NVIDIA Agent Fleet

NVIDIA Agent Fleet — 19个模型Agent + 智能调度引擎 + 并行协作

Security Scan

该技能自称为“NVIDIA 集群调度器”，但代码在运行时会自动搜索并可能执行用户的 shell 配置来获取 API key、并将任务文本发送到外部 NVIDIA API；此外 registry 中列出的许多模型并非 NVIDIA 所有，功能与声明不完全一致——存在不相称与数据/凭据泄露风险。

Purpose & Capability

技能名与描述强调“ NVIDIA Agent Fleet”，但 agents/registry 列出了来自多家厂商（Mistral、Qwen、Meta、Google 等）的模型，且 dispatcher 将把任务发送到一个统一的 NVIDIA API 端点。把多厂商模型包装为“ NVIDIA”调度器是误导性的/不一致的：如果这个 endpoint 并非真正代理这些模型，调用可能失败或行为不明确。

Instruction Scope

运行时指令和代码会自动发现 API key：先检查环境变量，然后用 subprocess 去 source ~/.zshrc 并 echo 变量（这会执行用户的 shell 启动脚本），还会读取 ~/.openclaw/openclaw.json 与 /opt/homebrew/etc/openclaw.yaml 并深度搜索内部字段。该行为超出多数用户期望（会读取并间接执行用户配置文件），并会把用户输入/消息发送到外部 API，从而可能泄露敏感数据。

Install Mechanism

无安装规范（instruction-only），没有下载外部二进制或归档，这是相对低风险；但仓库随附 Python 代码，会在本地解释执行，故静态无 install 不等于无执行风险。

Credentials

技能元数据宣称无需环境变量，但代码会主动寻找 NVIDIA_API_KEY（以及在 shell 配置和 openclaw.json 中查找），这与声明不一致。自动从多个位置（包括用户的 shell 配置）提取凭据在权限上不成比例，会增加意外泄露或误用凭据的风险。

Persistence & Privilege

技能未设置 always: true，也未声明修改其他技能或系统配置。主要风险来自于：允许模型/代理自动调用外部 API（disable-model-invocation 未禁用）并且会自动检索本地凭据 —— 将自动调用与凭据自动发现结合，会扩大潜在泄露范围；但技能本身不显式要求长期驻留或篡改其他配置。

What to consider before installing

主要风险点： - 该技能会自动尝试检索 NVIDIA_API_KEY：它不仅读取环境变量，还会用 subprocess 去 source ~/.zshrc（会执行该文件），并扫描本地 openclaw 配置文件。这能意外运行用户 shell 启动脚本并暴露其他敏感内容。 - 调度器会把你的任务文本与 system/user prompts 发送到外部 URL (https://integrate.api.nvidia.com/v1)，并带上发现的 API Key —— 所有被发送的内容都可能到达第三方服务。不要让它处理密码、私有代码、API 密钥或敏感 PII，除非你完全信任源头并能验证 endpoint 的合法性。 - registry 列出的模型来自多个供应商，但技能把它们包装为“ NVIDIA Fleet”，这可能是误导或与实际后端能力不匹配。 建议操作： 1) 在安装前要求作者/发布者提供源码来源与 homepage，确认该 NVIDIA API 端点是否官方、以及它如何代理或路由到其他模型。不要仅信任匿名发布者。 2) 在受控环境或沙箱中先运行：用非敏感示例调用，观察网络请求与外发域名，确认不会上传敏感数据。 3) 优先提供显式的 NVIDIA_API_KEY（通过安全方式/秘密管理器）而关闭自动发现；若不得已使用自动发现，先从 ~/.zshrc 或 openclaw.json 中删除敏感条目并备份。 4) 若不信任该技能来源，拒绝安装；或者手动审计并修改代码（移除对 ~/.zshrc 的 source 调用，限制配置文件搜索路径，明确要求用户提供 API key）。 如果你希望我帮你，我可以：检查完整的 dispatcher/fleet.py（剩余被截断部分），指出所有可能的外联点与凭据访问点，或生成修改建议（如移除 source 调用并改为只读取 explicit env var）。

多 Agent 调度系统。每个 NVIDIA 模型拥有专属 Agent 身份，调度器自动分析任务类型并分配最佳 Agent 执行。

架构

任务输入 → 调度引擎 → 任务分类 → Agent 匹配 → 执行
                                            ├── DeepSeek V3.2 🧠
                                            ├── Qwen Coder 32B 💻
                                            ├── Kimi K2 🇨🇳
                                            ├── Llama 4 Maverick 🦙
                                            └── ... 19 个 Agent

Agent 阵容 (19个)

Agent	模型	专长
🧠 deepseek-v3-2	DeepSeek V3.2	推理、逻辑、数学
🇨🇳 kimi-k2	Kimi K2	中文、长文本、知识
🤔 kimi-k2-thinking	Kimi K2 Thinking	深度思考、推理
🏆 mistral-large-3	Mistral Large 3 (675B)	通用智能、多语言
⚡ mistral-small	Mistral Small 4	快速响应
💻 qwen-coder-32b	Qwen2.5 Coder 32B	代码生成、算法
🦾 qwen3-coder-480b	Qwen3 Coder 480B	架构设计、审查
🔧 deepseek-coder	DeepSeek Coder 6.7B	轻量代码、SQL
⚙️ codestral	Codestral 22B	代码补全、填空
🦙 llama-3-3-70b	Llama 3.3 70B	通用对话
🦙🆕 llama-4-maverick	Llama 4 Maverick	创意、分析
🔬 gemma-3-27b	Gemma 3 27B	学术、科学
🏎️ phi-4-mini	Phi-4 Mini	极速响应
💨 gemma-3-4b	Gemma 3 4B	超轻量
🌏 yi-large	Yi Large	中文优化
🏛️ glm-5-1	GLM 5.1	中文问答
🐉 qwen-3-5-397b	Qwen 3.5 397B	超大中文
👁️ llama-vision-90b	Llama Vision 90B	视觉理解
📐 nv-embed	NV-EmbedQA	文本嵌入

使用

CLI

# 自动调度最佳 Agent
fleet "用Python写一个快速排序"

# 分析任务会匹配哪些 Agent
fleet analyze "解释一下量子纠缠"

# 指定 Agent 执行
fleet agent qwen-coder-32b "实现二分查找"

# 多 Agent 协同
fleet multi "如何看待人工智能的未来？"

# 列出所有 Agent
fleet list

⚡ 并行执行（v1.1.0 新增）

# 多 Agent 并行协同（同时调不同模型，互不等待）
fleet --multi --parallel "对比茅台和五粮液的财务状况"

# 指定 Agent 并行
fleet --multi --parallel --agent deepseek-v3-2,kimi-k2 "分析这个创业方案"

# 仍支持原有串行模式
fleet --multi "分析市场趋势"

并行 vs 串行 速度对比

串行: 任务A→任务B→任务C→任务D = 4个加起来
并行: 同时发4个请求 = 最慢那个决定总时间
加速比: x2~4 (取决于模型)

自动超时保护

每个模型有独立超时时间，快的先出结果，慢的到点自动跳过：

模型	超时	说明
Llama 4 Maverick	15s	写作/报告类，极快
Qwen Coder 32B	20s	代码/数据处理
Kimi K2	25s	中文分析
DeepSeek V3.2	35s	深度推理（最慢）
其他	30s	通用

API Key 自动发现

支持多级检索，无需手动设置环境变量：

1. $NVIDIA_API_KEY (环境变量)
2. ~/.zshrc (常用 shell 配置)
3. openclaw.json (OpenClaw 配置)

Python SDK

from dispatcher.fleet import dispatch, select_agents, multi_dispatch

# 自动匹配
result = dispatch("实现一个Web服务器")
print(result["content"])

# 多Agent协同（串行）
results = multi_dispatch("哲学问题：意识是什么？")

# 多Agent协同（并行执行）🚀
results = multi_dispatch("分析市场", parallel=True)
for r in results:
    print(f"{r['emoji']} {r['name']}: {r['content'][:100]}...")

v1.1.0 变更

✨ 新增

• 并行执行模式 (--parallel / -p): 多 Agent 同时调用，互不等待
• 逐模型超时保护: 每个模型有独立超时，慢的不拖累快的
• API Key 自动发现: 环境变量 → .zshrc → openclaw.json 三级检索
• 线程安全: ThreadPoolExecutor + Lock 确保日志不串

🔧 优化

• 执行失败时优雅降级，已完成结果不受影响
• 超时模型明确标记，不阻塞整体流程