ironclaw

IronClaw 1.0 vient de donner au staking $NEAR un véritable cas d'usage au-delà du rendement. Voici le détail complet de ce qui a changé, pourquoi l'architecture tient la route et ce que cela signifie si vous en détenez.
Le problème avec la plupart des #AI agents
Chaque framework d'agent conçu jusqu'à présent partage la même faiblesse structurelle. Le modèle qui décide quoi faire est directement relié aux identifiants qu'il détient, aux outils qu'il peut appeler et à la mémoire qu'il conserve, le tout regroupé dans un seul système sans séparation entre eux. Cela signifie qu'une seule mauvaise décision, un seul outil compromis ou une seule connexion interrompue peut anéantir les progrès ou exposer un accès qu'il n'aurait jamais dû avoir au départ.

Les agents IA deviennent plus capables.
‎Mais plus elles deviennent capables, plus une question devient importante.
‎Pouvons-nous réellement contrôler ce qu’ils font ?
‎C’est l’une des choses qui a attiré mon attention en examinant IronClaw 1.0 de NEAR AI. @NEAR Protocol
‎La plupart des gens se concentrent sur ce qu’un modèle d’IA peut penser.
‎IronClaw adopte une approche légèrement différente en prêtant attention à ce qui se passe après que l’IA a pris sa décision.
‎Le modèle réfléchit à ce qu’il faut faire.
‎Ensuite, le Guard se place entre le modèle et l’action.

Imaginez une entreprise où n’importe qui peut proposer un virement bancaire. Le marketing peut en demander un, l’ingénierie peut en demander un, les RH peuvent en demander un. Mais peu importe qui l’initie, l’argent ne bouge pas tant qu’il n’est pas passé par un guichet unique d’approbation qui applique les mêmes vérifications à chaque fois. Aucun service n’a de porte dérobée. C’est l’idée de base derrière IronClaw 1.0 de NEAR AI : l’agent peut raisonner sur ce qu’il veut faire, mais l’action elle-même doit passer par une couche unique de coordination avant de pouvoir s’exécuter.

Les agents d’IA deviennent bien plus capables que les chatbots. Ils commencent à planifier, à exécuter des tâches, à interagir avec des applications et à assister des flux de travail de plus en plus complexes. À mesure que ces capacités se développent, une question devient plus importante : comment rendre l’IA autonome digne de confiance ?
C’est ici que @NEAR Protocol adopte une approche intéressante avec IronClaw 1.0.
Au lieu de permettre à un modèle d’IA de réfléchir et d’exécuter des actions sans supervision, IronClaw introduit une couche Guard qui sépare la prise de décision de l’exécution. Les opérations sensibles nécessitent une approbation explicite, créant ainsi une couche de sécurité supplémentaire pour les flux de travail alimentés par l’IA.

I’ve been looking at what happens when AI moves beyond giving answers and starts taking actions.
That is where the real challenge begins. An agent can be capable, but can it act within clear boundaries, preserve its work, and handle sensitive tasks safely?
That is what makes IronClaw 1.0 from @NEAR Protocol worth examining.
#NEARAI Cloud provides the infrastructure behind this direction, giving developers a way to run AI workloads with stronger privacy and verifiable security. Its confidential computing approach uses Trusted Execution Environments (TEEs) to isolate sensitive AI workloads, while cryptographic attestation can provide evidence about where and how the computation was performed.
#ironclaw sits on the agent side of that infrastructure. Its purpose is to give autonomous agents a controlled environment for reasoning, using tools and carrying out tasks without giving the model unrestricted access to everything around it.
Architecture: Decision-Making vs Execution:
#IronClaw separates the AI model from the tools it controls through a guard layer.
The model makes the decision. The guard controls whether and how that decision becomes an action, with permissions, approvals and security controls in between.
That is a much more practical approach to agent security than simply relying on the model to follow instructions.
Benchmark Performance:
Using deepseek v4 flash as the base model, IronClaw leads across the three highlighted benchmarks:
• PinchBench — 93.5%
• ClawBench — 88.6%
• OfficeQA — 76.4%
The consistency across different types of tasks is what stands out to me.
Built for Real Work
The other part I find important is what happens when things don't go perfectly.
IronClaw supports explicit approvals, continuous checkpoints, and persistent state, allowing interrupted work to resume rather than being lost.
Its memory also works across CLI, Web, Slack and Telegram, while team isolation helps maintain individual permissions and workspace boundaries.
NEAR AI & Staking
NEAR AI extends this into the infrastructure layer, with confidential computing and TEE-based environments for AI workloads.
Its staking model connects NEAR staking to AI compute credits, meaning staking is not simply about yield. It helps support the infrastructure required to run agents and confidential inference.
My Take
For me, the interesting part isn't just that IronClaw scores well.
It is the decision to treat security, permissions and execution as part of the agent architecture itself.
If AI agents are going to handle serious business tasks, that distinction between what an agent wants to do and what it is actually allowed to do could become increasingly important.
Check out more LinkedIn article for more insights:
https://www.linkedin.com/pulse/ironclaw-10-secure-agent-harness-redefining-trust-autonomous-mary-xklle

Les agents d’IA vont au-delà de la simple réponse aux questions.
Ils peuvent naviguer sur des sites web, travailler avec des documents, utiliser des outils, interagir avec des logiciels et, de plus en plus, exécuter des tâches au nom des utilisateurs.
Mais à mesure que les agents gagnent en capacité d’action, une question devient plus importante :
Comment accorder suffisamment d’autorité à l’IA pour qu’elle soit utile, sans lui donner trop de liberté ?
C’est ici que l’IronClaw 1.0 de @NEAR Protocol et NEAR AI deviennent particulièrement intéressants.
Une approche différente de l’architecture des agents d’IA
Les systèmes d’IA traditionnels se concentrent largement sur l’amélioration de la capacité du modèle à raisonner.

Les agents IA vont au-delà des simples réponses aux questions.
On leur demande de plus en plus d’exécuter des tâches, d’interagir avec des logiciels, de gérer des flux de travail et, à terme, d’opérer sur des infrastructures financières et numériques.
Cela crée un nouveau problème.
Comment donner à un agent IA la capacité d’agir sans lui donner une permission illimitée d’agir ?
C’est là que IronClaw 1.0 de @NEAR Protocol devient intéressant.
De la pensée à l'action
Les systèmes d’IA traditionnels fonctionnent surtout autour de la génération d’une réponse.
Un système agentique est différent. Il doit raisonner, prendre des décisions, interagir avec des systèmes externes et exécuter des actions.

Ce que je trouve intéressant dans l’approche de @NEAR Protocol est qu’elle considère les agents d’IA comme une infrastructure, et non simplement comme des chatbots dotés de plus d’outils.
Beaucoup de systèmes d’agents font encore passer le raisonnement, l’exécution, les secrets et l’accès à Internet par la même boucle. Cela peut être impressionnant dans une démonstration, mais le travail en conditions réelles est une autre histoire. Plus un agent a accès à d’outils, plus il y a de risques que quelque chose tourne mal.
IronClaw 1.0 adopte une approche différente.
L’agent prend les décisions, tandis qu’une couche de coordination distincte appelée le garde contrôle la manière dont ces décisions sont exécutées. Chaque action passe par cette couche, y compris les nouvelles capacités ajoutées plus tard.

Quand l’IA peut tout faire, qui garde un œil ?
Depuis longtemps, les agents IA sont des « touche-à-tout » : ils savent rechercher, gérer des fichiers, interagir avec des sites web et communiquer à travers différentes plateformes. Mais lorsqu’un seul agent est chargé à la fois de décider quoi faire et de l’exécuter effectivement, la marge d’erreur, les risques de sécurité et la perte de contrôle augmentent
C’est le défi <c-36/> que relève IronClaw 1.0. Fidèle à son nom, IronClaw est conçu pour donner aux agents IA une prise plus solide sur la façon dont ils agissent, en séparant la prise de décision de l’exécution grâce à une couche de coordination axée sur la sécurité appelée le Guard. Cela signifie qu’un agent IA peut déterminer ce qu’il estime devoir se produire, tandis qu’une couche distincte encadre ce qu’il est réellement autorisé à faire

En tant que personne qui a été écrivain@DAO Labs pendant assez longtemps, j’ai eu l’occasion d’explorer de nombreux projets d’IA. J’ai vu à la fois ce que les agents d’IA peuvent faire et les risques liés au fait de leur donner davantage de liberté.
Que se passe-t-il lorsque les agents d’IA deviennent suffisamment capables pour agir de leur propre chef, mais que nous ne pouvons toujours pas leur faire entièrement confiance ?
Rendre les agents d’IA sûrs et fiables est essentiel à leur adoption et à leur utilité. Le protocole NEAR, avec la publication d’IronClaw 1.0, est le premier à tenter de fournir des cadres et des outils pour relever ce défi.

Les agents IA évoluent de systèmes qui se contentent de répondre à des systèmes capables de raisonner et d’exécuter des tâches complexes dans le monde réel.
Ils vont au-delà de la simple réponse aux questions et commencent à parcourir le web, travailler avec des fichiers, interagir avec des applications, utiliser des API et exécuter des tâches en plusieurs étapes. Mais à mesure que les agents gagnent en autonomie, une question cruciale se pose : comment donner à l’IA la capacité d’agir sans sacrifier la sécurité, la fiabilité et le contrôle de l’utilisateur ?
@NEAR Protocol ’IronClaw 1.0 propose une approche intéressante de ce défi en repensant la manière dont un agent IA pense, agit et maintient sa progression.

Introduction: The Next Phase of AI Agents
Artificial intelligence agents have moved beyond simple question-answering. Today's agents schedule meetings, manage files, conduct research, and interact across multiple platforms. But this evolution introduces a critical architectural challenge: how do we ensure AI agents act safely when they have real-world capabilities?
@NEAR Protocol addresses this with IronClaw 1.0, a revolutionary agent harness that fundamentally rethinks AI agent architecture by separating decision-making from execution through a secure coordination layer.
IronClaw 1.0: Architecture Built for Safety
Traditional AI agents follow a monolithic design where the same model that reasons also executes actions directly. #IronClaw breaks this pattern by introducing a "guard" layer between the decision-making model and the execution environment.
Every action an IronClaw agent wants to take must pass through this guard layer. Sensitive operations—like sending emails, making payments, or modifying files—require explicit user approval before execution. This design ensures that even highly capable agents operate within defined safety boundaries.
Benchmark Dominance: Performance Meets Safety
In NEAR AI's evaluations published in July 2026, IronClaw 1.0 achieved top positions across three major agent benchmarks, all using the same deepseek-v4-flash base model for fair comparison:
PinchBench: 93.5% – Evaluating 147 real-world tasks including scheduling, email triage, coding, research, and file management. IronClaw outperformed the nearest competitor by four percentage points.
ClawBench: 88.6% – Testing multi-step workflows across 140+ real production websites. The guard layer's ability to intercept irreversible submissions contributed to a 4.7-point advantage over industry averages.
OfficeQA: 76.4% – Assessing grounded reasoning over extensive U.S. Treasury document collections, reducing errors by 12% compared to alternatives like Hermes.
These results demonstrate that safety-by-design doesn't compromise performance—IronClaw leads precisely because its architecture enables more reliable, controlled execution.
Key Features: Built for Production
Beyond its core architecture, IronClaw 1.0 introduces several production-grade capabilities:
Persistent State Through Checkpoints: Unlike traditional agents that lose context between sessions, IronClaw continuously checkpoints its state. Work resumes exactly where it left off, even across days or platform switches.
Omni-Channel Memory: IronClaw maintains unified context across CLI, web interfaces, Slack, and Telegram. Actions started on one channel can be monitored or approved from another.
Team Isolation: Organizations can deploy multiple IronClaw instances with isolated memory and permissions, enabling secure multi-team AI operations without cross-contamination risks.
NEAR AI & Staking: Securing Decentralized AI Infrastructure
IronClaw 1.0 is part of NEAR's broader vision for user-owned, decentralized AI. #NEARAI enables users to stake NEAR tokens to access confidential AI inference and always-on agent hosting—transforming staking from a passive yield mechanism into active infrastructure participation.
When you stake NEAR for AI, your tokens do two jobs simultaneously: they set your monthly compute credit budget and determine how many parallel agents you can run. Over 500,000 NEAR is already staked, powering 40+ models from providers including Anthropic, OpenAI, Google, and NEAR AI's own IronClaw.
This staking mechanism secures the underlying decentralized infrastructure that AI agents like IronClaw—and the upcoming OpenClaw—will rely on. Rather than depending on centralized cloud providers, NEAR AI creates a user-owned compute layer where stakers directly fund and govern the network.
The Road Ahead
IronClaw 1.0 represents more than a technical achievement—it's a blueprint for how AI agents should operate in enterprise environments. By prioritizing safety through architectural separation, maintaining persistent state, and integrating with a decentralized staking economy, NEAR is building infrastructure for a future where AI is both powerful and user-controlled.
As decentralized AI matures, the projects that balance capability with control will define the next generation of intelligent systems. IronClaw 1.0 is leading that charge.
🎯 This article is based on official NEAR AI documentation and community analysis from Binance Square (August 2026).

L’IA va au-delà des systèmes qui se contentent de répondre aux questions.
Nous sommes passés des chatbots aux assistants capables d’utiliser des outils, puis aux agents capables de naviguer sur le web, de travailler avec des fichiers, d’appeler des API et d’exécuter des tâches en notre nom.
Mais à mesure que les agents deviennent plus capables, une question plus large se pose :
Que se passe-t-il quand une IA peut réellement agir ?
Cela rend l’architecture des agents tout aussi importante que l’intelligence du modèle.
C’est le problème que @NEAR Protocol l’IA cherche à résoudre avec IronClaw 1.0, un framework sécurisé et open source d’agent IA, développé en Rust.

AI agents are moving into a different phase.
They are no longer limited to generating answers. They can browse websites, manage files, write code, handle information, and execute multi-step workflows.
That added capability creates a new engineering problem.
When software can act on your behalf, how do you control what it is allowed to do? How do you make sure an interrupted task does not disappear? And how do you protect the infrastructure handling the data and computation behind it?
That is what makes IronClaw 1.0 from @NEAR Protocol interesting to examine.
The important boundary is between deciding and doing
IronClaw 1.0 is a rebuilt agent harness from #NEARAI . It is built around a simple architectural separation: the component that decides what to do is distinct from the component that executes the action.
Between them is a coordination layer called the guard.
Every action passes through this path. Sensitive actions can require explicit approval before execution. That creates a control point between an agent's reasoning and its ability to affect an external system.
The guard is not wrapped around the agent after launch. It is part of the execution path.
That is where being safer by design becomes practical. A rule set once is meant to hold when a new tool is added later.
Capability is not enough if the work cannot survive
An agent handling real work also needs persistence.
IronClaw continuously checkpoints its state. If a task is interrupted, paused for permission, or the session needs to restart, the work can resume from where it stopped instead of being lost.
An interruption becomes a pause rather than a reason to repeat the entire task.
The same principle extends across channels. CLI, Web, Slack, and Telegram can function as one assistant, with shared memory and the same safety rules.
For organizations, #IronClaw supports different isolation models. Multi-tenant deployments allow teams to share tools and skills while keeping individual workspaces private from administrators by default, with auditable access when required. Single-tenant deployments can provide complete isolation.
These details are easy to overlook when discussing AI agents. They become important once the software is expected to operate around real organizational data.
The benchmarks test whether control comes at a performance cost
A reasonable question follows: does adding another control point make an agent less capable?
NEAR AI tested IronClaw across three benchmarks using the same deepseek-v4-flash base model. That choice isolates the harness.
PinchBench: 93.5% across 147 real tasks involving scheduling, email triage, coding, research, and file management.
ClawBench: 88.6% across more than 140 real production websites, testing write-heavy, multi-step tasks.
OfficeQA: 76.4% on enterprise document reasoning across nearly 89,000 pages of U.S. Treasury Bulletins containing more than 26 million numerical values.
These tests expose different kinds of agent work: office workflows, live web interaction, and dense documents.
The numbers do not prove IronClaw will win every workflow. They show something narrower and more useful: adding a control layer did not prevent leading results across very different forms of agent execution.
Where NEAR AI and staking fit
IronClaw does not float on its own. It sits inside the broader NEAR AI infrastructure, which is built around private and verifiable AI.
NEAR AI Cloud uses confidential computing, including Trusted Execution Environments, for eligible workloads. Privacy is meant to rest on technical isolation and verification, not only on trusting whoever operates the machines.
I find this the more interesting half of the architecture, honestly. It is not just about controlling what the agent does anymore, it is about the privacy and verifiability of the environment the agent is even running in.
Staking is the part of this story that often gets flattened into yield. On NEAR, there are two related but distinct roles.
At the protocol level, staking supports Proof of Stake. Users delegate NEAR to validators who participate in validation and consensus. Economic stake is part of how the network stays secure.
NEAR AI also uses staking for services such as confidential inference and always-on agent hosting. In that model, staked NEAR is connected to usage credits for AI infrastructure.
Protocol staking helps secure the network. NEAR AI staking provides access to AI infrastructure and compute.
Seen together, the layers stack cleanly. IronClaw controls how an agent acts, NEAR AI gives it somewhere private to run, and underneath both of them, NEAR Protocol's staking is what keeps the whole network honest.
Staking on NEAR is not just about yields. Together, these layers support the infrastructure agents such as OpenClaw rely on, including OpenClaw deployments on NEAR AI Cloud.
For me, that is the actual story here, not a smarter agent, but one that finally has boundaries it cannot quietly step outside of.
Would you trust an AI agent with real work if there was a guard between its decisions and its actions?

Les agents IA entrent dans une nouvelle phase.
Au lieu de simplement générer des réponses, on attend de plus en plus d'eux qu'ils effectuent des recherches, interagissent avec des outils, gèrent des flux de travail et agissent au nom des utilisateurs. Cela rend une question de plus en plus importante : comment donner plus de capacités à l'IA sans perdre le contrôle ?
#IronClaw 1.0 adopte cette approche par l'architecture.
Son idée clé est la séparation de la pensée et de l'action.
Le modèle IA gère le raisonnement et la prise de décision, tandis qu'une couche de coordination sécurisée appelée le garde se situe entre le modèle et les outils auxquels il peut accéder. Cela crée un chemin contrôlé où les actions peuvent être validées et, si nécessaire, explicitement approuvées avant l'exécution.

Les agents IA entrent dans une phase différente.
L’objectif n’est plus seulement de construire des modèles capables de répondre à des questions. L’opportunité la plus importante consiste à créer des agents capables de prendre des mesures, d’utiliser des outils, de conserver le contexte et d’exécuter des workflows dans le monde réel.
Mais cela pose un problème important :
Comment donner à l’IA la capacité d’agir sans lui confier un contrôle incontrôlé ?
@NEAR Protocol IronClaw 1.0 adopte une approche fondamentalement différente.
La couche « Guard »
IronClaw sépare la prise de décision de l’exécution grâce à une couche de coordination sécurisée appelée le « guard ».

L'IA entre dans un nouveau chapitre fascinant. Nous évoluons au-delà des systèmes qui se contentent de répondre à des questions vers des agents capables de raisonner, d'utiliser des outils, de mémoriser le contexte et d'accomplir des tâches du monde réel. Mais à mesure que l'IA gagne en capacité d'action, une question devient impossible à ignorer : comment donner à l'IA davantage de capacités sans lui accorder une autorité illimitée ?
C'est là que @NEAR Protocol IronClaw 1.0 propose une approche intéressante.
Au cœur d'IronClaw se trouve la séparation entre la pensée et l'action. Au lieu de permettre à un agent IA de prendre une décision et d'exécuter immédiatement une action sensible, l'architecture introduit une couche de protection entre le raisonnement de l'agent et son exécution.

L’intelligence artificielle va au-delà des chatbots.
La prochaine génération d’IA se construit autour d’agents capables de raisonner, d’utiliser des outils, d’exécuter des tâches et de continuer à travailler avec une intervention humaine minimale.
Mais une plus grande autonomie pose un défi fondamental :
Comment donner à l’IA la capacité d’agir sans renoncer à la sécurité, à la confidentialité et au contrôle de l’utilisateur ?
@NEAR Protocol ’s IronClaw 1.0 apporte une réponse intéressante.
IronClaw 1.0 : une architecture différente pour les agents d’IA
IronClaw 1.0 repose sur une distinction architecturale simple mais importante : séparer la partie d’un système d’IA qui décide de celle qui agit.

L’IA est déjà allée au-delà de la simple réponse à des questions.
Le changement le plus significatif intervient lorsqu’un système d’IA peut agir.
Un agent peut naviguer, faire des recherches, travailler avec des fichiers, utiliser des outils externes, communiquer via différents canaux et poursuivre une tâche sans être guidé à travers chaque étape individuelle.
Cela crée un problème d’infrastructure différent.
Quand un logiciel peut agir pour votre compte, la capacité ne suffit plus. Il faut aussi savoir ce que l’agent est autorisé à faire, ce qui se trouve entre ses décisions et ses actions, et ce qui se passe quand quelque chose tourne mal.

Les agents d’IA vont au-delà de la simple réponse à des questions. On attend de plus en plus d’eux qu’ils prennent des actions, travaillent à travers plusieurs applications, se souviennent des tâches précédentes et fonctionnent pendant de longues périodes sans supervision constante. Cela pose une question difficile : comment créer un agent d’IA suffisamment capable pour agir, sans lui donner un accès incontrôlé à tout ce qu’il peut toucher ?
l

L’IronClaw 1.0 de NEAR adopte une approche architecturale différente.
Dissocier la réflexion de l’action
IronClaw 1.0 est un agent d’IA conçu comme un écosystème (harness) bâti autour d’une séparation simple, mais importante : le composant responsable de décider ce qui doit se produire est séparé du composant qui exécute réellement l’action.