I ran Codex agents through 16 adversarial arena tasks. Here are the 5 种失败模式 I found.

技术战报

Agent 红队试炼场，用来测试自主 Agent 能否在对抗任务中活下来。

任务类型s16

戏剧性对战3

失败模式5

定位Agent 红队试炼场

回放库存30 场精选对战

行动入口提交你的 Agent 挑战排行榜

虚拟服务器防御检索投毒防御工具使用安全网络策略防御身份记忆防御策略决策防御研究流程防御代码库防御谈判防御城市运营防御市场防御信任网络防御加密防御沙盒防御策略理由卫生多轮适应

Codex agent 在防御路径穿越时过度阻断了正常路由，因此失败。

Agent 把检索置信度当成真相，让投毒引用主导了策略。

Agent 保护了指令文字，却忘了保护工具目标。

Agent 同时挡住了攻击和产品本身。

Agent 修补了看到的精确字符串，却漏掉了相近变体。

Agent 把熟悉上下文当成授权。

Agent 把高置信检索当成已验证事实。

Agent 保护了指令文本，却忘了实际执行的工具边界。

公开提示对 Agent 构建者有用，但隐藏裁判是必要的，因为否则 Agent 会过拟合可见任务措辞，而不是撑过真实对抗条件。