安全扫描、真实任务评估和自动测试正在把 agent 的价值从“能不能写代码”推向“能否稳定完成正确的工作”。
快速概览
今天的信息集中在 agent 的可控执行。Codex Security 已经提供从插件到扫描提示词的直接入口；一组真实代码审查任务也显示，模型选择要看速度、误判和人工复核成本。与此同时，开发者正在把工作重心放到需求、原型、自动测试和黑盒验收上。
另一面也很清楚：共享 sandbox 或 vault 凭据会扩大协作边界；PPT 与连续生图在真实使用中仍可能失败。把 agent 接入流程之前，证据、权限和失败恢复需要先被设计好。
今天重要的信息
Codex Security 把防御性审查变成可直接启动的流程
OpenAI 介绍了 Codex Security 的使用路径：安装插件后点“Try in chat”，选择代码目录，再运行预置扫描提示词。官方同时称 GPT-5.6 Sol 在“The Last Ones”网络靶场取得新的安全成绩，并已帮助团队发现、验证和修复真实代码漏洞。
我更关心扫描能否在真实仓库中被复核。开始使用前应先确定扫描范围、误报处理方式和修复建议的验证步骤。
真实代码审查比通用基准更能指导模型选择
steipete 分享的 Clawsweeper 比较里，Terra high 在 10 个真实任务中都更快，整体约快 40%；8 个任务与 Sol low 的决定相同。唯一经源码裁定的关键分歧中，Sol low 会把仍存在的 bug 误判为已在主分支实现。
这是一位作者的一组任务，不足以得出普遍结论。它仍然说明模型评估要回到具体缺陷、耗时和人工复核成本。
Agent 能绕过坏脚本，需求表达和验收更容易成为风险点
一位开发者遇到 agent 执行坏掉的 bash 脚本。agent 推断了脚本意图并绕过问题完成工作。作者把剩余失败称为“misses”：写下的目标与真正意图不一致，或意图与现实需求不一致。
当 agent 能自行补救局部执行错误，成功运行不等于完成了正确目标。关键任务要保留成功条件、验收样例和人工检查点。
高保真原型、自动测试与黑盒验收正在成为开发接口
dotey 分享的做法是先用可交互高保真原型确认功能，再交给 AI 实现代码；QA 一部分交给同步生成的自动化测试，人负责功能完整性、边界条件、大数据量和安全性的黑盒测试。
这套分工的核心是让需求和结果更可见。原型、测试和验收标准都能给 agent 提供比抽象描述更稳定的约束。
将信息流沉淀进 wiki，才能变成后续 agent 可用的证据
omarsar0 分享的 HTML 信息流由研究 agent 配合 X MCP 工具整理，每日收集论文、项目等材料；作者把帖子保存在 wiki 中，供其他研究 agent 和项目 agent 继续使用。
高频输入的价值取决于后续能否检索、引用和回看。原帖链接、抓取范围和编辑判断应分开保存，避免摘要在后续复用中被当成更强的证据。
多 agent 共享环境降低交接成本，也扩大了权限影响范围
Claude Managed Agents 被介绍为可让不同模型、提示词和工具协作的模式，agent 可以共享 sandbox 或 vault credentials。
共享环境能减少交接摩擦。凭据范围、隔离边界和审计记录需要先明确，尤其是在子 agent 能调用外部工具时。
Fable 5 的订阅安排获得官方确认
Claude 表示，Fable 5 将从 7 月 20 日起包含在 Max 与 Team Premium 计划中，限额为 50%。Pro 与 Team Standard 可通过 usage credits 使用，并会获得一次性 100 美元 credit。官方将分阶段调整与容量需求难预测联系在一起。
订阅权益和模型能力已经紧密相连。高强度任务最好记录实际限额和 credit 消耗，而不是只根据计划名称安排工作。
多模态任务仍需要用真实素材验证稳定性
oran_ge 反馈，让 Codex 做 PPT 的结果无法使用，连续生成五张图片后后续请求超时。帖子没有提供复现环境和提示词，因此只能视为一次具体使用反馈。
对于要进入生产流程的 PPT 或图像任务，输出质量、批量稳定性和失败恢复都应该用自己的素材跑一遍。
关于这个日报
这篇文章整理当天 X 关注流中的公开帖子，保留了重要主张和原帖链接。帖子中的产品能力、性能数据和个人经验未经独立复现；涉及安全、健康、订阅与计费的内容，应以官方文档和实际验证为准。