Moderne Open-World-agents wie OpenClaw verfügen über leistungsstarke Fähigkeiten zur umgebungsübergreifenden Ausführung, führen jedoch eine breite Palette neuer Sicherheitsrisiken ein. Gleichzeitig senken fortschrittliche Frontier-KI-Modelle die Angriffsbarrieren drastisch, wodurch aktuelle agent alignment frameworks für den realen Einsatz unzureichend werden. Um diesen aufkommenden Bedrohungen zu begegnen, schlagen wir ein leichtgewichtiges und skalierbares Framework für die agent safety alignment vor. Konkret aktualisieren wir die agent safety taxonomy, um neu auftretende Risiken aus Codex- und OpenClaw-Ausführungsszenarien zu berücksichtigen. Darüber hinaus entwickeln wir eine taxonomy-guided data engine mit influence-function purification, um leichtgewichtige AgentDoG-1.5-Varianten (0.8B, 2B, 4B und 8B Parameter) zu trainieren, die lediglich rund 1k Samples verwenden und eine vergleichbare Leistung wie führende Closed-Source-Modelle (z. B. GPT-5.4) erzielen. Auf Basis von AgentDoG 1.5 konstruieren wir eine hocheffiziente Umgebung für das agentic safety SFT und RL Training, die den Deployment-Overhead in Docker-Umgebungen um zwei Größenordnungen reduziert. Abschließend setzen wir AgentDoG 1.5 als training-free online guardrail für die Echtzeit-Sicherheitsmoderation ein. Umfangreiche experimentelle Ergebnisse belegen, dass AgentDoG 1.5 in diversen und komplexen interaktiven agentic Szenarien state-of-the-art Leistungen erzielt. Alle Modelle und Datensätze werden öffentlich zugänglich gemacht.