Den vollständigen Index der Dokumentation findest du in llms.txt. Die Markdown-Version einer Dokumentationsseite erhältst du, indem du .md an die URL der Seite anhängst.
Hauptnavigation
Design
Nov 12, 2026 Codex

Wie wir bei OpenAI persistente Agenten wie OpenClaw absichern

Wie OpenAI vertrauenswürdige Dienste auf der Steuerungsebene, Sandboxing mit Codex, die Automatische Überprüfung, Agentenidentitäten und Beobachtbarkeit kombiniert, um persistente Agenten zu betreiben.

Verfasst von: Kevin S Lin

Wie wir bei OpenAI persistente Agenten wie OpenClaw absichern

Als OpenClaw vor fast einem Jahr erschien, zeigte sich, was ein persistenter Agent leisten kann. In einer üblichen Codex-Sitzung gibt ein Mensch ein festes Ziel vor und steuert den Verlauf. Persistente Agenten arbeiten rund um die Uhr, haben ein breites Aufgabenspektrum und können ohne weitere Eingaben von sich aus handeln.

Trotz ihrer Fähigkeiten kommen persistente Agenten in der Praxis bislang nur begrenzt zum Einsatz. Ihr Betrieb bringt viele Herausforderungen mit sich, die wir von herkömmlicher Software so nicht kennen. Bisher konnten wir uns darauf verlassen, dass Konfiguration und Code das Verhalten der Software eindeutig bestimmen. Bedrohungen gingen meist von externen Angreifern aus. Persistente Agenten können ihre Konfiguration ändern und beliebigen Code schreiben, um ein Ziel zu erreichen. Angriffe können von innen kommen, wenn Agenten entgegen den beabsichtigten Zielen handeln.

Bei OpenAI setzen wir inzwischen im gesamten Unternehmen persistente Agenten ein, darunter Hunderte von OpenClaw-Agenten. In diesem Beitrag beschreiben wir einige der Schutzmaßnahmen, mit denen wir den Einsatz von OpenClaw bei OpenAI ermöglicht haben.

Vertrauenswürdige Logik und nicht vertrauenswürdige Ausführung trennen

Um persistente Agenten abzusichern, mussten wir die vertrauenswürdige, deterministische Logik von der nicht vertrauenswürdigen Ausführung durch das LLM isolieren. Zur vertrauenswürdigen Logik gehören kritische Komponenten für Netzwerk, Identität und Sandboxing. Sie bestehen aus herkömmlichem statischem Code, der sich abgesehen von Softwarefehlern wie konfiguriert verhalten sollte. Die Agenten selbst, ihre Ausführungsumgebung und der von ihnen geschriebene Code gelten als nicht vertrauenswürdig. In dieser Umgebung können Agenten dynamisch Code erzeugen, um ein Ziel zu erreichen. Für das Verhalten dieses Codes gibt es keine festen Garantien.

Damit OpenClaw diese Trennung unterstützt, haben wir die Remote-Ausführung des Harness im Open-Source-Projekt implementiert. Dadurch kann das OpenClaw Gateway in einem anderen Container als der Agenten-Harness laufen. Bei uns läuft es sogar in einem anderen Cluster.

Durch die Trennung konnten wir das Gateway, das den Agenten konfiguriert, als vertrauenswürdigen, deterministischen Code behandeln. So konnten wir uns darauf konzentrieren, den nicht vertrauenswürdigen Code des Agenten in einer Sandbox auszuführen.

Feste Sicherheitsgrenzen durchsetzen

Sandboxing setzt Sicherheitsgrenzen für die Ausführung von Agenten durch, indem es ihre Handlungsmöglichkeiten einschränkt.

Für unsere OpenClaw-Bereitstellung haben wir folgende Sandbox-Einstellungen verwendet:

  • Netzwerk: Wir haben über eine zentral von der Organisation verwaltete Positivliste festgelegt, auf welche Endpunkte ein Agent zugreifen darf. Für gesperrte Endpunkte haben wir den Zugriff ausdrücklich untersagt.
  • Workspace: Wir haben festgelegt, auf welche Dateien ein Agent zugreifen darf. Schreibzugriff haben wir nur auf die Arbeitsverzeichnisse der Agenten erlaubt.
  • Prozesse: Um den Zugriff eines Agenten auf Prozesse zu beschränken, haben wir die Prozessisolierung der Linux-Sandbox von Codex genutzt.
  • Secrets: Wir steuern den Zugriff auf Secrets über einen Dienst, der die Zugangsdaten verwaltet und vermittelt. Die Secrets bleiben für den Agenten unsichtbar.

Für unsere OpenClaw-Bereitstellung haben wir die integrierte Sandbox des Codex-Harness verwendet. Die folgenden Beispiele zeigen einige unserer Einstellungen. In requirements.toml schränken wir ein, welche Optionen für die Codex-Konfiguration verfügbar sind. In config.toml legen wir die konkrete Konfiguration fest. Außerdem haben wir den Modus danger-full-access gesperrt und nutzen die Websuche mit zwischengespeicherten Ergebnissen. Dabei laufen Suchanfragen über den eigenen Suchindex von OpenAI.

requirements.toml

# Exclude unrestricted "danger-full-access" sandbox mode.
allowed_sandbox_modes = ["read-only", "workspace-write"]

# Permit cached hosted search, but not live hosted search.
allowed_web_search_modes = ["cached"]

# Require the managed network proxy.
experimental_network.enabled = true

# Prevent user-level configuration from expanding the domain allowlist.
experimental_network.managed_allowed_domains_only = true

# Allow only these destinations; replace with the workload's required hosts.
experimental_network.allowed_domains = [
  "github.com",
  "api.github.com",
  "codeload.github.com",
]

# Explicitly block these destinations, including cloud metadata endpoints.
experimental_network.denied_domains = [
  "pastebin.com",
  "*.pastebin.com",
  "webhook.site",
  "metadata.google.internal",
  "169.254.169.254",
]

config.toml

# Select the permission profile defined below.
default_permissions = "openclaw"

# Use cached hosted search.
web_search = "cached"

[permissions.openclaw.filesystem]
# Allow reads needed by the minimal runtime environment.
":minimal" = "read"

# Allow reading and modifying the agent's workspace.
"/home/dev-user/openclaw-workspaces" = "write"

# Allow reading managed assets without modifying them.
"/home/dev-user/read-only" = "read"

# Prevent access to SSH credentials.
"/home/dev-user/.ssh" = "deny"

[permissions.openclaw.network]
# Permit network access through the administrator-required proxy.
enabled = true

# Do not inherit an upstream proxy.
allow_upstream_proxy = false

# Keep the proxy's local/private-address guard enabled.
allow_local_binding = false

# Disable the SOCKS5 listener.
enable_socks5 = false

# Disable SOCKS5 UDP support.
enable_socks5_udp = false

# Do not permit proxy listeners on non-loopback addresses.
dangerously_allow_non_loopback_proxy = false

# Do not permit unrestricted Unix-socket access.
dangerously_allow_all_unix_sockets = false

[shell_environment_policy]
# Preserve default filtering of sensitive environment variables.
ignore_default_excludes = false

# Remove GitHub credentials from agent command environments.
# This does not hide credentials stored in accessible files.
exclude = [
  "GH_TOKEN",
  "GITHUB_TOKEN",
  "OPENCLAW_GITHUB_BASIC_AUTH",
  "OPENCLAW_GITHUB_READONLY_BASIC_AUTH",
]

[apps._default]
# Disable apps unless individually enabled.
enabled = false

# Disable destructive app operations by default.
destructive_enabled = false

# Disable open-world app operations by default.
open_world_enabled = false

Modellbasierte Schutzmaßnahmen ergänzen

Alle bisher beschriebenen Schutzmaßnahmen sind statisch. Sie nutzen herkömmlichen, deterministischen Code, um Aktionen zu verhindern, die den beabsichtigten Zielen zuwiderlaufen. Je leistungsfähiger die Modelle werden, desto wichtiger sind Schutzmaßnahmen, die mit der verfügbaren Rechenleistung skalieren. Dafür setzen wir weitere Modelle ein.

Mit der Funktion Automatische Überprüfung kann ein zweiter Agent die Aktionen des primären Agenten überwachen und genehmigen. Wer ständig Berechtigungsanfragen prüfen muss, gewöhnt sich leicht daran, jede Anfrage ungeprüft zu bestätigen. Ein LLM übernimmt daher die Vorprüfung. So können Menschen ihre Aufmerksamkeit auf die Genehmigungen richten, bei denen ihr Urteil besonders wichtig ist. Diese Funktion ist sowohl in OpenClaw als auch in Codex integriert.

In unserer OpenClaw-Bereitstellung ist die Automatische Überprüfung für alle Aktionen der Agenten vorgeschrieben.

Agentenidentität und Benutzeridentität trennen

Wenn ein Agent eine Aktion ausführt, müssen wir sie nachträglich prüfen und feststellen können, ob der Agent oder die Person, die ihn nutzt, sie ausgelöst hat. Außerdem müssen wir dem Agenten Zugriff auf Ressourcen gewähren können. Eine eigene Agentenidentität macht das möglich. Derzeit entstehen Spezifikationen wie WAG, die Agenten einen eigenen Zugriff auf Ressourcen ermöglichen. Andere wie XAA erlauben Agenten, per OAuth-Delegation im Auftrag einer Person zu handeln. Agentenidentitäten und Dienstkonten erfüllen unterschiedliche Aufgaben. Dienstkonten ermöglichen Bots einen separaten API-Zugriff. Beide sollten zusammen zum Einsatz kommen. Dein Agent sollte beispielsweise unter seiner eigenen Agentenidentität handeln und auf Dienste von Drittanbietern über Dienstkonten zugreifen, die mit dieser Identität verknüpft sind.

In unserer OpenClaw-Bereitstellung hat jeder Agent eine eindeutige Identität, die mit einem ChatGPT Service Account verknüpft ist. Dadurch hat jeder Agent eigene Zugangsdaten für die Inferenz, die von den persönlichen Zugangsdaten getrennt sind. Teams können außerdem eigene Plug-ins mit dem Agenten verbinden. Wir können so die Aktionen des Agenten nachträglich prüfen und bei Bedarf die Inferenz für ihn abschalten.

Den gesamten Lebenszyklus beobachten

Dank umfassender Beobachtbarkeit können Operatoren den gesamten Lebenszyklus eines Agenten nachvollziehen, von seiner Konfiguration bis zu den einzelnen Aktionen. Bei persistenten Agenten ist diese lückenlose Sicht entscheidend, um Aktionen zu erkennen und zurückzuverfolgen, die den beabsichtigten Zielen zuwiderlaufen.

In unserer OpenClaw-Bereitstellung protokollieren wir jede Konfigurationsänderung auf der Steuerungsebene und jeden Interaktionsschritt des Agenten. Da diese Schritte sensible Informationen enthalten können, schützen wir die Protokolle durch strenge Zugriffsbeschränkungen. Nur wenige ausgewählte Personen im Sicherheitsteam haben Zugriff.

Ausblick

Der Einsatz persistenter Agenten steht noch am Anfang. Es fehlen etablierte Best Practices. Das erschwert vielen Unternehmen derzeit die Einführung.

Als wir unser internes OpenClaw-Pilotprojekt bei OpenAI starteten, stiegen sowohl die Produktivität als auch die Nutzung deutlich an. Das galt für technische und nichttechnische Teams im gesamten Unternehmen. Inzwischen arbeiten bei uns über 500 Agenten eigenständig im Hintergrund. Sie öffnen beispielsweise automatisch Pull Requests als Reaktion auf Produktfeedback oder führen fortlaufend Datenexperimente zu neuen Funktionen durch.

Auf dem OpenAI DevDay haben wir OpenClaw Enterprise (OCE) angekündigt, eine quelloffene, herstellerneutrale Steuerungsebene für Agenten. Wenn du in OCE einen Agenten mit der Standardkonfiguration für Codex startest, sind viele der hier beschriebenen Schutzmaßnahmen bereits integriert. Das Projekt befindet sich noch in der Pilotphase. Wir planen, Version 1.0 bis Ende des Jahres zu veröffentlichen.

Wir erwarten, dass persistente Agenten einen großen Teil der Fortschritte ermöglichen werden, die KI der Wirtschaft bringt. Indem wir unsere Erfahrungen teilen und OCE öffentlich entwickeln, wollen wir allen einen sichereren Einsatz persistenter Agenten ermöglichen.