Guardrails: Syötteiden ja tulosteiden validointi
Tällä sivulla
Mikä on guardrail?
Guardrail on validointikerros, joka sijaitsee käyttäjän ja mallin välillä syötteen puolella tai mallin ja käyttäjän välillä tulosteen puolella. Ero edellisessä luvussa käsiteltyyn moderointiin on jyrkkä, ja sinun on pidettävä se mielessäsi: moderointi vastaa kysymykseen “Onko tämä sisältö loukkaavaa?” – tämä on universaali kysymys, jonka vastaus ei riipu liiketoiminnastasi. Guardrailit vastaavat kysymyksiin, jotka vain sinä voit muotoilla: Onko viesti odotetun aihepiirin sisällä? Sisältääkö vastaus kiellettyä tietoa? Onko pyydetty toiminto sallittu tälle roolille? Pankkiavustajalla ja kirjakaupan avustajalla on sama moderointi, mutta ei yhteisiä guardraileja.
Vuoteen 2026 mennessä guardraileista on tullut vakio-osa tekoälyagenttien arkkitehtuureja, ja ne ovat välttämättömiä aina, kun mallilla on pääsy työkaluihin tai arkaluonteiseen dataan.
Putkiarkkitehtuuri
Rakenteellinen valinta on käsitellä jokainen guardrail itsenäisenä objektina, jolla on yksi vastuualue, ja ketjuttaa ne valittuun järjestykseen. Hyöty näkyy ylläpidossa: liiketoimintasäännön lisääminen ei vaadi muutoksia olemassa olevaan koodiin, ja liian häiritsevä sääntö voidaan poistaa yhdellä rivillä.
Sallimisen ja estämisen rinnalle liittyy kolmas tuomio: muokkaus. Tämä muuttaa harjoituksen luonnetta. Monet todellisen maailman tilanteet eivät oikeuta kieltäytymiseen – vastaus, joka sisältää sisäisen palvelinpolun, pysyy hyödyllisenä, kun polku peitetään. Estäminen menettäisi tiedon; muokkaus säilyttää sen poistamalla ongelmallisen osan.
from dataclasses import dataclass
from enum import Enum
class Decision(Enum):
ALLOW = "allow"
BLOCK = "block"
MODIFY = "modify"
@dataclass
class ValidationResult:
decision: Decision
reason: str
modified_content: str | None = None
class Guardrail:
"""Base class for a guardrail."""
def validate(self, content: str, context: dict) -> ValidationResult:
raise NotImplementedError
class GuardrailPipeline:
"""Chains multiple guardrails in sequence."""
def __init__(self):
self.input_guardrails: list[Guardrail] = []
self.output_guardrails: list[Guardrail] = []
def add_input(self, guardrail: Guardrail):
self.input_guardrails.append(guardrail)
def add_output(self, guardrail: Guardrail):
self.output_guardrails.append(guardrail)
def validate_input(self, message: str, context: dict) -> ValidationResult:
for g in self.input_guardrails:
result = g.validate(message, context)
if result.decision == Decision.BLOCK:
return result
if result.decision == Decision.MODIFY:
message = result.modified_content
return ValidationResult(Decision.ALLOW, "All validations passed")
def validate_output(self, response: str, context: dict) -> ValidationResult:
for g in self.output_guardrails:
result = g.validate(response, context)
if result.decision == Decision.BLOCK:
return result
if result.decision == Decision.MODIFY:
response = result.modified_content
return ValidationResult(Decision.ALLOW, "OK", response)
Kolme tyypillistä guardrailia
Aihepiirin guardrail pitää keskustelun määritellyn domainin sisällä. Se palvelee sekä turvallisuutta että mainetta: asiakaspalveluavustaja, joka on koulutettu vastaamaan toimituksia koskeviin kysymyksiin, ei hyödy kommentoimalla poliittisia uutisia, ja tällaisen vastauksen kuvakaappaus leviää nopeasti. Kiellettyjen aiheiden lista tulee sopia liiketoiminnan edustajien kanssa; teknisen tiimin ei tule laatia sitä yksin.
class ScopeGuardrail(Guardrail):
"""Checks that the message stays within the authorized scope."""
def __init__(self, allowed_topics: list[str], forbidden_topics: list[str]):
self.allowed_topics = allowed_topics
self.forbidden_topics = forbidden_topics
def validate(self, content: str, context: dict) -> ValidationResult:
content_lower = content.lower()
# Check forbidden topics
for topic in self.forbidden_topics:
if topic.lower() in content_lower:
return ValidationResult(
Decision.BLOCK,
f"Out-of-scope topic detected: {topic}"
)
return ValidationResult(Decision.ALLOW, "Within scope")
Muotoilun guardrail vaikuttaa triviaalilta, mutta tuottaa eniten arvoa päivittäisessä käytössä. Se maksaa muutaman mikrosekunnin, ei riipu verkkopyynnöistä ja katkaisee liian suuret viestit, joita käytetään volumetrisiin injektioihin ja budjetin tyhjentämisyrityksiin. Sijoita se ketjun ensimmäiseksi: API-moderoinnista ei kannata maksaa 200 000 merkin viestille, jonka hylkäät joka tapauksessa.
class FormatGuardrail(Guardrail):
"""Validates message format and length."""
def __init__(self, max_tokens: int = 4000, max_lines: int = 100):
self.max_tokens = max_tokens
self.max_lines = max_lines
def validate(self, content: str, context: dict) -> ValidationResult:
# Rough token estimation (1 token ~ 4 characters in English)
estimated_tokens = len(content) // 4
if estimated_tokens > self.max_tokens:
return ValidationResult(
Decision.BLOCK,
f"Message too long: ~{estimated_tokens} tokens (max {self.max_tokens})"
)
line_count = content.count("\n") + 1
if line_count > self.max_lines:
return ValidationResult(
Decision.BLOCK,
f"Too many lines: {line_count} (max {self.max_lines})"
)
return ValidationResult(Decision.ALLOW, "Valid format")
Kolmas valvoo tulostetta ja havainnollistaa “muokkaus”-tuomion käyttöä. Neljä ryhmää, joita se etsii, jakavat kätevän ominaisuuden: niillä on tunnistettava muoto merkityksestä riippumatta. API-avain, sisäinen osoite, yksityinen IP tai palvelinpolku tunnistetaan niiden rakenteen perusteella ilman tarvetta ymmärtää lausetta, jossa ne esiintyvät.
import re
class AntiExfiltrationGuardrail(Guardrail):
"""Prevents leakage of sensitive data in outputs."""
def __init__(self):
self.sensitive_patterns = {
"api_key": r"(sk|pk|api[_-]?key)[_-][a-zA-Z0-9]{16,}",
"internal_email": r"[a-zA-Z0-9.]+@(company|internal|corp)\.\w+",
"private_ip": r"\b(10\.\d{1,3}\.\d{1,3}\.\d{1,3}|192\.168\.\d{1,3}\.\d{1,3})\b",
"server_path": r"(/data/|/etc/|/home/|C:\\Users\\)",
}
def validate(self, content: str, context: dict) -> ValidationResult:
for data_type, pattern in self.sensitive_patterns.items():
if re.search(pattern, content):
# Mask instead of blocking
cleaned_content = re.sub(pattern, "[REDACTED]", content)
return ValidationResult(
Decision.MODIFY,
f"Sensitive data redacted: {data_type}",
cleaned_content,
)
return ValidationResult(Decision.ALLOW, "No leakage detected")
Kokonaisuuden kokoaminen
Täydellinen kokoonpano näyttää, miten palaset sopivat yhteen. Epäsymmetria pistää silmään: kaksi guardrailia syötteelle, vain yksi tulosteelle. Tämä on yleistä ja tervettä – suodatat voimakkaasti ennen mallin kutsumista, koska siellä kustannukset ovat vältettävissä, ja pidät tulosteessa vain välttämättömän minimoimaan oikeiden vastausten vahingoittumisen. Estettäessä tulostetta palautettava viesti noudattaa samaa varovaisuutta: se on tarkoituksellisen epämääräinen eikä kerro, mitä havaittiin, sillä tieto palvelisi ensisijaisesti puolustuksesi kartoittamista yrittävää henkilöä.
from openai import OpenAI
def create_secure_assistant():
"""Creates an assistant with a complete guardrail pipeline."""
client = OpenAI()
pipeline = GuardrailPipeline()
# Input guardrails
pipeline.add_input(FormatGuardrail(max_tokens=2000))
pipeline.add_input(ScopeGuardrail(
allowed_topics=["products", "orders", "delivery", "returns"],
forbidden_topics=["politics", "religion", "competitors"],
))
# Output guardrails
pipeline.add_output(AntiExfiltrationGuardrail())
def process(message: str) -> str:
context = {"user_role": "customer"}
# Input validation
input_check = pipeline.validate_input(message, context)
if input_check.decision == Decision.BLOCK:
return f"I cannot process this request: {input_check.reason}"
valid_message = input_check.modified_content or message
# Model call
response = client.chat.completions.create(
model="gpt-5.6-sol",
messages=[
{"role": "system", "content": "Acme Corp customer service assistant."},
{"role": "user", "content": valid_message},
],
)
reply = response.choices[0].message.content
# Output validation
output_check = pipeline.validate_output(reply, context)
if output_check.decision == Decision.BLOCK:
return "I am unable to answer this question."
return output_check.modified_content or reply
return process
Kun sääntöä ei voi kirjoittaa regexillä
Jotkin liiketoimintasäännöt vastustavat kaikkea kaavojen avulla formalisointia. “Vastauksen ei tule muodostaa sijoitusneuvontaa”, “viestin ei tule sisältää terveystietoja”: mikään säännöllinen lauseke ei sieppaa tätä. Tällöin toinen malli, nopea ja edullinen, voi toimia tuomarina, ja sen vastaus rajoitetaan JSON-muotoon, jotta kutsuva koodi voi käyttää sitä. Kompromissi on selkeä: saat tarkkuutta latenssin ja determinismin kustannuksella, mikä varaa tämän lähestymistavan vain säännöille, jotka todella oikeuttavat sen.
def llm_guardrail(message: str, rule: str) -> ValidationResult:
"""Uses a fast model to validate compliance."""
client = OpenAI()
response = client.chat.completions.create(
model="gpt-5.6-terra",
messages=[
{"role": "system", "content": f"""You are a compliance validator.
Rule to check: {rule}
Respond ONLY with JSON: {{"compliant": true/false, "reason": "..."}}"""},
{"role": "user", "content": f"Message to validate:\n{message}"},
],
)
import json
result = json.loads(response.choices[0].message.content)
if result["compliant"]:
return ValidationResult(Decision.ALLOW, result["reason"])
return ValidationResult(Decision.BLOCK, result["reason"])
Keskeiset asiat
- Guardrailit validoivat liiketoiminnan vaatimustenmukaisuutta, eivät vain loukkaavaa sisältöä
- Putkiarkkitehtuuri mahdollistaa useiden validointikerrosten yhdistämisen
- Jokaisella guardraililla on yksi vastuualue: aihepiiri, muotoilu, tietovuoto jne.
- Tulosteen guardrailit ovat yhtä tärkeitä kuin syötteen guardrailit
- Monimutkaisissa tapauksissa nopea LLM voi toimia validaattorina