تُظهر agents العالم المفتوح الحديثة، مثل OpenClaw، قدرات تنفيذ قوية عبر البيئات، غير أنها تُدخل مصادر جديدة واسعة النطاق لمخاطر الأمان. وفي الوقت نفسه، تُخفض نماذج الذكاء الاصطناعي الطليعية المتطورة بشكل كبير حواجز الهجوم، مما يجعل أطر محاذاة agent الحالية غير كافية للنشر في التطبيقات الواقعية. ولمعالجة هذه التهديدات الناشئة، نقترح إطار عمل خفيف الوزن وقابل للتوسع لمحاذاة أمان agent. وتحديداً، نقوم بتحديث تصنيف أمان agent لاستيعاب المخاطر الناشئة عن سيناريوهات تنفيذ Codex و OpenClaw. ونقوم أيضاً ببناء محرك بيانات موجه بالتصنيف مزود بتقنية تنقية الدالة المؤثرة لتدريب متغيرات AgentDoG 1.5 الخفيفة الوزن (بـ 0.8B، و 2B، و 4B، و 8B معامل) باستخدام حوالي 1k عينة فقط، مما يحقق أداءً مماثلاً للنماذج مغلقة المصدر الرائدة (مثل GPT-5.4). وبناءً على AgentDoG 1.5، نبني بيئة تدريب عالية الكفاءة للضبط الدقيق الخاضع للإشراف (SFT) والتعلم المعزز (RL) الخاص بأمان agent، والتي تقلل عبء النشر في البيئات على مستوى Docker بمقدار مرتين من الأس العشري. وأخيراً، ننشر AgentDoG 1.5 كخط حماية أمني عبر الإنترنت لا يتطلب تدريبًا، وذلك للمراجعة الأمنية في الوقت الفعلي. وتشير النتائج التجريبية الشاملة إلى أن AgentDoG 1.5 يحقق أداءً في طليعة الأداء في سيناريوهات agent التفاعلية المتنوعة والمعقدة. وقد تم إصدار جميع النماذج ومجموعات البيانات بشكل مفتوح.