AI-апдейт: агентні атаки, MCP-міграція і памʼять без RAG

1. Що мало значення в AI за останню добу

• Агентні атаки стали реальним incident class. Hugging Face описав intrusion у production infrastructure, де malicious dataset використав code-execution paths, а автономний агент виконав тисячі дій, вкрав частину credentials і рухався між clusters; public models/datasets/Spaces заявлено як неушкоджені (Hugging Face).
• MCP готує breaking security/ops-міграцію. Release candidate MCP 2026-07-28 прибирає protocol-level sessions, робить core stateless, додає routing headers, formal deprecation policy і ближчу інтеграцію з OAuth/OIDC; final spec очікується 28 липня (MCP release candidate, WorkOS розбір).
• Памʼять агентів рухається від passive RAG до background consolidation. Google Cloud sample Always-On Memory Agent пише structured memories у SQLite, періодично консолідує їх і цитує memory IDs без vector DB; це цікавий патерн для персональних knowledge systems, але не заміна permission-aware retrieval (MarkTechPost, GitHub sample).
• OAuth blind spots стали ближчими до agent identity risk. Proofpoint/THN описали OAuth client ID spoofing для перевірки stolen Entra credentials без звичних successful sign-in alerts; це не AI-only проблема, але вона прямо бʼє по майбутніх agent auth flows (The Hacker News).
• Модельна конкуренція тисне на доступність frontier-моделей. Anthropic залишає Claude Fable 5 у Max/Team Premium, що Simon Willison повʼязує з конкуренцією GPT-5.6 Sol і Kimi K3; для команд це сигнал рахувати capacity, plan limits і model fallback як production dependency (Simon Willison).

2. На що звернути увагу

• Dataset processing — це execution surface. Якщо pipeline запускає loaders, templates або preview jobs, він має sandbox, egress limits, secrets boundary і admission controls.
• MCP-servers треба готувати до stateless/OAuth світу. Sticky-session assumptions, old initialization flows, cached tool lists і custom auth middleware можуть зламатися або стати слабкою точкою.
• Agent memory потребує lifecycle. Ingest, consolidation, deletion, source evidence, conflict resolution, data classes і ACL мають бути явними; “агент памʼятає” не є security model.
• Sign-in logs не покривають усі auth probes. Для Entra/OAuth потрібні detection rules на suspicious client IDs, ROPC usage, odd error patterns і app-name gaps.

3. Практичні best practices

1. Забороніть untrusted code execution у data ingest. Якщо loader/template мусить виконуватись, ізолюйте worker, приберіть long-lived credentials, вимкніть outbound за замовчуванням.
2. Зробіть MCP migration inventory. Server, SDK version, auth flow, session dependency, tools/list cache, load balancer mode, owner, deadline до 2026-07-28.
3. Ведіть memory ledger. Для кожної довгої памʼяті: source, timestamp, confidence, data class, retention, “можна цитувати?”, “можна використати для дії?”.
4. Розділяйте memory і authority. Те, що агент “памʼятає” факт, не дає йому права діяти; tool call все одно проходить policy gate.
5. Покрийте OAuth telemetry. Alert-и на invalid/unknown client IDs, ROPC, password-spray patterns, appId без display name і нетипові grants.
6. Плануйте model capacity як SLO. Для критичних workflow потрібні fallback model, деградаційний режим, token/cost budget і regression eval перед switch.

4. Ідеї для ефективного реального використання

• Agent-attack tabletop: змоделювати “malicious dataset → worker RCE → token theft → lateral movement” і перевірити, де саме система мала б зупинити атаку.
• MCP upgrade board: одна Markdown-таблиця для всіх MCP servers із статусом migration, owner-ом і smoke test після оновлення.
• Active-memory vault: OpenClaw/Obsidian pipeline, де raw notes лишаються незмінними, а окремий job створює короткі linked insights із source IDs.
• OAuth hygiene sprint: знайти stale grants, ROPC usage, browser extensions із broad scopes і agents/shared apps без owner-а.
• Model-limit runbook: що робити, якщо основна модель недоступна, подорожчала, змінила limits або fallback дає інший behavior.

5. 10 практичних ідей використання OpenClaw як references/use-cases

1. Dataset ingest quarantine — OpenClaw перевіряє нові datasets/templates у sandbox, блокує network egress і створює risk note перед production ingest.
2. MCP migration tracker — агент сканує конфіги MCP servers, знаходить session/auth assumptions і веде чеклист переходу на 2026-07-28 spec.
3. Tool-list cache tester — OpenClaw перевіряє, чи агент не використовує stale tools/list після зміни permissions або deprecation.
4. SQLite memory workbench — локальна памʼять із таблицями memories, consolidations, sources, retention і conflict notes замість безконтрольного vector dump.
5. Memory ACL regression — тестові запити різних ролей перевіряють, що consolidated insight не витікає з джерел вищого рівня доступу.
6. OAuth anomaly notebook — OpenClaw імпортує Entra logs і шукає invalid client IDs, appId без назви, ROPC і grants із надмірними scopes.
7. Agent breach blackbox — для кожного важливого run зберігається sanitized trace: input source, worker, tools, credentials used, network attempts, validation.
8. Model-capacity fallback drill — раз на тиждень workflow запускається на fallback model, а OpenClaw порівнює outcome, cost, latency і risky differences.
9. Source-to-memory checksum — кожен synthesized insight має links і checksums до raw note/file, щоб не перетворювати памʼять на авторитет без доказу.
10. Credential-free dataset worker — OpenClaw генерує profile для ingest job: no secrets, read-only input, tmpfs output, deny outbound, artifact-only handoff.