论文

AgentDoG 1.5：面向 AI 智能体安全与防护的轻量可扩展对齐框架

AgentDoG 1.5: A Lightweight and Scalable Alignment Framework for AI Agent Safety and Security

Dongrui Liu, Yu Li, Zhonghao Yang, Peng Wang, Guanxu Chen, Yuejin Xie, Qinghua Mao, Wanying Qu, Yanxu Zhu, Tianyi Zhou, Leitao Yuan, Zhijie Zheng, Qihao Lin, Yimin Wang, Haoyu Luo, Shuai Shao, Chen Qian, Qingyu Liu, Ling Tang, Ruiyang Qin, Qihan Ren, Junxiao Yang, Kun Wang, Zhiheng Xi, Linfeng Zhang, Ranjie Duan, Bo Zhang, Wenjie Wang, Wen Shen, Qiaosheng Zhang, Yan Teng, Chaochao Lu, Rui Mei, Man Li, Jialing Tao, Xi Lin, Tianhang Zheng, Yong Liu, Quanshi Zhang, Lei Zhu, Xingjun Ma, Junhua Liu, Hui Xue, Xiaoxiang Zuo, Xiangnan He, Chao Shen, Xianglong Liu, Minlie Huang, Jing Shao, Xia Hu来源日期：2026.05.27

智能体系统Agent 动作执行与治理

摘要

OpenClaw 等现代开放世界智能体展现出强大的跨环境执行能力，却也引入了大量新的安全风险来源。与此同时，先进的前沿 AI 模型大幅降低了攻击门槛，使当前的智能体对齐框架难以满足真实世界部署的要求。为应对这些新出现的威胁，我们提出一个轻量且可扩展的智能体安全对齐框架。具体而言，我们更新了智能体安全分类体系，以涵盖来自 Codex 与 OpenClaw 执行场景的新型风险。我们进一步构建了由分类体系引导、并经影响函数净化（influence-function purification）的数据引擎，仅用约 1k 样本训练出轻量的 AgentDoG 1.5 变体（0.8B、2B、4B 与 8B 参数），性能可与领先的闭源模型（如 GPT-5.4）比肩。基于 AgentDoG 1.5，我们构建了一个高效的智能体安全 SFT 与 RL 训练环境，将 Docker 级环境中的部署开销降低了两个数量级。最后，我们将 AgentDoG 1.5 部署为免训练的在线护栏（guardrail），用于实时安全审核。大量实验结果表明，AgentDoG 1.5 在多样且复杂的交互式智能体场景中达到最先进性能。所有模型与数据集均已开放发布。

AgentDoG 1.5：面向 AI 智能体安全与防护的轻量可扩展对齐框架：论文配图 — 图1：AgentDoG 1.5与前沿及护栏模型的准确率对比：第一行为四个基准的二分类安全结果，第二行为细粒度ATBench结果。