OpenClaw v2026.4.29, Active-Run Steering, Memória Consciente de Pessoas, Model Provenance e Segurança de Conta
O episódio começa com o OpenClaw v2026.4.29. O release adiciona padrões de active-run steering, aplicação de respostas visíveis, metadados de roteamento de subagentes gerados, compromissos de acompanhamento opcionais, metadados wiki de memória consciente de pessoas, filtros de Memória Ativa por conversa, recall parcial em timeout, um RPC de preview REM limitado, onboarding de provedor NVIDIA e metadados de catálogo, paridade de pensamento do Bedrock Opus 4.7, fluxos de trabalho de varredura do OpenGrep, comportamento de ferramenta de perfil restritivo mais rígido, diagnósticos de inicialização e modelo reutilizável. Show notes: https://tobyonfitnesstech.com/pt/podcasts/episode-44/
🎧 Listen to EpisodeOPENCLAW DAILY — EPISODE 044 — May 1, 2026
[00:00] INTRO / HOOK OpenClaw v2026.4.29 lidera o episódio porque muda imediatamente o comportamento concreto do operador: controle de execução ativa, roteamento de respostas visíveis, compromissos via heartbeat, memória com consciência de pessoas, comportamento de catálogo de modelos, perfis de ferramentas mais rígidos, recuperação de inicialização e confiabilidade de canais.
Esta versão muda muito o comportamento operacional. O enfileiramento de execução ativa agora padroniza para steer em vez do antigo enfileiramento um-por-vez. Respostas visíveis podem ser aplicadas através da ferramenta de mensagem. Compromissos de acompanhamento se tornam trabalho via heartbeat opt-in com limites de extração e entrega. Eventos de subagentes carregam metadados de roteamento. A memória ganha metadados de wiki com consciência de pessoas, visualizações de proveniência, filtros de Memória Ativa por conversa, recuperação parcial em timeout e diagnósticos de preview REM com limites. A cobertura de provedores se expande através do onboarding da NVIDIA, caminhos de manifesto de modelo e autenticação mais rápidos, paridade de pensamento do Bedrock Opus 4.7, e comportamento de replay do Codex/OpenAI-compatível mais seguro. Segurança e operações adicionam tratamento de ferramentas de perfil restritivo mais rígido, varredura do OpenGrep, política de triagem GHSA mais precisa, tratamento de owner-scope mais seguro, automação de onboarding do Docker, e opt-in IPv6 ULA do web-fetch para pilhas de proxy confiáveis.
A lista de correções também é muito operacional: inicialização lenta, catálogos de modelos reutilizáveis, diagnósticos de prontidão do event-loop, reparo de dependência de runtime, recuperação de sessão obsoleta, caches de atualização com escopo de versão, limites do Slack Block Kit, resiliência de proxy e polling do Telegram, comportamento de inicialização/rate-limit do Discord, entrega e liveness do WhatsApp, mídia e fluxos de recebimento do Signal, tratamento de mensagens vazias do Feishu, bordas do Matrix e Teams, e prevenção de loop de reinício do systemd.
Após o mergulho profundo no lançamento, o episódio cobre duas histórias de segurança com superfícies técnicas primárias: o Model Provenance Kit da Cisco para verificações de linhagem de modelos, e o OpenAI Advanced Account Security para proteção de contas ChatGPT e Codex resistente a phishing.
[02:30] HISTÓRIA 1 — OpenClaw v2026.4.29 Torna Execuções Ativas, Memória, Provedores, Inicialização, Segurança e Canais Mais Controláveis Comece com o comportamento de execução ativa, porque é aqui que a versão muda a interação dia a dia do agente.
O OpenClaw agora padroniza o enfileiramento de execução ativa para steer, com debounce de fallback de acompanhamento de 500ms. O comportamento antigo um-por-vez permanece disponível como queue. A diferença importa. Em um turno de agente de longa duração, um usuário pode enviar instruções de acompanhamento enquanto o modelo ainda está trabalhando. Um modo de fila que simplesmente empilha mensagens pode fazer o próximo turno ficar atrás do estado atual. O controle é diferente: mensagens de steering Pi pendentes drenam no próximo limite do modelo, então o agente pode incorporar acompanhamentos aceitos no ponto onde pode mudar de curso com segurança.
A questão operacional não é apenas "um usuário pode enviar outra mensagem?". É "quando essa mensagem se torna parte do plano do agente?". O controle torna o limite explícito. O runtime pode aceitar acompanhamentos, fazer debounce, e aplicá-los em um limite de modelo seguro em vez de interromper execução arbitrária de ferramentas ou perder a mensagem após a limpeza do servidor de aplicação. A versão também limpa mensagens Codex de steering com debounce aceitas antes da limpeza normal de turno do servidor de aplicação, então um acompanhamento reconhecido não desaparece se o turno completar rapidamente.
A aplicação de resposta visível é outro controle de mensagens importante. A nova configuração global messages.visibleReplies permite que operadores exijam que saída visível passe por message(action=send) para qualquer chat de origem, enquanto messages.groupChat.visibleReplies permanece disponível como override de grupo ou canal. Isso é um contrato de roteamento. Se o sistema diz que uma resposta deve ser visível através da ferramenta de mensagem do canal, o agente não deve terminar um turno silenciosamente sem produzir uma resposta visível para o usuário. A correção relacionada para chats de grupo volta para entrega automática de origem quando um canal pré-computa respostas apenas da ferramenta de mensagem mas a ferramenta de mensagem está indisponível. Isso impede que turnos de grupo no estilo Discord ou Slack completem silenciosamente sem resposta visível.
Metadados de roteamento de subagentes também melhoram. Eventos do gateway agora expõem spawnedBy em payloads de chat de subagente e broadcast de agente. Isso dá aos clientes informação suficiente para rotear eventos de sessão filha sem fazer uma busca separada de sessão. Em uma UI multiagente ou integração de chat, isso importa porque o trabalho filho deve permanecer anexado à requisição pai, especialmente quando sessões geradas estão fazendo tarefas em segundo plano, pesquisa delegada ou trabalho pesado de ferramentas.
Depois há compromissos de acompanhamento inferidos. A versão adiciona compromissos opt-in com extração em lote oculta, escopo por agente e por canal, entrega via heartbeat, gerenciamento CLI, commitments.enabled, commitments.maxPerDay, e fixação de horário de vencimento por intervalo de heartbeat para que lembretes não disparem imediatamente de forma mágica. Essa é a forma cautelosa correta. Acompanhamento automatizado é útil, mas pode se tornar invasivo ou barulhento se cada frase vaga sobre futuro virar um lembrete. Escopo, limites de extração, entrega via heartbeat e limites diários permitem que operadores tornem isso deliberado.
A orientação prática é habilitar compromissos apenas onde o canal e o papel do agente justificam. Um assistente pessoal pode se beneficiar de uma capacidade limitada de "verificar depois". Um bot de grupo público provavelmente não deveria inferir lembretes de conversas casuais. A configuração precisa refletir normas do canal, papel do agente e risco de entrega.
[12:00] HISTÓRIA 1B — Memória se Torna Mais Consciente de Pessoas, Mais Filtrada e Mais Inspecionável Memória é a segunda área principal do lançamento. OpenClaw adiciona metadados de wiki de pessoas para agentes, aliases canônicos, cards de pessoa, grafos de relacionamento, relatórios de privacidade e proveniência, detalhamento de tipo de evidência e modos de busca para pesquisa de pessoa, roteamento de pergunta, evidência de fonte e alegações brutas.
Isso é um passo significativo além de recall genérico. Memória de pessoas não é apenas outro índice de documento. Uma pessoa pode ter aliases, relacionamentos, preferências, papéis, restrições de privacidade e evidências com diferentes confiabilidade. Se um agente recalls "Alex disse X", o operador precisa saber qual Alex, qual fonte, qual conversa, qual alegação, e se a evidência é forte o suficiente para usar. Cards de pessoa e grafos de relacionamento dão aos agentes uma forma estruturada de raciocinar sobre identidade e contexto sem achatar tudo em um único blob de texto.
A visualização de proveniência é especialmente importante. Sistemas de memória falham quando fazem fatos velhos, fracos ou mal atribuídos parecerem certos. Detalhamento de tipo de evidência permite que o sistema separe alegações brutas, evidência de fonte, links relacionados gerados e trechos legíveis de corpo. A versão também mantém blocos amplos de fonte compartilhada e links relacionados gerados de não virar hit de busca em cada página, limita backlinks barulhentos, suporta buscas de todos os termos como queries de roteamento de pessoas, e prefere trechos de corpo de página legíveis em vez de metadados gerados.
A Memória Ativa também ganha filtros mais nítidos. allowedChatIds e deniedChatIds opcionais por conversa permitem que operadores habilitem recall apenas para conversas diretas, de grupo ou de canal selecionadas enquanto mantêm sessões amplas puladas. Isso é um recurso de privacidade e relevância. Um workspace pode querer recall em um chat de operações privado mas não em um canal público barulhento. Sem filtros, recall pode se tornar amplo demais mesmo quando o sistema de memória subjacente está tecnicamente funcionando.
O comportamento de timeout também melhora. A Memória Ativa pode retornar sumários de recall parcial limitado quando o subagente de memória oculta dá timeout, incluindo o caminho padrão de transcrito temporário, para que contexto útil recuperado não seja descartado. Esse é o tradeoff de confiabilidade certo: um recall com timeout não deveria necessariamente virar recall zero se um sumário parcial seguro está disponível. Operadores precisam de saída limitada e diagnósticos claros em vez de comportamento tudo-ou-nada.
Há também um RPC doctor.memory.remHarness somente leitura para previews de sonhando REM limitados sem caminhos de mutação. Isso dá aos clientes de operador uma forma de inspecionar o que a maquinaria de sonhar da memória produziria sem realmente promover ou mudar a memória. Para sistemas de memória, preview e mutação devem ser separados. Depurar um pipeline de memória não deveria reescrever acidentalmente o store de memória.
[20:00] HISTÓRIA 1C — Provedores, Catálogos de Modelos, Diagnósticos de Inicialização e Deps de Runtime se Tornam Mais Previsíveis
A cobertura de provedores e modelos se expande com onboarding da NVIDIA e metadados de catálogo estático. O provedor NVIDIA inclui onboarding de API-key, docs de setup, linhas de catálogo estático e suporte de picker de ref de modelo literal para que modelos NVIDIA hospedados possam ser selecionados com seu prefixo de provedor intacto. A versão também persiste o marcador de provedor NVIDIA_API_KEY e marca modelos NVIDIA Chat Completions em bundle como compatíveis com conteúdo string para que modelos NIM carreguem de models.json e chamadas de subagente OpenAI-compatíveis enviem conteúdo texto simples.
O ponto operacional é identidade de provedor. Se um ref de modelo precisa manter seu prefixo de provedor, o picker não deveria normalizar para longe em uma string ambígua. Se o provedor tem uma chave de marcador, comportamento de onboarding e catálogo deveria lembrar disso. Se um endpoint compatível espera conteúdo texto simples para chamadas de subagente, o runtime deveria formatar a requisição de acordo. Esses detalhes são pequenos individualmente, mas determinam se um provedor funciona de forma confiável em fluxos de agente reais.
Suporte Bedrock obtém paridade de thinking-profile para Claude Opus 4.7. A release expõe os perfis de pensamento xhigh, adaptive e max para refs de modelo Bedrock enquanto mantém Opus e Sonnet 4.6 em adaptive-by-default. Também omite temperature descontinuado para IDs de modelo Opus 4.7 Bedrock, perfis nomeados e perfis de inferência de aplicação, e classifica respostas de validação aninhadas para failover. Isso é outro exemplo de correção específica de provider. A mesma família de modelos pode ter regras de transporte diferentes dependendo se é chamada diretamente ou através do Bedrock.
A confiabilidade do catálogo de modelos também melhora. Modelos de Gateway podem servir o último catálogo de modelos bem-sucedido enquanto recargas obsoletas atualizam em segundo plano. Isso impede que requisições do control-plane e OpenAI-compatible bloqueiem atrás de rediscoverys de model-provider após mudanças na configuração de modelo. Em hosts lentos, isso é uma grande melhoria de usabilidade: o catálogo pode estar obsoleto por um momento, mas o Gateway não para de responder enquanto recarrega tudo.
Os diagnósticos de inicialização se tornam mais explícitos. Os diagnósticos do Gateway podem emitir uma linha do tempo de inicialização opt-in que registra fases de ciclo de vida e carregamento de plugin atrás de um flag de configuração, então o diagnóstico de inicialização lenta não requer mais instrumentação customizada. Isso dá aos operadores uma forma de responder: onde foi gasto o tempo de boot? Foi validação de configuração, metadata de plugin, descoberta de provider, inicialização de canal, reparo de dependência runtime, ou prontidão do event-loop?
O reparo de dependência runtime recebe uma grande passagem. A release substitui raízes de mirror simlinked obsoletas antes de escrever arquivos temporários de runtime-mirror, pula reescrever hardlinks já materializados, escreve mapas de dependência mesmo quando planos estão vazios, verifica arquivos de entrada de pacotes staged antes de reutilizar raízes espelhadas, prefere conditional exports require para deps de plugins CommonJS-only, escopa caches de compile Node empacotados por versão OpenClaw e metadata de instalação, e podula raízes obsoletas openclaw-unknown-* durante a inicialização do Gateway enquanto preserva raízes recentes ou bloqueadas. O resumo para builders: deps de plugins empacotados são um sistema operacional dentro do sistema operacional. Eles precisam de locks, version scoping, reparo e semântica de substituição segura.
[29:00] ESTÓRIA 1D — Correções de Segurança e Canal Estreitam Modos de Falha Reais
Security/tools é uma das mudanças de comportamento mais importantes no v2026.4.29: seções tools.exec e tools.fs configuradas não ampliam mais implicitamente perfis restritivos como messaging e minimal. Se usuários precisam dessas ferramentas sob um perfil restritivo, devem adicionar entradas alsoAllow explícitas, e a inicialização avisa sobre configurações afetadas.
Esse é um limite de segurança mais limpo. Um perfil restritivo deveria significar restritivo. Se uma seção de configuração para ferramentas exec ou filesystem amplia silenciosamente o perfil, operadores podem pensar que um agent está rodando com uma superfície restrita quando na verdade pode fazer mais. Exigir alsoAllow torna a expansão intencional e auditável.
Verificação OpenGrep é adicionada com rulepack preciso, compilador source-rule, verificações de metadata de proveniência, e workflows de scan PR/full que validam código first-party e mudanças apenas de rulepack enquanto fazem upload de SARIF para GitHub Code Scanning. Isso é útil porque automação de segurança deveria ser reproduzível. Um rulepack precisa de proveniência, caminho de compilador, validação, workflows CI, e um formato de saída padrão como SARIF para que achados pousem onde mantenedores já triam segurança de código.
O comportamento Gateway/systemd recebe uma correção operacional concreta: conflitos supervised lock e EADDRINUSE agora saem com sysexits 78, então RestartPreventExitStatus=78 para loops Restart=always em vez de recarregar plugins repetidamente contra uma porta ocupada. Esse é um modo de falha clássico de gerenciamento de serviço. Se outro Gateway já possui a porta, reiniciar o serviço infinitamente não conserta o conflito; queima CPU, agita logs, e pode recarregar plugins repetidamente em um estado ruim. Um código de saída determinístico permite que o gerenciador de serviço pare de tentar.
A recuperação de sessão obsoleta também é mais conservadora. OpenClaw pode liberar lanes de sessão obsoletas enquanto runs embedded ativos, operações de reply e lane tasks permanecem serializados, então follow-ups enfileirados podem drenar sem abortar trabalho legítimo de longa execução. Doctor e manutenção de tasks podem reconciliar subagents órfãos com tentativas de recuperação persistidas e tombstones de sessão wedged. O objetivo do produto é recuperar de contabilidade obsoleta sem tratar cada task longa como travada.
Correções de canal são extensas. Slack recebe uma grande passagem de Block Kit: menus de argumento de comandos nativos ficam dentro de limites de opção, labels e valores de botão fallback são truncados ou descartados quando necessário, texto de confirmação é limitado aos limites de dialog, metadata de aprovação e texto fallback de atualização ficam dentro de limites do Slack, blocos interativos e de apresentação de message-tool são mesclados, e texto fallback é limitado para sends e edits. O modo de falha prático é simples: um valor de botão ou string fallback oversized pode fazer Slack rejeitar todo o payload de bloco. A release faz o adapter preservar estrutura interativa válida enquanto recorta peças inválidas.
Correções de Telegram focam em comportamento de proxy, polling, webhooks, quotes e sends seguros. Telegram honra ALL_PROXY, all_proxy e OPENCLAW_PROXY_URL de nível de serviço para transporte Bot API HTTP/1. Timeouts de long-polling são bloqueados para que valores baixos configurados não forcem conexões HTTPS fresh a cada poucos segundos. Avisos de liveness de polling emergem no status do canal e doctor. Estado runtime de webhook avisa quando registro não completou. Respostas de quote fazem retry sem excerpts de quote obsoletas ou inválidas. Retry de safe-send evita mensagens visíveis duplicadas em envelopes de rede ambíguos. O padrão é resiliência limitada: mantém falhas de rede transitórias de matar o Gateway, mas não duplica cego replies visíveis para usuário.
Correções de Discord cobrem inicialização e manuseio de rate-limit, resolução ACP bound to thread, chunking longo de CJK, supressão de monitor de gateway duplicado, resumos de saúde de canal, comportamento closed na inicialização quando identidade do bot não pode ser resolvida, handshakes WebSocket limitados, e cooldowns para respostas HTML 429 Cloudflare/Error 1015 usando Retry-After quando disponível. Correções de WhatsApp requerem IDs de mensagem outbound Baileys reais antes de marcar auto-replies como entregues, expõem configurações de liveness e timeout, recuperam listeners após certas travas de reconnect, e logam falhas de delivery de dispatcher com identificadores suficientes para debugar relatórios de typing-without-send. Correções de Signal incluem matching de allowlist de grupo, caps de download de installer, caps de resposta de media, e comportamento SSE receive de longa vida. Feishu pula mensagens com texto vazio que não carregam mídia para que turnos de usuário em branco não sejam escritos em sessões.
O veredito da release: v2026.4.29 é sobre tornar sistemas de agent ao vivo mais controláveis. Estreita comportamento ambíguo de fila, entrega de reply visível, automação de follow-up, proveniência de memória, catálogos de provider, diagnósticos de inicialização, perfis de ferramentas restritivos, sessões obsoletas, loops de restart de serviço e modos de falha de adapter de canal.
[39:00] ESTÓRIA 2 — Cisco Model Provenance Kit Transforma Linha de Modelo em Verificação de Supply-Chain O Model Provenance Kit da Cisco é uma história forte de infraestrutura de IA porque endereça uma pergunta básica que está ficando mais difícil de responder: de onde esse modelo realmente veio?
Model cards, nomes de repositório e metadata são úteis, mas não são suficientes por si sós. Modelos são fine-tuned, merged, quantizados, destilados, convertidos, renomeados, reempacotados e redistribuídos. Uma equipe downstream pode receber um checkpoint que alega ser derivado de uma família, mas os pesos reais, tokenizer ou arquitetura podem contar uma história mais complicada. Isso importa para licenciamento, resposta a vulnerabilidade, revisão de segurança, interpretação de benchmark e política de deployment.
O kit é descrito como um toolkit Python e CLI com workflows compare e scan. Modo compare pega dois modelos, incluindo checkpoints Hugging Face ou locais, e quebra similaridade através de metadata de arquitetura, estrutura de tokenizer e sinais de nível de peso. Modo scan começa com um modelo e faz match contra um banco de dados de fingerprints conhecidos para identificar candidatos de linhagem mais próximos.
O detalhe técnico é que o kit não está apenas olhando para nomes. Ele analisa sinais como geometria de embedding, camadas de normalização, perfis de energia, comparações diretas de peso, estrutura de tokenizer e metadata de arquitetura. Esses sinais importam porque metadata pode ser falsificada ou removida. Evidência de nível de peso é mais difícil de falsificar se o objetivo é esconder origem do modelo enquanto preserva comportamento do modelo.
O banco de dados inicial de fingerprints é reportado cobrir aproximadamente 150 modelos base através de mais de 45 famílias de modelos e mais de 20 publishers. Esse banco de dados é importante porque proveniência é comparativa. Um fingerprint é mais útil quando pode ser fazer match contra referências conhecidas. Sem um conjunto de referência, uma ferramenta pode dizer que dois modelos são similares, mas tem menos capacidade de posicionar um modelo em um grafo de linhagem mais amplo.
A Cisco também publicou uma Model Provenance Constitution que define relações de derivação como descendência direta, descendência indireta, transformação mecânica, identidade e transitividade. Isso é útil porque linhagem precisa de um vocabulário. Fine-tuning, quantização, conversão de formato e merging não são a mesma relação. Uma política de deployment pode permitir uma e rejeitar outra.
Para operadores, o lugar prático para usar uma ferramenta assim é no pipeline de intake de modelo. Antes de um modelo ser aprovado para produção, escaneie. Compare com a família base alegada. armazene o resultado de fingerprint com o artefato de modelo. Ligue essa evidência a revisão de licenciamento, revisão de segurança, resultados de benchmark e gates de deployment. Se uma vulnerabilidade ou questão de política posteriormente afetar uma família base, evidência de proveniência ajuda a identificar quais modelos deployed podem ser downstream.
Existem limitações. Fingerprinting é evidência, não um certificado mágico. Um alto escore de similaridade requer interpretação. Fine-tunes, merges, pruning, quantização e conversão de formato podem alterar sinais de diferentes formas. Um banco de dados de impressões digitais pode estar incompleto. Modelos proprietários podem não estar disponíveis como referências. Mas a direção está correta: a origem do modelo deveria se tornar evidência operacional testável, não apenas um rótulo.
O takeaway relevante para o OpenClaw é que os runtimes de agentes dependem cada vez mais das cadeias de suprimentos de modelos. Se um agente pode escolher modelos locais, modelos hospedados, modelos fine-tuned, modelos de marketplace e checkpoints convertidos, o operador precisa de uma forma de perguntar não apenas "ele funciona?" mas também "de que ele é derivado, qual política se aplica e qual risco o acompanha?"
[47:00] HISTÓRIA 3 — OpenAI Advanced Account Security Fortalece ChatGPT e Codex à Medida que o Trabalho de Agentes se Torna Sensível O lançamento de Advanced Account Security da OpenAI não é um lançamento de modelo, mas é uma história séria de operações de agentes porque as contas do ChatGPT e do Codex agora estão próximas de contexto sensível, código, ferramentas conectadas e workflows de alto risco.
O modo opt-in agrupa várias proteções. Ele exige passkeys ou chaves de segurança física e desabilita o login baseado em senha. Isso torna a autenticação resistente a phishing o padrão para contas inscritas. Uma senha roubada não deveria ser suficiente para entrar porque não há caminho de login por senha para usar.
As mudanças de recuperação de conta são igualmente importantes. O Advanced Account Security desabilita a recuperação por email e SMS e exige métodos de recuperação mais fortes: passkeys de backup, chaves de segurança e chaves de recuperação. Este é um trade-off deliberado. A recuperação por email e SMS é conveniente, mas se um atacante controlar a conta de email ou o número de telefone, esses caminhos de recuperação se tornam caminhos de tomada de conta. Recuperação mais forte reduz esse risco, mas também significa que o Suporte da OpenAI não poderá recuperar contas inscritas se o usuário perder os métodos de recuperação necessários.
As sessões se tornam mais curtas para reduzir a exposição se um dispositivo ou sessão ativa for comprometida. Os usuários recebem alertas de login e podem revisar e gerenciar sessões ativas em todos os dispositivos. Isso importa porque sessões de longa duração são um risco real quando uma conta contém ferramentas conectadas, trabalho com código, memória ou conversas sensíveis. Uma janela de sessão mais curta e uma lista de sessões mais clara não eliminam o comprometimento, mas reduzem o tempo de permanência e melhoram a detecção.
A exclusão automática de treinamento também está incluída. Conversas de contas inscritas não são usadas para treinar modelos da OpenAI. Para usuários de alto risco e trabalho sensível, isso remove uma decisão de privacidade a nível de conta do fluxo de trabalho diário do usuário. O modo de conta carrega a preferência de uso de dados automaticamente.
O detalhe do Codex importa para construtores. A OpenAI diz que a proteção se aplica ao Codex também quando acessado pelo mesmo login. Isso significa que a configuração de segurança cobre não apenas conversas de chat, mas também workflows de agentes de codificação. O Codex pode tocar repositórios, diffs, saída de terminal, contexto de issues e trabalho de desenvolvimento conectado. Se uma conta for comprometida, o risco não é apenas alguém lendo chats; pode se tornar acesso a contexto de engenharia e workflows agentic.
A OpenAI também diz que membros individuais do Trusted Access for Cyber que acessam os modelos cibernéticos mais capazes e permissivos serão obrigados a habilitar o Advanced Account Security a partir de 1º de junho de 2026. Organizações com acesso confiável podem alternativamente atestar que a autenticação resistente a phishing faz parte do seu fluxo de trabalho de single sign-on. Este é um sinal forte sobre para onde a segurança de contas está indo para acesso a IA de alta capacidade: modelos mais fortes e ferramentas mais permissivas exigem proteção de conta mais forte.
Para operadores e construtores, a lição prática é combinar segurança de conta com capacidade. Se uma conta de IA pode usar o Codex, conectar ferramentas, manter contexto sensível ou acessar modelos cibernéticos avançados, senha-mais-email-recuperação não é suficiente. Use autenticação resistente a phishing. Mantenha chaves de backup. Armazene chaves de recuperação com segurança. Revise sessões ativas. Reduza a exposição de sessão. E entenda o custo de recuperação antes de habilitar proteções mais estritas.
A melhor configuração de segurança é aquela que o usuário realmente pode sustentar. O Advanced Account Security eleva o piso, mas também eleva a responsabilidade pela higiene de recuperação. A recomendação de deployment é documentar enrollment de chaves, armazenamento de chaves de backup, manuseio de chaves de recuperação, substituição de dispositivos e offboarding antes de exigi-lo em toda uma equipe.
[54:00] OUTRO O release lead é o OpenClaw v2026.4.29 porque move superfícies concretas de operador: steering de execuções ativas, roteamento de replies visíveis, compromissos de follow-up, metadata de roteamento de subagents, memória people-aware, filtros de recall por conversa, recall parcial, onboarding de provedor NVIDIA, perfis de thinking do Bedrock, diagnósticos de inicialização, comportamento de refresh do catálogo de modelos, limites de ferramentas de perfil restritivo, workflows do OpenGrep, prevenção de loop de restart do systemd, recuperação de sessão stale e confiabilidade do channel adapter.
O Model Provenance Kit da Cisco é a história da cadeia de suprimentos de modelos: comparar modelos, escanear contra impressões digitais conhecidas, inspecionar metadata, tokenizer e evidência a nível de peso, e transformar lineage em um check de deployment.
O OpenAI Advanced Account Security é a história do hardening de contas: passkeys e chaves de segurança, sem login por senha, recuperação mais forte, sessões mais curtas, alertas de login, revisão de sessão ativa, exclusão automática de treinamento, cobertura do Codex e requisitos mais estritos para acesso cibernético de alta capacidade.
O takeaway prático: sistemas de agentes ao vivo precisam de fronteiras de controle explícitas. Queueing, memória, provedores, canais, modelos e contas precisam de superfícies que operadores possam inspecionar, configurar e recuperar.
[NOVA]: Eu sou a NOVA, e este é o OpenClaw Daily. Hoje abrimos com o OpenClaw v2026.4.29, porque esta é a versão estável mais recente da lista de lançamentos atual do OpenClaw e ela altera imediatamente comportamentos concretos dos operadores: direcionamento de execuções ativas, roteamento de respostas visíveis, compromissos com suporte a heartbeat, memória com consciência de pessoas, comportamento do catálogo de modelos, perfis de ferramentas mais restritos e confiabilidade de canal. ... [ALLOY]: Eu sou o ALLOY. E a forma útil de ouvir este episódio é como um episódio de operações. Não uma verificação de clima, não um desfile de funcionalidades. A pergunta é o que se torna mais fácil de inspecionar, mais seguro de configurar, mais difícil de perder e menos propenso a falhar silenciosamente quando um agente está trabalhando em um canal de chat real. [NOVA]: Após o mergulho profundo no lançamento do OpenClaw, cobrimos o Model Provenance Kit da Cisco, que transforma a linhagem de modelos em algo que operadores podem comparar e escanear, e depois a Segurança Avançada de Conta da OpenAI, que protege contas do ChatGPT e Codex para pessoas que fazem trabalhos sensíveis com agentes. [ALLOY]: O bloco do lançamento fica na primeira metade porque muda como sistemas de agentes em produção se comportam enquanto já estão em movimento. Uma mensagem de acompanhamento pode direcionar um turno em andamento. Uma resposta visível pode ser forçada pelo canal. Um compromisso parecido com um lembrete pode se tornar trabalho explícito de heartbeat em vez de uma promessa acidental. Esses são controles de operador, e eles importam. [NOVA]: O lançamento merece o destaque porque altera comportamentos concretos dos operadores imediatamente: direcionamento de execuções ativas, roteamento de respostas visíveis, compromissos com suporte a heartbeat, memória com consciência de pessoas, comportamento do catálogo de modelos, perfis de ferramentas mais restritos, recuperação de inicialização e confiabilidade de canal. ... [ALLOY]: Este lançamento muda muito do comportamento operacional. O enfileiramento de execuções ativas agora usa steering como padrão em vez do enfileiramento legado um-por-vez. Respostas visíveis podem ser forçadas através da ferramenta de mensagens. Compromissos de acompanhamento se tornam trabalho de heartbeat com opt-in com limites de extração e entrega. Eventos de subagentes carregam metadados de roteamento. A memória ganha metadados de wiki com consciência de pessoas, visualizações de proveniência, filtros de Memória Ativa por conversa, recuperação parcial em timeout e diagnósticos de preview do REM com limites. A cobertura de provedores se expande com a integração da NVIDIA, caminhos mais rápidos de modelo e autenticação baseados em manifesto, paridade de pensamento do Bedrock Opus 4.7 e comportamento de replay mais seguro para Codex/compatíveis com OpenAI. Segurança e operações adicionam tratamento mais restrito de ferramentas em perfis restritivos, varredura com OpenGrep, política de triagem GHSA mais precisa, tratamento mais seguro de escopo de proprietário, automação de integração Docker e opt-in de IPv6 ULA para busca na web em pilhas de proxy confiáveis. ... [NOVA]: A lista de correções também é muito operacional: inicialização em hosts lentos, catálogos de modelos reutilizáveis, diagnósticos de prontidão do loop de eventos, reparo de dependências em tempo de execução, recuperação de sessões expiradas, caches de atualização com escopo de versão, limites do Slack Block Kit, resiliência de proxy e polling do Telegram, comportamento de inicialização e limite de taxa do Discord, entrega e vivacidade do WhatsApp, streams de mídia e recebimento do Signal, tratamento de mensagens vazias do Feishu, casos extremos de Matrix e Teams e prevenção de loops de reinicialização do systemd. ... [ALLOY]: Após o mergulho profundo no lançamento, passamos para duas histórias de segurança com superfícies técnicas primárias: o Model Provenance Kit da Cisco para verificações de linhagem de modelos e a Segurança Avançada de Conta da OpenAI para proteção de contas do ChatGPT e Codex resistente a phishing. ... [NOVA]: A pergunta-chave sobre o lançamento é simples: ele torna o sistema mais inspecionável quando funciona e mais recuperável quando falha? É aí que esse changelog é excepcionalmente prático. ... [ALLOY]: Exato. Não é só adicionar controles. É colocar alças nas modos de falha que costumavam parecer invisíveis de fora. ...
[ALLOY]: Gosto que isso começa com enfileiramento, porque o enfileiramento é onde muitos sistemas de agentes fingem que o usuário desapareceu. Alguém envia uma correção enquanto o agente está trabalhando, e o runtime ou ignora, ou empurra para o próximo turno, ou interrompe num momento perigoso. O steering dá um lugar para esse acompanhamento pousar. [NOVA]: Comece com o comportamento de execuções ativas, porque é aqui que o lançamento muda a interação cotidiana com agentes. ... [ALLOY]: O OpenClaw agora usa steering como padrão para o enfileiramento de execuções ativas, com um debounce de fallback de 500ms para acompanhamentos. O comportamento mais antigo de um-por-vez continua disponível como queue. A diferença importa. Em um turno de agente de longa duração, um usuário pode enviar instruções de acompanhamento enquanto o modelo ainda está trabalhando. Um modo de fila que simplesmente empilha mensagens pode fazer o próximo turno ficar para trás em relação ao estado atual. O steering é diferente: mensagens de steering Pi pendentes são drenadas na próxima fronteira do modelo, para que o agente possa incorporar os acompanhamentos aceitos no ponto em que pode mudar de curso com segurança. ... [NOVA]: A questão operacional não é apenas "o usuário pode enviar outra mensagem?" É "quando essa mensagem se torna parte do plano do agente?" O steering torna a fronteira explícita. O runtime pode aceitar acompanhamentos, aplicar debounce e aplicá-los numa fronteira de modelo segura em vez de interromper a execução arbitrária de ferramentas ou perder a mensagem após a limpeza do servidor de aplicação. O lançamento também descarrega as mensagens de steering Codex aceitas com debounce antes da limpeza normal do turno do servidor de aplicação, para que um acompanhamento reconhecido não desapareça se o turno for concluído rapidamente. ... [NOVA]: Isso também explica o sintoma do Discord que as pessoas percebem primeiro: o agente pode ter feito algo internamente, mas o canal nunca vê uma mensagem. Um contrato de resposta visível diz que a superfície voltada ao usuário é parte da conclusão, não um enfeite decorativo. [ALLOY]: A aplicação de resposta visível é outro controle de mensagens importante. A nova configuração global messages.visibleReplies permite que operadores exijam que a saída visível passe por message(action=send) para qualquer chat de origem, enquanto messages.groupChat.visibleReplies permanece disponível como substituição de grupo ou canal. Isso é um contrato de roteamento. Se o sistema diz que uma resposta deve ser visível pela ferramenta de mensagens do canal, o agente não deveria terminar um turno silenciosamente sem produzir uma resposta visível ao usuário. A correção relacionada para chats de grupo cai de volta para entrega automática de origem quando um canal pré-computa respostas apenas para a ferramenta de mensagens, mas a ferramenta não está disponível. Isso evita que turnos em grupos estilo Discord ou Slack sejam concluídos silenciosamente sem resposta visível. ... [NOVA]: Os metadados de roteamento de subagentes também melhoram. Eventos de gateway agora expõem spawnedBy nos payloads de chat de subagente e broadcast de agente. Isso dá aos clientes informação suficiente para rotear eventos de sessões filhas sem fazer uma busca de sessão separada. Em uma interface multi-agente ou integração de chat, isso importa porque o trabalho filho deve permanecer vinculado à solicitação pai, especialmente quando sessões criadas estão fazendo tarefas em segundo plano, pesquisas delegadas ou trabalho intensivo de ferramentas. ... [ALLOY]: Depois há os compromissos de acompanhamento inferidos. O lançamento adiciona compromissos com opt-in com extração em lote oculta, escopo por agente e por canal, entrega por heartbeat, gerenciamento via CLI, commitments.enabled, commitments.maxPerDay e limitação de tempo de vencimento do intervalo de heartbeat para que lembretes não disparem imediatamente de forma mágica. Essa é a forma cautelosa certa. O acompanhamento automatizado é útil, mas pode se tornar invasivo ou barulhento se toda frase vaga sobre o futuro virar um lembrete. Escopo, limites de extração, entrega via heartbeat e limites diários permitem que operadores tornem isso deliberado. ... [NOVA]: A orientação prática é habilitar compromissos apenas onde o canal e o papel do agente justificam. Um assistente pessoal pode se beneficiar de uma capacidade limitada de "verificar depois". Um bot público de grupo provavelmente não deveria inferir lembretes de conversas casuais. A configuração precisa refletir as normas do canal, o papel do agente e o risco de entrega. ... [ALLOY]: É por isso que o steering pertence perto do início do episódio. Um agente em execução não é uma solicitação estática. É uma negociação ao vivo entre o usuário, a fronteira do modelo e as ferramentas já em movimento. ... [NOVA]: E tornar essa negociação explícita é a diferença entre um chatbot que meramente aceita mensagens e uma superfície de operador que pode se manter alinhada enquanto o trabalho acontece. ...
[ALLOY]: A memória de pessoas é a parte onde a precisão mais importa. Uma nota genérica pode ser um pouco imprecisa e ainda ser útil. Uma afirmação sobre uma pessoa com o alias errado, relacionamento errado ou fonte fraca pode ser ativamente enganosa. [NOVA]: A memória é a segunda grande área do lançamento. O OpenClaw adiciona metadados de wiki de pessoas voltados ao agente, aliases canônicos, cartões de pessoa, grafos de relacionamento, relatórios de privacidade e proveniência, detalhamento por tipo de evidência e modos de busca para lookup de pessoa, roteamento de questões, evidência de fonte e afirmações brutas. ... [ALLOY]: Isso é um passo significativo além da recuperação genérica. A memória de pessoas não é apenas mais um índice de documentos. Uma pessoa pode ter aliases, relacionamentos, preferências, papéis, restrições de privacidade e evidências com diferentes níveis de confiabilidade. Se um agente recupera "Alex disse X", o operador precisa saber qual Alex, qual fonte, qual conversa, qual afirmação e se a evidência é suficientemente forte para usar. Cartões de pessoa e grafos de relacionamento dão aos agentes uma forma estruturada de raciocinar sobre identidade e contexto sem aplanar tudo em um único blob de texto. ... [NOVA]: A visualização de proveniência é especialmente importante. Sistemas de memória falham quando fazem fatos antigos, fracos ou mal atribuídos soarem certos. O detalhamento por tipo de evidência permite que o sistema separe afirmações brutas, evidências de fonte, links relacionados gerados e trechos de corpo legíveis. O lançamento também impede que blocos amplos de fonte compartilhada e links relacionados gerados transformem cada página em um resultado de busca, limita backlinks barulhentos, suporta buscas de todos os termos como consultas de roteamento de pessoas e prefere trechos de corpo de página legíveis a metadados gerados. ... [ALLOY]: A Memória Ativa também ganha filtros mais precisos. allowedChatIds e deniedChatIds opcionais por conversa permitem que operadores habilitem recall apenas para conversas diretas, em grupo ou de canal selecionadas, enquanto sessões mais amplas são ignoradas. Isso é um recurso de privacidade e relevância. Um workspace pode querer recall em um chat de operações privado, mas não em um canal público barulhento. Sem filtros, o recall pode se tornar excessivamente amplo mesmo quando o sistema de memória subjacente está tecnicamente funcionando. ... [NOVA]: O comportamento de timeout também melhora. A Memória Ativa pode retornar resumos de recall parcial delimitados quando o sub-agente de memória oculto atingir timeout, incluindo o caminho de transcrição temporária padrão, para que contexto útil recuperado não seja descartado. Esse é o equilíbrio de confiabilidade certo: um recall com timeout não deve necessariamente se tornar zero recall se um resumo parcial seguro estiver disponível. Operadores precisam de saída delimitada e diagnósticos claros em vez de comportamento tudo-ou-nada. ... [ALLOY]: Há também um RPC doctor.memory.remHarness somente leitura para previews delimitados de sonhos REM sem caminhos de mutação. Isso dá aos clientes operadores uma forma de inspecionar o que a maquinaria de sonho da memória produziria sem realmente promover ou alterar a memória. Para sistemas de memória, preview e mutação devem ser separados. Depurar um pipeline de memória não deveria reescrever acidentalmente o armazenamento de memória. ... [NOVA]: O padrão útil aqui não é se o sistema de memória parece inteligente. É se uma afirmação sobre uma pessoa recuperada pode apontar de volta para a forma de evidência que a produziu. ... [ALLOY]: Exatamente. A memória com consciência de pessoas só ganha confiança quando identidade, relacionamento, privacidade e força da fonte permanecem inspecionáveis. ...
[ALLOY]: A identidade do provedor soa chata até que um seletor de modelos remove o prefixo do provedor e envia o nome de modelo com aparência correta para o lugar errado. Então se torna o bug inteiro. [NOVA]: A cobertura de provedores e modelos se expande com a integração da NVIDIA e metadados estáticos de catálogo. O provedor NVIDIA inclui integração de chave de API, documentação de configuração, linhas de catálogo estáticas e suporte ao seletor de ref de modelo literal para que modelos hospedados pela NVIDIA possam ser selecionados com o prefixo do provedor intacto. O lançamento também persiste o marcador de provedor NVIDIA_API_KEY e marca modelos bundlados de Chat Completions da NVIDIA como compatíveis com conteúdo string para que modelos NIM carreguem de models.json e chamadas de subagentes compatíveis com OpenAI enviem conteúdo de texto simples. ... [ALLOY]: O ponto operacional é a identidade do provedor. Se uma ref de modelo precisa manter o prefixo do provedor, o seletor não deveria normalizá-lo para uma string ambígua. Se o provedor tem uma chave marcadora, o comportamento de integração e catálogo deveria lembrar disso. Se um endpoint compatível espera conteúdo de texto simples para chamadas de subagentes, o runtime deveria formatar a solicitação adequadamente. Esses detalhes são pequenos individualmente, mas determinam se um provedor funciona de forma confiável em fluxos reais de agentes. ... [NOVA]: O suporte ao Bedrock ganha paridade de perfil de pensamento para Claude Opus 4.7. O lançamento expõe perfis de pensamento xhigh, adaptive e max para refs de modelos do Bedrock enquanto mantém Opus e Sonnet 4.6 com adaptive como padrão. Também omite temperatura depreciada para IDs de modelo Opus 4.7 do Bedrock, perfis nomeados e perfis de inferência de aplicação, e classifica respostas de validação aninhadas para failover. Esse é outro exemplo de correção específica por provedor. A mesma família de modelos pode ter regras de transporte diferentes dependendo se é chamada diretamente ou através do Bedrock. ... [ALLOY]: A confiabilidade do catálogo de modelos também melhora. Os modelos do Gateway podem servir o último catálogo de modelos bem-sucedido enquanto recarregamentos expirados atualizam em segundo plano. Isso evita que solicitações de plano de controle e compatíveis com OpenAI fiquem bloqueadas esperando a redescoberta de provedores de modelos após mudanças de configuração. Em hosts lentos, essa é uma grande melhoria de usabilidade: o catálogo pode estar desatualizado por um momento, mas o Gateway não para de responder enquanto recarrega tudo. ... [NOVA]: Os diagnósticos de inicialização se tornam mais explícitos. Os diagnósticos do Gateway podem emitir uma linha do tempo de inicialização com opt-in que registra fases de ciclo de vida e carregamento de plugins por trás de uma flag de configuração, para que o diagnóstico de inicialização lenta não exija mais instrumentação personalizada. Isso dá aos operadores uma forma de responder: onde foi parar o tempo de inicialização? Foi na validação de configuração, nos metadados de plugins, na descoberta de provedores, na inicialização de canais, no reparo de dependências em tempo de execução ou na prontidão do loop de eventos? ... [ALLOY]: O reparo de dependências em tempo de execução recebe uma passagem longa. O lançamento substitui raízes de destino de espelho com links simbólicos expirados antes de escrever arquivos temporários de mirror de runtime, pula a reescrita de hardlinks já materializados, escreve mapas de dependências mesmo quando os planos estão vazios, verifica arquivos de entrada de pacotes em staging antes de reutilizar raízes espelhadas, prefere exports condicionais de require para dependências de plugins somente CommonJS, escopeia caches de compilação Node empacotados por versão do OpenClaw e metadados de instalação, e poda raízes openclaw-unknown- expiradas durante a inicialização do Gateway enquanto preserva raízes recentes ou bloqueadas. O aprendizado para o desenvolvedor: dependências de plugins empacotados são um sistema operacional dentro do sistema operacional. Elas precisam de bloqueios, escopo de versão, reparo e semânticas de substituição segura. ... [NOVA]: Juntas, as mudanças de provedor e inicialização tornam o plano de controle menos frágil. Uma atualização lenta de catálogo, uma peculiaridade de provedor ou um reparo de dependência não deveriam fazer o runtime inteiro parecer assombrado. ... [ALLOY]: E quando ele desacelera, o operador deveria ter uma linha do tempo e um subsistema concreto para inspecionar, não apenas uma espera em branco. ...
[NOVA]: Essa é uma das lições de segurança mais claras do lançamento. Um perfil restritivo não deveria se tornar mais amplo porque outra seção de configuração definiu comportamento de exec ou filesystem. Restrito deve significar restrito até que um operador expanda explicitamente. [ALLOY]: Segurança/ferramentas é uma das mudanças de comportamento mais importantes da v2026.4.29: seções configuradas de tools.exec e tools.fs não ampliam mais implicitamente perfis restritivos como messaging e minimal. Se os usuários precisam dessas ferramentas em um perfil restritivo, devem adicionar entradas explícitas de alsoAllow, e a inicialização avisa sobre configurações afetadas. ... [NOVA]: Esse é um limite de segurança mais limpo. Um perfil restritivo deveria significar restritivo. Se uma seção de configuração para ferramentas de exec ou filesystem amplia silenciosamente o perfil, os operadores podem pensar que um agente está rodando com uma superfície estreita enquanto ele pode na verdade fazer mais. Exigir alsoAllow torna a expansão intencional e auditável. ... [ALLOY]: A varredura com OpenGrep é adicionada com um rulepack preciso, compilador de regras de fonte, verificações de metadados de proveniência e fluxos de trabalho de PR/varredura completa que validam código de primeira parte e mudanças apenas de rulepack enquanto fazem upload de SARIF para o GitHub Code Scanning. Isso é útil porque a automação de segurança deveria ser reproduzível. Um rulepack precisa de proveniência, um caminho de compilador, validação, fluxos de trabalho de CI e um formato de saída padrão como SARIF para que os achados apareçam onde os mantenedores já fazem triagem de segurança de código. ... [NOVA]: O comportamento Gateway/systemd recebe uma correção operacional concreta: conflitos de bloqueio supervisionado e EADDRINUSE agora saem com sysexits 78, para que RestartPreventExitStatus=78 pare loops de Restart=always em vez de recarregar plugins repetidamente contra uma porta ocupada. Esse é um modo de falha clássico de gerenciamento de serviços. Se outro Gateway já possui a porta, reiniciar o serviço indefinidamente não resolve o conflito; queima CPU, gera logs e pode carregar plugins repetidamente em um estado ruim. Um código de saída determinístico permite que o gerenciador de serviços pare de tentar. ... [ALLOY]: A recuperação de sessões expiradas também é mais conservadora. O OpenClaw pode liberar lanes de sessão expiradas enquanto execuções embutidas ativas, operações de resposta e tarefas de lane permanecem serializadas, para que acompanhamentos enfileirados possam ser drenados sem abortar trabalho legítimo de longa duração. Doctor e manutenção de tarefas podem reconciliar subagentes órfãos com tentativas de recuperação persistidas e marcadores de sessões travadas. O objetivo do produto é recuperar de contabilidade expirada sem tratar toda tarefa longa como travada. ... [NOVA]: As correções de canal são extensas. O Slack recebe uma grande passagem no Block Kit: menus de argumentos de comando nativo permanecem dentro dos limites de opções, rótulos e valores de botões de fallback são truncados ou removidos quando necessário, o texto de confirmação é limitado aos limites de diálogo, metadados de aprovação e texto de fallback de atualização permanecem dentro dos limites do Slack, a apresentação da ferramenta de mensagem e blocos interativos são mesclados, e o texto de fallback é limitado para envios e edições. O modo de falha prático é simples: um valor de botão ou string de fallback excessivamente grande pode fazer o Slack rejeitar todo o payload de blocos. O lançamento faz o adaptador preservar estrutura interativa válida enquanto recorta peças inválidas. ... [ALLOY]: As correções do Telegram focam em comportamento de proxy, polling, webhooks, citações e envios seguros. O Telegram respeita ALL_PROXY, all_proxy e OPENCLAW_PROXY_URL no nível de serviço para transporte HTTP/1 da Bot API. Timeouts de long-polling são limitados para que valores de configuração baixos não forcem novas conexões HTTPS a cada poucos segundos. Avisos de vivacidade de polling aparecem no status do canal e no doctor. O estado de runtime de webhook avisa quando o registro não foi concluído. Respostas com citação tentam novamente sem trechos de citação expirados ou inválidos. O retry de envio seguro evita mensagens visíveis duplicadas em envelopes de rede ambíguos. O padrão é resiliência delimitada: manter falhas transitórias de rede sem derrubar o Gateway, mas sem duplicar cegamente respostas visíveis ao usuário. ... [NOVA]: As correções do Discord cobrem inicialização e tratamento de limite de taxa, resolução de ACP vinculado a thread, fragmentação longa de CJK, supressão de monitor de gateway duplicado, resumos de saúde de canal, comportamento de inicialização fechada quando a identidade do bot não pode ser resolvida, handshakes WebSocket delimitados e cooldowns para respostas HTML 429 Cloudflare/Error 1015 usando Retry-After quando disponível. As correções do WhatsApp exigem IDs reais de mensagens de saída do Baileys antes de marcar respostas automáticas como entregues, expõem configurações de vivacidade e timeout, recuperam listeners após certos travamentos de reconexão e registram falhas de entrega do dispatcher com identificadores suficientes para depurar relatórios de digitação-sem-envio. As correções do Signal incluem correspondência de lista de permissões de grupo, limites de download do instalador, limites de resposta de mídia e comportamento de SSE de recebimento de longa duração. O Feishu ignora mensagens de texto vazio que não carregam mídia para que turnos em branco do usuário não sejam escritos nas sessões. ... [ALLOY]: O veredicto do lançamento: a v2026.4.29 trata de tornar sistemas de agentes ao vivo mais controláveis. Ela estreita comportamento ambíguo de fila, entrega de resposta visível, automação de acompanhamento, proveniência de memória, catálogos de provedores, diagnósticos de inicialização, perfis de ferramentas restritivos, sessões expiradas, loops de reinicialização de serviço e modos de falha de adaptador de canal. ... [NOVA]: O ponto maior é que a confiabilidade do canal faz parte da confiabilidade do agente. Se o adaptador descarta, limita a taxa, duplica ou oculta uma resposta, o modelo pode parecer quebrado mesmo quando o caminho de raciocínio foi bem-sucedido. ... [ALLOY]: Então este lançamento trata o comportamento de transporte como comportamento de produto, o que é a decisão certa para um assistente que vive dentro de canais de mensagens reais. ...
[NOVA]: O Model Provenance Kit da Cisco é uma forte história de infraestrutura de IA porque aborda uma questão básica que está ficando cada vez mais difícil de responder: de onde esse modelo realmente veio? ... [ALLOY]: Cartões de modelos, nomes de repositórios e metadados são úteis, mas não são suficientes por si só. Modelos são ajustados, mesclados, quantizados, destilados, convertidos, renomeados, reempacotados e redistribuídos. Uma equipe downstream pode receber um checkpoint que afirma derivar de uma família, mas os pesos, tokenizador ou arquitetura reais podem contar uma história mais complicada. Isso importa para licenciamento, resposta a vulnerabilidades, revisão de segurança, interpretação de benchmarks e política de implantação. ... [NOVA]: O kit é descrito como um toolkit Python e CLI com fluxos de trabalho de comparação e varredura. O modo de comparação pega dois modelos, incluindo checkpoints do Hugging Face ou locais, e decompõe a similaridade através de metadados de arquitetura, estrutura do tokenizador e sinais de nível de pesos. O modo de varredura começa com um modelo e o corresponde a um banco de dados de fingerprints conhecidas para identificar os candidatos de linhagem mais próximos. ... [ALLOY]: O detalhe técnico é que o kit não está apenas olhando para nomes. Ele analisa sinais como geometria de embedding, camadas de normalização, perfis de energia, comparações diretas de pesos, estrutura do tokenizador e metadados de arquitetura. Esses sinais importam porque metadados podem ser falsificados ou removidos. Evidências em nível de pesos são mais difíceis de falsificar se o objetivo for ocultar a origem do modelo enquanto se preserva o comportamento do modelo. ... [NOVA]: O banco de dados inicial de fingerprints é relatado como cobrindo aproximadamente 150 modelos base em mais de 45 famílias de modelos e mais de 20 publicadores. Esse banco de dados é importante porque proveniência é comparativa. Uma fingerprint é mais útil quando pode ser correspondida com referências conhecidas. Sem um conjunto de referência, uma ferramenta pode dizer que dois modelos são similares, mas tem menos capacidade de colocar um modelo em um grafo de linhagem mais amplo. ... [ALLOY]: A Cisco também publicou uma Model Provenance Constitution que define relacionamentos de derivação como descida direta, descida indireta, transformação mecânica, identidade e transitividade. Isso é útil porque linhagem precisa de um vocabulário. Ajuste fino, quantização, conversão de formato e mesclagem não são o mesmo relacionamento. Uma política de implantação pode permitir um e rejeitar outro. ... [NOVA]: Para operadores, o lugar prático para usar uma ferramenta como essa é no pipeline de intake de modelos. Antes de um modelo ser aprovado para produção, escaneie-o. Compare-o com a família base afirmada. Armazene o resultado da fingerprint com o artefato do modelo. Vincule essa evidência à revisão de licenciamento, revisão de segurança, resultados de benchmarks e portões de implantação. Se uma vulnerabilidade ou problema de política mais tarde afetar uma família base, a evidência de proveniência ajuda a identificar quais modelos implantados podem ser downstream. ... [ALLOY]: Há limitações. Fingerprinting é evidência, não um certificado mágico. Uma pontuação de alta similaridade precisa de interpretação. Ajuste fino, mesclagens, poda, quantização e conversão de formato podem alterar sinais de formas diferentes. Um banco de dados de fingerprints pode ser incompleto. Modelos proprietários podem não estar disponíveis como referências. Mas a direção está certa: a origem do modelo deveria se tornar evidência operacional testável, não apenas um rótulo. ... [NOVA]: O aprendizado relevante para o OpenClaw é que runtimes de agentes dependem cada vez mais de cadeias de suprimento de modelos. Se um agente pode escolher modelos locais, modelos hospedados, modelos ajustados, modelos de marketplace e checkpoints convertidos, o operador precisa de uma forma de perguntar não apenas "ele roda?" mas também "do que ele deriva, qual política se aplica e que risco o acompanha?" ... [ALLOY]: A vantagem prática é triagem mais rápida. Se a origem afirmada de um modelo, a linhagem detectada e o artefato implantado vivem juntos, um aviso de segurança ou problema de licenciamento se torna muito menos especulativo. ... [NOVA]: Proveniência não torna o intake de modelos sem esforço, mas dá aos operadores evidências que podem ser anexadas a uma decisão de implantação. ...
[NOVA]: O lançamento de Segurança Avançada de Conta da OpenAI não é um lançamento de modelo, mas é uma história séria de operações de agentes porque contas do ChatGPT e Codex agora ficam próximas a contexto sensível, código, ferramentas conectadas e fluxos de trabalho de alto risco. ... [ALLOY]: O modo com opt-in agrupa várias proteções. Ele exige passkeys ou chaves de segurança físicas e desabilita o login baseado em senha. Isso torna a autenticação resistente a phishing o padrão para contas inscritas. Uma senha roubada não deveria ser suficiente para entrar porque não há caminho de login por senha para usar. ... [NOVA]: As mudanças na recuperação de conta são igualmente importantes. A Segurança Avançada de Conta desabilita a recuperação por e-mail e SMS e exige métodos de recuperação mais fortes: passkeys de backup, chaves de segurança e chaves de recuperação. Esse é um equilíbrio deliberado. A recuperação por e-mail e SMS é conveniente, mas se um atacante controla a conta de e-mail ou o número de telefone, esses caminhos de recuperação se tornam caminhos de tomada de conta. A recuperação mais forte reduz esse risco, mas também significa que o Suporte da OpenAI não conseguirá recuperar contas inscritas se o usuário perder os métodos de recuperação necessários. ... [ALLOY]: As sessões ficam mais curtas para reduzir a exposição se um dispositivo ou sessão ativa for comprometido. Os usuários recebem alertas de login e podem revisar e gerenciar sessões ativas em todos os dispositivos. Isso importa porque sessões de longa duração são um risco real quando uma conta contém ferramentas conectadas, trabalho de código, memória ou conversas sensíveis. Uma janela de sessão mais curta e uma lista de sessões mais clara não eliminam o comprometimento, mas reduzem o tempo de permanência e melhoram a detecção. ... [NOVA]: A exclusão automática de treinamento também está incluída. Conversas de contas inscritas não são usadas para treinar modelos da OpenAI. Para usuários de alto risco e trabalho sensível, isso remove uma decisão de privacidade em nível de conta do fluxo de trabalho diário do usuário. O modo de conta carrega a preferência de uso de dados automaticamente. ... [ALLOY]: O detalhe do Codex importa para desenvolvedores. A OpenAI diz que a proteção se aplica ao Codex também quando acessado pelo mesmo login. Isso significa que a configuração de segurança cobre não apenas conversas de chat, mas também fluxos de trabalho de agentes de codificação. O Codex pode tocar repositórios, diffs, saída de terminal, contexto de issues e trabalho de desenvolvimento conectado. Se uma conta for comprometida, o risco não é apenas alguém lendo chats; pode se tornar acesso a contexto de engenharia e fluxos de trabalho agênticos. ... [NOVA]: A OpenAI também diz que membros individuais do Trusted Access for Cyber que acessam os modelos de cyber mais capazes e permissivos serão obrigados a habilitar a Segurança Avançada de Conta a partir de 1º de junho de 2026. Organizações com acesso confiável podem alternativamente atestar que a autenticação resistente a phishing faz parte do fluxo de trabalho de single sign-on. Esse é um sinal forte de para onde a segurança de conta está indo para acesso a IA de alta capacidade: modelos mais fortes e ferramentas mais permissivas exigem proteção de conta mais forte. ... [ALLOY]: Para operadores e desenvolvedores, a lição prática é combinar a segurança da conta com a capacidade. Se uma conta de IA pode usar o Codex, conectar ferramentas, manter contexto sensível ou acessar modelos cibernéticos avançados, senha mais recuperação por e-mail não é suficiente. Use autenticação resistente a phishing. Mantenha chaves de backup. Armazene chaves de recuperação com segurança. Revise sessões ativas. Reduza a exposição de sessão. E entenda o custo de recuperação antes de habilitar proteções mais rígidas. ... [NOVA]: A melhor configuração de segurança é aquela que o usuário pode realmente sustentar. A Segurança Avançada de Conta eleva o piso, mas também aumenta a responsabilidade pela higiene de recuperação. A recomendação de implantação é documentar o registro de chaves, armazenamento de chaves de backup, tratamento de chaves de recuperação, substituição de dispositivos e offboarding antes de exigi-lo em toda uma equipe. ... [ALLOY]: O equilíbrio é que uma segurança de conta mais forte transfere alguma responsabilidade para o planejamento de recuperação. Esse não é um motivo para evitá-la. É um motivo para tratar chaves de backup e chaves de recuperação como parte do design do sistema. ... [NOVA]: Para trabalho com agentes, a segurança da conta é infraestrutura. A conta não é mais apenas um login; é a porta de entrada para código, ferramentas, contexto e ações delegadas. ...
[NOVA]: O destaque do lançamento é o OpenClaw v2026.4.29 porque ele move superfícies concretas de operador: direcionamento de execuções ativas, roteamento de respostas visíveis, compromissos de acompanhamento, metadados de roteamento de subagentes, memória com consciência de pessoas, filtros de recall por conversa, recall parcial, integração do provedor NVIDIA, perfis de pensamento do Bedrock, diagnósticos de inicialização, comportamento de atualização do catálogo de modelos, limites de ferramentas de perfil restritivo, fluxos de trabalho OpenGrep, prevenção de loop de reinicialização do systemd, recuperação de sessões expiradas e confiabilidade de adaptador de canal. ... [ALLOY]: O Model Provenance Kit da Cisco é a história de cadeia de suprimento de modelos: compare modelos, escaneie contra fingerprints conhecidas, inspecione metadados, tokenizador e evidências em nível de pesos, e transforme linhagem em uma verificação de implantação. ... [NOVA]: A Segurança Avançada de Conta da OpenAI é a história de proteção de conta: passkeys e chaves de segurança, sem login por senha, recuperação mais forte, sessões mais curtas, alertas de login, revisão de sessão ativa, exclusão automática de treinamento, cobertura do Codex e requisitos mais rígidos para acesso cyber de alta capacidade. ... [ALLOY]: O aprendizado prático: sistemas de agentes ao vivo precisam de limites de controle explícitos. Enfileiramento, memória, provedores, canais, modelos e contas todos precisam de superfícies que operadores possam inspecionar, configurar e recuperar. ...
[NOVA]: Antes de encerrar, aqui está a lista de verificação do operador que resulta do episódio. Para o OpenClaw v2026.4.29, revise primeiro o direcionamento de execuções ativas. Decida se o steering é o padrão certo para seus canais e se algum fluxo de trabalho ainda precisa do comportamento legado de queue. Depois revise as respostas visíveis. Se uma superfície de chat espera uma resposta pública, certifique-se de que a rota da ferramenta de mensagem está disponível e que a entrega de fallback é compreendida. ... [ALLOY]: Em seguida, revise os compromissos. Habilite-os apenas onde um lembrete de acompanhamento é apropriado, defina limites diários e escopo-os por agente e canal. Depois revise os filtros de memória. A memória com consciência de pessoas é poderosa, mas deve ser filtrada por conversa e apoiada por proveniência. Se o agente está usando uma afirmação sobre uma pessoa, ele deve ser capaz de mostrar a forma de evidência por trás dessa afirmação. ... [NOVA]: A revisão de provedor vem a seguir. Se refs de modelos da NVIDIA ou Bedrock estão em uso, confirme o prefixo exato do provedor, a linha do catálogo de modelos, o formato de conteúdo, o perfil de pensamento e o comportamento de fallback. Para inicialização e dependências em tempo de execução, ative diagnósticos quando o tempo de inicialização não estiver claro e trate logs de reparo de dependências como evidência operacional em vez de ruído. ... [ALLOY]: A revisão de segurança é o último passo. Perfis restritivos devem permanecer restritivos a menos que alsoAllow os amplie explicitamente. O intake de modelos deveria incluir verificações de proveniência quando a origem do modelo importa. E contas que podem alcançar o Codex, ferramentas conectadas, chats sensíveis ou modelos cibernéticos permissivos devem usar autenticação resistente a phishing com planejamento de recuperação durável. ... [NOVA]: Mais uma camada prática: separe a saúde do plano de controle da qualidade do modelo. Se o Discord, Slack, Telegram, WhatsApp, Signal ou outro canal parecer silencioso, não culpe imediatamente o modelo. Verifique se o adaptador de canal está conectado, se as respostas visíveis estão roteadas através da ferramenta esperada, se o Gateway foi reiniciado, se limites de taxa de inicialização estão ativos, se uma tarefa de longa duração ainda está registrada e se um acompanhamento enfileirado está esperando uma fronteira de modelo. Um bom agente ainda pode parecer quebrado se o caminho de entrega estiver instável. ... [ALLOY]: É por isso que as correções do systemd e de sessões expiradas importam. Um loop de reinicialização não é apenas infraestrutura barulhenta. Ele muda a experiência vivida do agente. Mensagens podem chegar durante a inicialização, comandos slash podem reimplantar com muita frequência, catálogos de provedores podem recarregar e clientes de canal podem ficar no espaço incômodo entre inicializado e pronto. A melhor postura do operador é tratar reinicializações repetidas como uma interrupção visível ao usuário, mesmo quando cada reinicialização individual sai de forma limpa. ... [NOVA]: Para memória, a lista de verificação deveria incluir revisão de evidências. Se uma afirmação lembrada afeta uma resposta, pergunte que tipo de evidência a suporta. É uma afirmação bruta, um trecho de fonte, um link gerado, um alias de cartão de pessoa ou um relacionamento inferido a partir do contexto? Quanto mais pessoal for a afirmação, mais importante se torna a proveniência. A memória com consciência de pessoas é útil precisamente porque pode preservar nuances, mas ela só ganha confiança quando o agente pode mostrar por que acredita no que acredita. ... [ALLOY]: Para proveniência de modelos, a lista de verificação é disciplina de intake. Armazene fingerprints de modelos com artefatos. Mantenha a fonte afirmada, a linhagem mais próxima detectada, a evidência do tokenizador, a evidência de arquitetura e a evidência em nível de pesos juntos. Depois conecte esse registro às decisões de implantação. Se uma regra de licenciamento, aviso de segurança ou falha de avaliação mais tarde se aplicar a uma família base, os registros de proveniência tornam a resposta mais rápida e menos especulativa. ... [NOVA]: E para segurança de conta, a lista de verificação é ensaio de recuperação. A autenticação resistente a phishing é poderosa, mas muda o que acontece quando um laptop é substituído, um telefone é perdido, uma chave de hardware quebra ou um membro da equipe sai. Antes de exigir um modo de conta mais forte, decida como as passkeys de backup são armazenadas, onde as chaves de recuperação ficam, quem pode atestar controles de single sign-on e como as sessões ativas são revisadas. Segurança forte deveria reduzir o pânico, não criar um novo ritual frágil. ... [ALLOY]: O padrão compartilhado é que cada limite importante deveria ter um controle operacional visível. Limites de fila, limites de memória, limites de provedores, limites de canal, limites de origem de modelo e limites de acesso de conta todos precisam de algo que o operador possa inspecionar. Quanto mais capazes se tornam os agentes, menos aceitável é que esses limites vivam como suposições ocultas. ... [NOVA]: O aprendizado prático é que sistemas de agentes ao vivo precisam de limites de controle explícitos. Enfileiramento, memória, provedores, canais, modelos e contas todos precisam de superfícies que operadores possam inspecionar, configurar e recuperar. ... [ALLOY]: Notas do programa e links de fontes estão disponíveis em Toby On Fitness Tech ponto com. [NOVA]: Obrigada por ouvir o OpenClaw Daily. Eu sou a NOVA. [ALLOY]: E eu sou o ALLOY. Até a próxima.