significado en NOOA | Valor en producción | | --- | --- | --- | | Clase | Frontera del agente | Unidad revisable para prompts, tools y estado | | Método | Helper determinista o loop agéntico | Separa el juicio del modelo de las reglas exactas | | Anotación de tipo | Contrato de input y output | Permite rechazar y reintentar una respuesta inválida | | Campo | Estado explícito del objeto | El estado importante no vive solo en el historial | | Argumento vivo | Objeto pasado por referencia | Los datos grandes permanecen fuera del prompt como valor real | | Docstring | Instrucción para el modelo | El prompt queda junto al método que gobierna | | Celda Python | Paso de code-as-action | El modelo usa bucles, condiciones y métodos auxiliares | NVIDIA agrupa seis capacidades: input y output tipados, paso por referencia, código como acción, programación del loop, estado explícito y APIs de contexto o eventos accesibles para el modelo. El [resumen técnico oficial de NVIDIA](https://developer.nvidia.com/blog/six-agent-harness-capabilities-for-higher-model-performance/) también presenta la memoria a largo plazo como un almacén SQLite curado por el modelo, con relaciones tipadas, retrieval y reflexión. ## ¿Qué demuestran realmente los benchmarks de NOOA? El [informe técnico de NOOA](https://arxiv.org/html/2607.20709v1) evalúa comprensión de la interfaz y agentes completos. La suite de capacidades contiene 88 instancias de 36 familias, ejecutadas cinco veces con diez modelos. NVIDIA comunica 4.309 éxitos de 4.400 registros, un 97,9%. En el subset de estrés baja al 84,7%. Esa diferencia importa para lotes largos, recuperación y descomposición. | Evaluación publicada | Resultado NOOA | Interpretación útil | | --- | --- | --- | | Suite de capacidades | 97,9% total | Los modelos actuales suelen entender la interfaz de objetos Python | | Subset de estrés | 84,7% total | El trabajo multistep todavía necesita evaluaciones | | SWE-bench Verified, GPT-5.5 xhigh | 82,2% | El harness generalista compacto compite bien en trabajo sobre repositorios | | Terminal-Bench 2.0, GPT-5.5 high | 73,0% | La terminación tipada y los valores vivos pueden ayudar en terminal | | CyberGym L1, GPT-5.5 | 86,8% | La validación determinista alrededor de la exploración es prometedora | | ARC-AGI-3, GPT-5.6-sol | 85,1% de RHAE medio | El harness y la memoria pueden cambiar mucho el rendimiento | Para negocio importa el coste por resultado aceptado. En SWE-bench con GPT-5.5 xhigh, NVIDIA informa de unas 28 llamadas y 1,1 millones de tokens por tarea para un 82,2%. Su comparación con PI usó 66 llamadas y 2,2 millones de tokens para un 78,2%. Los datos apoyan que los valores vivos y previews acotadas reducen tráfico de contexto. No demuestran que NOOA vaya a reducir a la mitad tu factura. El equipo del framework firma el paper, y los workflows reales no son benchmarks públicos. Usa los números para justificar una prueba comparativa, no como previsión de compras. ## ¿Es NVIDIA NOOA seguro para producción? **NOOA no es un sandbox de seguridad.** El Python escrito por el modelo puede ejecutarse en el proceso del agente para trabajar con objetos vivos. El [README oficial de NOOA y su aviso de seguridad](https://github.com/NVIDIA-NeMo/labs-OO-Agents/blob/main/README.md) aclaran que la validación AST y las listas de módulos bloqueados son defensa adicional, no contención. Recomienda aislar con un contenedor, una VM o NVIDIA OpenShell. | Riesgo | Por qué influye el modelo de objetos | Control necesario | | --- | --- | --- | | Efectos de código arbitrario | Python generado alcanza librerías y métodos potentes | Sandbox del SO, egress bloqueado y allowlist de capacidades | | Objetos sensibles vivos | La referencia evita copiar al prompt pero concede acceso en runtime | Wrappers estrechos, mínimo privilegio y previews redactadas | | Envenenamiento de estado | El modelo modifica estado o memoria persistente | Schemas tipados, procedencia, revisión y escrituras reversibles | | Finalización falsa | Un tipo válido todavía puede contener una decisión errónea | Evidencia, verificación determinista y evals de aceptación | | Exposición en trazas | Prompts, outputs y valores pueden contener datos personales | Retención, control de acceso y filtrado sensible | | Cambio de dependencia | La instalación documentada apunta a un repositorio Git | Pin de commit revisado, escaneo y upgrades controlados | Un type check confirma la forma, no la autorización de un reembolso. Autenticación, autorización, idempotencia, aprobación y auditoría deben quedar fuera del loop probabilístico. Nuestro análisis sobre [MCP y autorización a nivel de datos](/es/blog/mcp-security-boundary-data-level-access-control/) explica la misma separación para tools. ## ¿Qué madurez tiene NOOA en agosto de 2026? NOOA es público, usa Apache 2.0 e incluye ejemplos, tests, CLI, visor de trazas, paquete de memoria y tooling de benchmarks. Es más evidencia que un prototipo limitado al paper. Sigue siendo software en desarrollo inicial. La [documentación oficial de releases](https://github.com/NVIDIA-NeMo/labs-OO-Agents/blob/main/RELEASING.md) describe una research preview 0.x cuya API pública puede cambiar entre versiones. Presupuesta adaptadores, versiones fijadas y pruebas de migración. Coloca NOOA detrás de una interfaz propia para que un upgrade o sustitución no reescriba todo el producto. ## NOOA vs LangGraph vs OpenAI Agents SDK: ¿cuál elegir? Las opciones se solapan, pero optimizan fronteras distintas. La [documentación oficial de LangGraph](https://docs.langchain.com/oss/python/langgraph/overview) lo presenta como runtime de orquestación de bajo nivel para agentes stateful de larga duración, con ejecución durable, streaming y human-in-the-loop. La [documentación de OpenAI Agents SDK](https://openai.github.io/openai-agents-python/) prioriza un conjunto pequeño y listo para producción de agentes, tools, handoffs, guardrails, sesiones, sandboxes y tracing. | Opción | Mejor encaje | Trade-off que debes probar | | --- | --- | --- | | NOOA | Objetos Python, code-as-action, datos vivos y estado visible | Madurez de investigación y ejecución dentro del proceso | | LangGraph | Workflows durables, checkpoints e intervención humana explícita | Complejidad de grafo y middleware para un agente sencillo | | OpenAI Agents SDK | Pocas primitivas, modelos alojados y tracing integrado | Elecciones de proveedor y runtime frente a portabilidad | | Loop determinista propio | Workflow estrecho con reglas fijas y pocas tools | Tu equipo asume reintentos, trazas, estado y evaluación | No decidas por número de features. Empieza por recuperación, sensibilidad de datos, propiedad del deployment, portabilidad, controles humanos y estado. Es una decisión parecida a [software a medida frente a producto estándar](/es/software-development-guide/custom-software-vs-off-the-shelf/), aunque todas las opciones sean open source. ## ¿Cuánto cuesta un piloto de NOOA? La licencia es gratuita, pero un piloto creíble tiene seis costes: - **Diseño del agente:** métodos tipados, helpers deterministas, fronteras de estado y estrategia del modelo. - **Aislamiento:** imágenes de sandbox, política de archivos, egress, secretos y límites de recursos. - **Evaluación:** tareas representativas, aceptación, ataques y regresiones. - **Observabilidad:** trazas, costes, retención, redacción e investigación de incidentes. - **Integración:** adaptadores, identidad, autorización de datos, colas y aprobaciones. - **Propiedad:** revisión de dependencias, upgrades, guardias y rollback. Open source elimina una licencia, no la responsabilidad del sistema. Nuestro servicio de [AI enablement y arquitectura RAG](/es/services/ai-enablement/) empieza por workflow, trust boundary y baseline. El [caso Twinsoft AI](/es/case-studies/twinsoft-ai/) muestra la disciplina de producto alrededor de una función de IA. El modelo de [coste por acción de agentes](/es/blog/ai-agent-cost-per-action-2026/) vincula gasto con output aceptado. ## ¿Quién debería pilotar NOOA y quién debería esperar? | Pilota NOOA cuando | Espera o simplifica cuando | | --- | --- | | El equipo domina Python y pruebas de software | El stack no puede operar Python con seguridad | | Los agentes necesitan objetos grandes sin serializarlos al prompt | Inputs pequeños y pocas function tools ya resuelven el caso | | Necesitas control flow escrito por el modelo y estado explícito | El proceso cabe en código determinista o una máquina de estados | | Puedes desplegar sandbox del SO y capacidades mínimas | Esperas que las comprobaciones AST sean la frontera | | Compararás alternativas con tareas propias | Quieres adoptar solo por un leaderboard del proveedor | | Puedes ocultar cambios de API 0.x tras un adaptador | Necesitas API estable, soporte gestionado y SLA inmediato | ## ¿Cómo ejecutar un piloto de NOOA en 30 días? 1. **Elige un workflow valioso y reversible.** Empieza por análisis, clasificación o borradores, no pagos o cambios en producción. 2. **Crea 50 tareas de evaluación.** Incluye casos normales, ambigüedad, objetos largos, fallos de tools, prompt injection y retornos inválidos. 3. **Construye el objeto mínimo.** Las reglas exactas viven en métodos normales y el modelo solo recibe capacidades necesarias. 4. **Aísla el proceso.** Usa un entorno desechable, mounts mínimos, egress denegado por defecto y credenciales de bajo valor. 5. **Ejecuta una baseline relevante.** Compara mismo modelo y dataset con el workflow actual y una alternativa madura. 6. **Mide resultados aceptados.** Registra éxito, minutos de revisión, coste por tarea aceptada, intentos inseguros, reintentos y recuperación. 7. **Decide go o no-go.** Escala solo si la mejora paga seguridad, migración y operación. Nuestro [plan 30-60-90 para agentes de IA](/es/blog/ai-agent-pilot-30-60-90-days/) ayuda a convertir una prueba útil en rollout gobernado. Para una decisión neutral, [reserva una discovery técnica](/es/contact/). ## Preguntas frecuentes ### ¿Qué significa NVIDIA NOOA? NOOA significa NVIDIA Object-Oriented Agents, también escrito NVIDIA double-O Agents. Es un framework Python que representa un agente como un objeto con métodos, campos, docstrings y contratos tipados. ### ¿NVIDIA NOOA es un modelo de IA? No. NOOA es un agent harness agnóstico respecto al modelo. Organiza ejecución, contexto, estado, memoria y validación alrededor de modelos alojados o locales. ### ¿NOOA es open source? Sí. NVIDIA publica framework, ejemplos, tests de capacidades, agentes de benchmark y paquetes complementarios con licencia Apache 2.0. ### ¿NOOA necesita una GPU NVIDIA? No necesariamente. Puede llamar modelos alojados o servidores locales. El hardware depende del modelo y deployment elegidos, no del paradigma orientado a objetos. ### ¿NOOA es más seguro que un agente de tool calling? Los contratos tipados y métodos deterministas mejoran validación, pero NOOA también ejecuta Python escrito por el modelo. Sigue necesitando contención del SO, mínimo privilegio, aprobaciones y verificación. ### ¿Debe una empresa sustituir LangGraph por NOOA? No sin un benchmark propio. NOOA destaca con objetos vivos y code-as-action. LangGraph está orientado a ejecución durable e intervención humana. Compara ambos sobre el mismo workflow y frontera de seguridad. ## Límites de la investigación *Estado comprobado el 9 de agosto de 2026. Revisamos documentación pública, código y benchmarks publicados. No desplegamos NOOA, auditamos todo su código ni reproducimos las evaluaciones. Fija y vuelve a evaluar la revisión exacta usada en el piloto.* ## Reflexiones finales NVIDIA NOOA plantea una idea potente: un agente de IA puede parecer software Python normal en vez de repartirse entre prompts, schemas JSON y callbacks ocultos. Métodos tipados, objetos vivos, estado explícito y terminación validada son conceptos útiles. Los resultados publicados justifican una evaluación seria. La decisión de producción es más sobria. NOOA es joven, el Python generado por modelos tiene mucho poder y el acceso dentro del proceso hace obligatoria la contención externa. Pilótalo cuando resuelva un problema real, conserva controles deterministas fuera del modelo y compara outcomes aceptados contra una baseline madura. ## También te puede gustar.. [**Análisis del agent harness QM** Compara el modelo de objetos para developers de NOOA con un control plane para organizaciones.](/es/blog/qm-ai-agent-harness-review/) [**AI enablement vs consultoría de IA genérica** Compara entrega de sistemas con gobernanza frente a una intervención solo estratégica.](/es/compare/ai-enablement-vs-generic-ai-consultancy/) Ingeniería de agentes ## Continúa por este clúster [Empieza por el artículo fundamental**Ingeniería de grafos para agentes de IA: ¿Cuándo compensa un knowledge graph?**](/es/blog/graph-engineering-ai-agents/) - [Cómo hacer que la IA escriba como una persona con Agent Skills](/es/blog/ai-writing-agent-skills/) - [Strix AI Pentesting: piloto de 30 días y guía de compra 2026](/es/blog/strix-ai-pentesting-pilot-guide-2026/) - [Hark Handoff: el agente que sí hace clic](/es/blog/hark-handoff-computer-use-agent-review/) - [Precio de Meta Muse Code: ¿Contributor es seguro para código de clientes?](/es/blog/meta-muse-code-pricing-contributor-tier/) - [Ocultar PII antes del prompt: una pipeline práctica](/es/blog/pii-redaction-before-llm-prompts/) Tu bandeja, sin ruido ## Sigue el trabajo que te importa Recibe un correo breve cuando publiquemos algo nuevo. Sigue todo el blog o solo los temas que te interesan. [**Volver**](/es/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/es/team/kevin-riedl/) [Kevin Riedl](/es/team/kevin-riedl/) https://linkedin.com/in/wsdt 14 min de lectura · 9 de agosto de 2026 Última revisión 9 de agosto de 2026 [**Siguiente**](/es/blog/strix-ai-pentesting-pilot-guide-2026/) Nuevos artículos por correo × × Recibe nuevos artículos por correo Un correo breve cuando publicamos. Gratis y sin seguimiento. ## 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/es/blog/nvidia-nooa-object-oriented-agents-review/#webpage", "@type": "WebPage", "dateModified": "2026-08-09", "inLanguage": "es", "isPartOf": { "@id": "https://wavect.io/#website", "@type": "WebSite" }, "lastReviewed": "2026-08-09", "url": "https://wavect.io/es/blog/nvidia-nooa-object-oriented-agents-review/" } ] } ``` ```json { "@context": "https://schema.org", "@type": "BlogPosting", "abstract": "NVIDIA Object-Oriented Agents, o NOOA, es un framework en fase de investigación y con licencia Apache 2.0 que representa un agente de IA como una clase de Python: los métodos son capacidades, los campos son estado, los docstrings son prompts y las anotaciones de tipo son contratos validados. NVIDIA comunica resultados sólidos con un harness generalista compacto, entre ellos un 82,2% en SWE-bench Verified con GPT-5.5 y un 86,8% en CyberGym L1. Son benchmarks publicados por el proveedor, no una prueba de éxito para un workflow empresarial. NOOA merece un piloto acotado para equipos Python que necesiten objetos vivos, code-as-action y estado explícito. No es una frontera de seguridad: el Python escrito por el modelo se ejecuta en el proceso del agente, así que producción exige aislamiento del sistema operativo, credenciales mínimas, evaluaciones, aprobaciones y un dueño operativo.", "articleBody": " Resumen del blog/IA y agentes/Ingeniería de agentes Análisis de NVIDIA NOOA: ¿están listos para producción los agentes orientados a objetos? Resumen NVIDIA Object-Oriented Agents, o NOOA, es un framework en fase de investigación y con licencia Apache 2.0 que representa un agente de IA como una clase de Python: los métodos son capacidades, los campos son estado, los docstrings son prompts y las anotaciones de tipo son contratos validados. NVIDIA comunica resultados sólidos con un harness generalista compacto, entre ellos un 82,2% en SWE-bench Verified con GPT-5.5 y un 86,8% en CyberGym L1. Son benchmarks publicados por el proveedor, no una prueba de éxito para un workflow empresarial. NOOA merece un piloto acotado para equipos Python que necesiten objetos vivos, code-as-action y estado explícito. No es una frontera de seguridad: el Python escrito por el modelo se ejecuta en el proceso del agente, así que producción exige aislamiento del sistema operativo, credenciales mínimas, evaluaciones, aprobaciones y un dueño operativo. NVIDIA Object-Oriented Agents, o NOOA, es un framework open source de Python que define un agente de IA como un objeto. Los métodos representan capacidades, los campos guardan estado, los docstrings contienen instrucciones y las anotaciones de tipo validan inputs y outputs. El código resulta más fácil de revisar y refactorizar, pero el Python generado por un modelo no se vuelve seguro por ese motivo. Nuestro veredicto tras revisar el paper, el repositorio, el proceso de releases y la documentación de alternativas el 9 de agosto de 2026: NOOA merece un piloto técnico acotado para equipos Python que construyen agentes intensivos en código, con objetos vivos grandes y estado explícito. Sigue siendo una research preview 0.x, no un runtime gestionado, un SLA ni una frontera de contención. No desplegamos NOOA ni reproducimos los benchmarks, así que tratamos los resultados publicados como evidencia prometedora del proveedor, no como validación independiente. Este artículo responde al intent específico sobre la preparación de NOOA para producción. Para relaciones y memoria compartida, consulta nuestra guía de ingeniería de grafos para agentes. Para scopes empresariales y políticas, compara el análisis del agent harness QM. Así evitamos competir con las páginas de arquitectura y orquestación ya existentes. ¿Qué es NVIDIA NOOA? NOOA es el agent harness orientado a objetos y agnóstico respecto al modelo de NVIDIA Labs. Un método normal ejecuta Python determinista. Un método cuyo cuerpo contiene una elipsis se implementa en runtime mediante una estrategia LLM. La firma se convierte en contrato tipado, el docstring aporta la tarea y el objeto expone estado y métodos auxiliares. 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.\"\"\" ... La frontera queda visible en la clase. La elegibilidad es una regla exacta. La decisión puede usar juicio del modelo. Un equipo puede probar el primer método, evaluar el segundo y validar el RefundDecision antes de permitir cualquier efecto. ¿Cómo funcionan los agentes de IA orientados a objetos? Elemento PythonSignificado en NOOAValor en producción ClaseFrontera del agenteUnidad revisable para prompts, tools y estado MétodoHelper determinista o loop agénticoSepara el juicio del modelo de las reglas exactas Anotación de tipoContrato de input y outputPermite rechazar y reintentar una respuesta inválida CampoEstado explícito del objetoEl estado importante no vive solo en el historial Argumento vivoObjeto pasado por referenciaLos datos grandes permanecen fuera del prompt como valor real DocstringInstrucción para el modeloEl prompt queda junto al método que gobierna Celda PythonPaso de code-as-actionEl modelo usa bucles, condiciones y métodos auxiliares NVIDIA agrupa seis capacidades: input y output tipados, paso por referencia, código como acción, programación del loop, estado explícito y APIs de contexto o eventos accesibles para el modelo. El resumen técnico oficial de NVIDIA también presenta la memoria a largo plazo como un almacén SQLite curado por el modelo, con relaciones tipadas, retrieval y reflexión. ¿Qué demuestran realmente los benchmarks de NOOA? El informe técnico de NOOA evalúa comprensión de la interfaz y agentes completos. La suite de capacidades contiene 88 instancias de 36 familias, ejecutadas cinco veces con diez modelos. NVIDIA comunica 4.309 éxitos de 4.400 registros, un 97,9%. En el subset de estrés baja al 84,7%. Esa diferencia importa para lotes largos, recuperación y descomposición. Evaluación publicadaResultado NOOAInterpretación útil Suite de capacidades97,9% totalLos modelos actuales suelen entender la interfaz de objetos Python Subset de estrés84,7% totalEl trabajo multistep todavía necesita evaluaciones SWE-bench Verified, GPT-5.5 xhigh82,2%El", "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": "resumen técnico oficial de NVIDIA", "url": "https://developer.nvidia.com/blog/six-agent-harness-capabilities-for-higher-model-performance/" }, { "@type": "WebPage", "name": "informe técnico de NOOA", "url": "https://arxiv.org/html/2607.20709v1" }, { "@type": "WebPage", "name": "README oficial de NOOA y su aviso de seguridad", "url": "https://github.com/NVIDIA-NeMo/labs-OO-Agents/blob/main/README.md" }, { "@type": "WebPage", "name": "documentación oficial de releases", "url": "https://github.com/NVIDIA-NeMo/labs-OO-Agents/blob/main/RELEASING.md" }, { "@type": "WebPage", "name": "documentación oficial de LangGraph", "url": "https://docs.langchain.com/oss/python/langgraph/overview" }, { "@type": "WebPage", "name": "documentación de OpenAI Agents SDK", "url": "https://openai.github.io/openai-agents-python/" } ], "dateModified": "2026-08-09", "datePublished": "2026-08-09", "description": "NVIDIA Object-Oriented Agents, o NOOA, es un framework en fase de investigación y con licencia Apache 2.0 que representa un agente de IA como una clase de Python: los métodos son capacidades, los campos son estado, los docstrings son prompts y las anotaciones de tipo son contratos validados. NVIDIA comunica resultados sólidos con un harness generalista compacto, entre ellos un 82,2% en SWE-bench Verified con GPT-5.5 y un 86,8% en CyberGym L1. Son benchmarks publicados por el proveedor, no una prueba de éxito para un workflow empresarial. NOOA merece un piloto acotado para equipos Python que necesiten objetos vivos, code-as-action y estado explícito. No es una frontera de seguridad: el Python escrito por el modelo se ejecuta en el proceso del agente, así que producción exige aislamiento del sistema operativo, credenciales mínimas, evaluaciones, aprobaciones y un dueño operativo.", "headline": "Análisis de NVIDIA NOOA: ¿están listos para producción sus agentes?", "image": "https://wavect.io/img/blog/headers/header_nvidia-nooa-object-oriented-agents-review.svg", "inLanguage": "es", "keywords": "Agentes de IA, Python", "mainEntityOfPage": { "@id": "https://wavect.io/es/blog/nvidia-nooa-object-oriented-agents-review/", "@type": "WebPage" }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/es/blog/nvidia-nooa-object-oriented-agents-review/", "wordCount": 2368 } ``` ```json { "@context": "https://schema.org", "@type": "BreadcrumbList", "itemListElement": [ { "@type": "ListItem", "item": "https://wavect.io/es/", "name": "Inicio", "position": 1 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/overview/", "name": "Resumen del blog", "position": 2 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/topics/ai-agents/", "name": "IA y agentes", "position": 3 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/clusters/agent-engineering/", "name": "Ingeniería de agentes", "position": 4 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/nvidia-nooa-object-oriented-agents-review/", "name": "NVIDIA NOOA: agentes de IA orientados a objetos | ", "position": 5 } ] } ``` ```json { "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [ { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "NOOA significa NVIDIA Object-Oriented Agents, también escrito NVIDIA double-O Agents. Es un framework Python que representa un agente como un objeto con métodos, campos, docstrings y contratos tipados." }, "name": "¿Qué significa NVIDIA NOOA?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "No. NOOA es un agent harness agnóstico respecto al modelo. Organiza ejecución, contexto, estado, memoria y validación alrededor de modelos alojados o locales." }, "name": "¿NVIDIA NOOA es un modelo de IA?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Sí. NVIDIA publica framework, ejemplos, tests de capacidades, agentes de benchmark y paquetes complementarios con licencia Apache 2.0." }, "name": "¿NOOA es open source?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "No necesariamente. Puede llamar modelos alojados o servidores locales. El hardware depende del modelo y deployment elegidos, no del paradigma orientado a objetos." }, "name": "¿NOOA necesita una GPU NVIDIA?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Los contratos tipados y métodos deterministas mejoran validación, pero NOOA también ejecuta Python escrito por el modelo. Sigue necesitando contención del SO, mínimo privilegio, aprobaciones y verificación." }, "name": "¿NOOA es más seguro que un agente de tool calling?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "No sin un benchmark propio. NOOA destaca con objetos vivos y code-as-action. LangGraph está orientado a ejecución durable e intervención humana. Compara ambos sobre el mismo workflow y frontera de seguridad." }, "name": "¿Debe una empresa sustituir LangGraph por NOOA?" } ] } ```