構建智能體不僅僅是“調用API”，而是需要將檢索、語音、安全和推理組件整合在一起，使其像一個統(tǒng)一并互相協(xié)同的系統(tǒng)一樣運行。每一層都有自己的接口、延遲限制和集成挑戰(zhàn)，一旦跨過簡單的原型就會開始感受到這些挑戰(zhàn)。

在本教程中，您將學習如何使用2026年CES發(fā)布的最新NVIDIANemotron語音、RAG、安全和推理模型，去構建一個帶有護欄的語音驅動RAG智能體。最終您將擁有具備如下功能的一個智能體：

聽取語音輸入

使用多模態(tài)RAG將智能體錨定在您的數(shù)據(jù)之上

長上下文推理

在響應之前應用護欄規(guī)則

以音頻的形式返回安全答案

您可以在本地GPU上進行開發(fā)，然后將相同的代碼部署到可擴展的NVIDIA環(huán)境中，無論是托管的GPU服務、按需云工作區(qū)，還是生產(chǎn)就緒的API運行時，都無需更改工作流。

先決條件

在開始這次教程之前，您需要：

用于云托管推理模型的NVIDIA API密鑰（免費獲?。?/p>

本地部署需要：

約20GB的磁盤空間

至少24GB顯存的NVIDIA GPU

支持Bash的操作系統(tǒng)(Ubuntu、macOS或Windows Subsystem for Linux)

Python 3.10+環(huán)境

一小時的空閑時間

您將構建的內容

圖1.帶有RAG和安全護欄的語音智能體的端到端工作流。

表1.本教程中用于構建語音智能體的Nemotron模型概覽，包括用于ASR、嵌入、重排序、視覺語言、長上下文推理和內容安全的模型。

步驟1：設置環(huán)境

要構建語音智能體，您需要同時運行多個NVIDIANemotron模型（如上所示）。語音、嵌入、重排序和安全模型通過Transformer和NVIDIA NeMo在本地運行，推理模型則使用NVIDIA API。

uvsync--all-extras

配套的Notebook會處理所有的環(huán)境配置。設置用于云托管推理模型的NVIDIA API密鑰，即可開始使用。

步驟2：使用多模態(tài)RAG構建智能體基座

檢索是可靠智能體的支柱。借助全新的LlamaNemotron多模態(tài)嵌入和重排序模型，您可以嵌入文本、圖像（包括掃描文檔），并直接將其存儲在向量索引中，無需額外的預處理。這可以檢索推理模型所依賴的真實上下文，確保智能體參考的是真實企業(yè)數(shù)據(jù)而非產(chǎn)生幻覺。

圖2.具有離線索引和在線檢索的多模態(tài)RAG管道。

llama-nemotron-embed-vl-1b-v2模型支持三種輸入模式——純文本、純圖像和圖像與文本的組合，讓您能夠對從純文本文檔到幻燈片和技術圖表的各種內容進行索引。在本教程中，我們將嵌入一個同時包含圖像和文本的示例。該嵌入模型通過Transformers加載，并啟用flash attention：

from transformers import AutoModel
 
model = AutoModel.from_pretrained(
    "nvidia/llama-nemotron-embed-vl-1b-v2",
    trust_remote_code=True,
    device_map="auto"
).eval()
 
# Embed queries and documents
query_embedding = model.encode_queries(["How does AI improve robotics?"])
doc_embeddings = model.encode_documents(texts=documents)

在初始檢索后，llama-nemotron-rerank-vl-1b-v2模型會結合文本和圖像對結果進行重新排序，以確保檢索后的準確性更高。在基準測試中，添加重排序可將準確率提高約6-7%，這在精度要求較高的場景中是一項顯著的提升。

步驟3：使用NemotronSpeech ASR添加實時語音功能

錨定完成后，下一步是通過語音實現(xiàn)自然交互。

圖3.基于NVIDIANemotronSpeech ASR的ASR管道

Nemotron Speech ASR是一個流式模型，基于Granary數(shù)據(jù)集中數(shù)萬小時的英語音頻及多種公開語音語料庫進行訓練，同時經(jīng)過優(yōu)化實現(xiàn)超低延遲的實時解碼。開發(fā)者將音頻流式傳輸?shù)紸SR服務，在收到文本結果后，將輸出直接輸入到RAG管道中。

import nemo.collections.asr as nemo_asr
 
model = nemo_asr.models.ASRModel.from_pretrained(
    "nvidia/nemotron-speech-streaming-en-0.6b"
)
transcription = model.transcribe(["audio.wav"])[0]

該模型具備可配置的延遲設置，在80毫秒的最低延遲設置下，平均字詞錯誤率(Word Error Rate, WER)為8.53%，延遲為1.1秒時，WER進一步降低至7.16%，這一表現(xiàn)顯著低于語音助手、現(xiàn)場工具和免提工作流所要求的一秒關鍵閾值。

步驟4：使用Nemotron內容安全和PII模型強制執(zhí)行安全措施

跨地區(qū)和跨語言運行的AI智能體不僅必須理解有害內容，還必須理解文化細微差別和上下文相關的含義。

圖4.使用NVIDIA LlamaNemotronSafety Guard模型的安全管道，檢測安全或不安全內容。

llama-3.1-nemotron-safety-guard-8b-v3模型可提供20多種語言的多語言內容安全，并可對23個安全類別進行實時PII檢測。

該模型通過NVIDIA API提供，無需額外托管基礎設施，即可輕松添加輸入和輸出過濾。它可以基于語言、方言和文化背景區(qū)分含義不同但表達相似的短語，這在處理可能受到干擾或非正式的實時ASR輸出時尤為重要。

from langchain_nvidia_ai_endpoints import ChatNVIDIA
 
safety_guard = ChatNVIDIA(model="nvidia/llama-3.1-nemotron-safety-guard-8b-v3")
result = safety_guard.invoke([
    {"role": "user", "content": query},
    {"role": "assistant", "content": response}
])

步驟5：使用Nemotron3 Nano添加長上下文推理功能

NVIDIANemotron3 Nano為智能體提供推理能力，結合了高效的混合專家(MoE)機制和混合Mamba-Transformer架構，支持1M token上下文窗口。這使得模型能夠在單個推理請求中合并檢索到的文檔、用戶歷史記錄和中間步驟。

圖5.使用NVIDIANemotron3 Nano的推理管道。

當檢索到的文檔包含圖像時，智能體首先使用NemotronNano VL來描述這些圖像，然后將所有信息傳遞給Nemotron3 Nano以獲得最終的響應。該模型支持可選的思考模式，可用于更復雜的推理任務：

completion = client.chat.completions.create(
    model="nvidia/nemotron-3-nano-30b-a3b",
    messages=[{"role": "user", "content": prompt}],
    extra_body={"chat_template_kwargs": {"enable_thinking": True}}
)

輸出在返回之前會通過安全過濾器，將您的檢索增強型查找轉換為具有完整推理能力的智能體。

步驟6：使用LangGraph將所有內容連接起來

LangGraph將整個工作流編排為一個有向圖。每個節(jié)點處理一個階段，即轉錄、檢索、圖像描述、生成和安全檢查，組件之間有清晰的切換：

VoiceInput→ASR→Retrieve→Rerank→DescribeImages→Reason→Safety→Response

智能體狀態(tài)流經(jīng)每個節(jié)點，并在過程中積累上下文。這種結構簡化了添加條件邏輯、重試失敗步驟或基于內容類型進行分支。配套Notebook中的完整實現(xiàn)展示了如何定義每個節(jié)點，并將其連接到生產(chǎn)就緒型管道中。

步驟7：部署智能體

智能體能夠在本地機器上穩(wěn)定運行后，您就可以將其部署到任意位置。在需要分布式攝取、嵌入生成或大規(guī)模批量向量索引時，可使用NVIDIA DGX Spark。Nemotron模型可以進行優(yōu)化、打包并作為NVIDIANIM運行（一套預構建的GPU加速推理微服務，專為在NVIDIA基礎設施上部署AI模型而設計），并可直接從Spark調用以進行可擴展的處理。當您需要按需的GPU工作空間且無需系統(tǒng)設置直接運行Notebook，同時還希望獲得可與團隊輕松共享的Spark集群遠程訪問時，可以選擇使用NVIDIA Brev。

如果您想查看適用于物理機器人助手的相同部署模式，請查看基于Nemotron和DGX Spark的ReachyMini個人助理教程。

兩個環(huán)境都使用相同的代碼路徑，因此您可以由實驗階段平穩(wěn)過渡到生產(chǎn)環(huán)境，所需的修改極少。

您所構建的內容

現(xiàn)在，您擁有一個由Nemotron驅動的智能體核心結構，該結構由四個核心組件組成：用于語音交互的語音ASR、用于實現(xiàn)信息真實性的多模態(tài)RAG、考慮文化差異的多語言內容安全過濾，以及用于長上下文推理的Nemotron3 Nano。相同的代碼適用于本地開發(fā)到生產(chǎn)級GPU集群運行。

表2.用于構建基于Nemotron的語音智能體的四個組件概覽——多模態(tài)RAG、語音ASR、多語言內容安全和長上下文推理。

本教程中的每個部分都與Notebook中的相應部分直接對應，因此您可以逐步實施和測試該流程。一旦端到端工作正常，相同的代碼即可擴展到生產(chǎn)部署。

關于作者

Chris Alexiuk 是 NVIDIA 的深度學習開發(fā)者倡導者，負責創(chuàng)建技術資源，幫助開發(fā)者使用 NVIDIA 提供的一整套強大 AI 工具。Chris 擁有機器學習和數(shù)據(jù)科學背景，對大型語言模型的一切充滿熱情。

Isabel Hulseman 是 NVIDIA 的綜合營銷經(jīng)理，專注于人工智能軟件。她的興趣領域包括用于構建、定制和部署大型語言模型和生成人工智能應用程序的加速推理和解決方案。