Guardrails: Il-validazzjoni tal-Inputs u l-Outputs
F'din il-paġna
X’inhu guardrail?
Guardrail huwa saff ta’ validazzjoni li jinsab bejn l-utent u l-mudell fuq l-input, jew bejn il-mudell u l-utent fuq l-output. Id-distinzjoni mill-moderazzjoni diskussa fil-kapitlu ta’ qabel hija ċara, u trid iżżommha: il-moderazzjoni twieġeb il-mistoqsija “Dan il-kontenut huwa offensiv?”—mistoqsija universali li t-tweġiba tagħha ma tiddependix fuq in-negozju tiegħek. Il-guardrails iwieġbu mistoqsijiet li inti biss tista’ tifformula: Il-messaġġ huwa fi ħdan l-ambitu mistenni? Ir-risposta fiha informazzjoni pprojbita? L-azzjoni mitluba hija awtorizzata għal dan ir-rwol? Assistent bankarju u assistent ta’ ħanut tal-kotba jaqsmu l-istess moderazzjoni iżda m’għandhom l-ebda guardrail komuni.
Sal-2026, il-guardrails saru komponent standard tal-arkitetturi tal-aġenti tal-AI, indispensabbli kull meta mudell ikollu aċċess għal għodod jew data sensittiva.
Arkitettura ta’ pipeline
L-għażla strutturali hija li tittratta kull guardrail bħala oġġett indipendenti b’responsabbiltà waħda, imbagħad tgħaqqadhom f’ordni magħżula. Il-benefiċċju jidher waqt il-manutenzjoni: iż-żieda ta’ regola tan-negozju ma teħtieġ l-ebda bidla fil-kodiċi eżistenti, u regola li ssir wisq “noisy” tista’ titneħħa f’linja waħda.
Verdett terz jingħaqad ma’ allow u block: modify. Dan ibiddel in-natura tal-eżerċizzju. Ħafna sitwazzjonijiet fid-dinja reali ma jiġġustifikawx rifjut—risposta li fiha mogħdija ta’ server intern tibqa’ utli ladarba dik il-mogħdija tiġi maskrata. Il-blocking ikellek l-informazzjoni; il-modifying jippreservaha billi jneħħi dak li jpoġġi problema.
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)
Tliet guardrails tipiċi
Il-guardrail tal-ambitu (scope) iżomm il-konversazzjoni fi ħdan id-dominju tagħha. Dan iservi kemm għas-sigurtà kif ukoll għar-reputazzjoni: assistent tas-servizz tal-klijenti mħarreġ biex iwieġeb mistoqsijiet dwar il-kunsinni m’għandu xejn x’jiggwadanja billi jikkummenta fuq aħbarijiet politiċi, u screenshot ta’ tali risposta jiċċirkola malajr. Il-lista ta’ suġġetti pprojbiti trid tiġi diskussa man-naħa tan-negozju, qatt abbozzata mit-tim tekniku waħdu.
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")
Il-guardrail tal-format jidher trivjali iżda jipprovdi l-aktar valur ta’ kuljum. Jiswa ftit mikrosekondi, ma jiddependi fuq l-ebda sejħa tan-network, u jaqta’ qalb il-messaġġi oversized użati għal injezzjonijiet volumetriċi u tentattivi ta’ eżawriment tal-baġit. Poġġieh l-ewwel fil-katina: m’hemm l-ebda punt li tħallas għal moderazzjoni tal-API fuq messaġġ ta’ 200,000 karattru li ser tirrifjuta comunque.
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")
It-tielet jimmonitorja l-output u juri l-użu tal-verdett “modify”. L-erba’ familji li jfittex jaqsmu proprjetà konvenjenti: għandhom forma rikonoxxibbli indipendenti mit-tifsira. Ċavetta tal-API, indirizz intern, IP privat, jew mogħdija ta’ server huma identifikati mill-istruttura tagħhom, mingħajr ħtieġa li tifhem is-sentenza li fiha jinsabu.
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")
L-assemblaġġ kollu
L-assemblaġġ sħiħ juri fejn jaqgħu l-biċċiet. L-asimetrija toħroġ fid-dieher: żewġ guardrails fuq l-input, wieħed biss fuq l-output. Dan huwa frekwenti u f’saħħtu—tiffiltra ħafna qabel ma ssejjaħ il-mudell għax hemmhekk l-ispejjeż huma evitabbli, u żżomm il-minimu meħtieġ fuq l-output biex tevita li tagħmel ħsara lil risposti korretti. Il-messaġġ ritornat meta jkun hemm blocking fuq l-output isegwi l-istess prekawzjoni: intenzjonalment vag, ma jgħid x’inhu ġie skopert, informazzjoni li tkun isservi primarjament lil xi ħadd li jipprova jimmapja d-difiżi tiegħek.
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
Meta r-regola ma tistax tiġi miktuba f’regex
Xi regoli tan-negozju jirreżistu kwalunkwe formalizzazzjoni permezz ta’ mudelli. “Ir-risposta m’għandhiex tikkostitwixxi parir ta’ investiment”, “il-messaġġ m’għandux ikun fih data dwar is-saħħa”: l-ebda espressjoni regolari ma taqbad dan. Mudell ieħor, mgħaġġel u rħis, jista’ mbagħad jaġixxi bħala ġudici, b’respons ristrett għal format JSON biex jibqa’ użabbli mill-kodiċi li qed isejjaħ. Il-kompromess huwa espliċitu—tikseb preċiżjoni bl-ispiża tal-latency u d-determiniżmu, li jirriżerva dan l-approċċ għal regoli li verament jiġġustifikawh.
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"])
Punti Ewlenin
- Il-guardrails jivvalidaw il-konformità tan-negozju, mhux biss il-kontenut offensiv
- L-arkitettura tal-pipeline tippermetti li tgħaqqad saffi multipli ta’ validazzjoni
- Kull guardrail għandu responsabbiltà waħda: ambitu, format, eżfiltrazzjoni, eċċ.
- Il-guardrails tal-output huma daqstant importanti daqs dawk tal-input
- Għal każijiet kumplessi, LLM mgħaġġel jista’ jservi bħala validatur