Kompletna architektura bezpieczeństwa
Na tej stronie
Zaktualizowano 3 listopada 2026 r. Warstwa generowania wcześniej przekazywała wymyślony format guardrails (
enabled), a polityka produkcyjna używała nieistniejących kategorii (hate,violence,unpredictable). Kod został dostosowany do oficjalnego formatumoderation_llm_v2oraz jedenastu kluczy zmistral-moderation-2603. Wyniki (scores), które są opcjonalne w SDK, są odczytywane z wartością domyślną (fallback). Kod zweryfikowany względem typów SDKmistralaiw wersji 3.7.0. Źródła: Moderation & Guardrailing · Python SDK mistralai.
Łączenie wszystkich elementów
W trakcie tego kursu poznałeś guardrails, API Moderation, 11 kategorii, progi, wykrywanie jailbreaków, zgodność z RODO oraz polityki treści. Ta ostatnia lekcja scala wszystkie te elementy w kompletną architekturę bezpieczeństwa gotową do środowiska produkcyjnego.
Przegląd architektury
Mamy pięć warstw, którymi kieruje jedna zasada: żadna z nich nie jest niezawodna sama w sobie. Guardrails można obejść dzięki nieoczekiwanemu sformułowaniu, model moderacji generuje fałszywe negatywy, a polityka treści nigdy nie obejmuje każdego przypadku. Ich warstwowe stosowanie działa, ponieważ luki w ochronie nie nakładają się na siebie – to, co wymknie się pierwszej warstwie, ma duże szanse zostać wychwycone przez drugą.
Praktyczną konsekwencją jest ścisła kolejność: każda warstwa musi być jak najtańsza, zanim uruchomi się kolejna. Walidujesz format przed wywołaniem guardrails, a guardrails wywołujesz przed generowaniem – ponieważ treść odrzucona na etapie 1 nie zużywa ani jednego tokena.
Użytkownik
↓
[1. Walidacja wejścia] → Regex, wzorce, limitowanie częstotliwości (rate limiting)
↓
[2. Mistral Guardrails] → Blokowanie przed generowaniem (403)
↓
[3. Generowanie LLM] → safe_prompt + bezpieczne instrukcje
↓
[4. Moderacja wyjścia] → Moderation API po generowaniu
↓
[5. Logowanie i audyt] → Wyniki (scores), decyzje, ślad audytowy RODO
↓
Odpowiedź dla użytkownika
Kompletna implementacja
from mistralai.client import Mistral
from mistralai.client.errors import SDKError
import os
import re
import json
import logging
from datetime import datetime, timezone
from enum import Enum
# Konfiguracja
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger("moderation")
class Decision(Enum):
ALLOWED = "allowed"
BLOCKED_INPUT = "blocked_input"
BLOCKED_GUARDRAIL = "blocked_guardrail"
BLOCKED_OUTPUT = "blocked_output"
ERROR = "error"
class SecureArchitecture:
"""Kompletna architektura bezpieczeństwa dla aplikacji AI."""
def __init__(self, policy: dict, model: str = "mistral-large-latest"):
self.policy = policy
self.model = model
self.stats = {d.value: 0 for d in Decision}
# --- Warstwa 1: Walidacja wejścia ---
def validate_input(self, text: str) -> dict:
"""Szybka walidacja przed jakimkolwiek wywołaniem API."""
# Maksymalna długość
if len(text) > 10000:
return {"valid": False, "reason": "Wiadomość zbyt długa"}
# Podejrzane znaki (iniekcje Unicode)
if re.search(r"[\x00-\x08\x0b\x0c\x0e-\x1f]", text):
return {"valid": False, "reason": "Nieprawidłowe znaki"}
# Oczywiste wzorce jailbreak
patterns = [
r"ignore\s+(all\s+)?(previous|prior|above)",
r"you\s+are\s+now\s+(DAN|unfiltered)",
r"oublie\s+(toutes?\s+)?(tes|vos)\s+instructions",
r"system\s*prompt",
]
for pattern in patterns:
if re.search(pattern, text, re.IGNORECASE):
return {
"valid": False,
"reason": "Wykryto wzorzec iniekcji"
}
return {"valid": True}
# --- Warstwa 2: Moderacja wejścia ---
def moderate_input(self, text: str) -> dict:
"""Moderacja promptu przez API."""
response = client.classifiers.moderate(
model="mistral-moderation-2603",
inputs=[text]
)
scores = response.results[0].category_scores or {}
violations = self._check_thresholds(scores)
return {
"allowed": len(violations) == 0,
"scores": scores,
"violations": violations
}
# --- Warstwa 3: Bezpieczne generowanie ---
def generate(self, messages: list) -> str:
"""Generowanie z guardrails i safe_prompt."""
response = client.chat.complete(
model=self.model,
messages=messages,
safe_prompt=True,
guardrails=[
{
"block_on_error": True,
"moderation_llm_v2": {
"custom_category_thresholds": self.policy["thresholds"],
"action": "block",
},
}
],
)
content = response.choices[0].message.content
return content if isinstance(content, str) else ""
# --- Warstwa 4: Moderacja wyjścia ---
def moderate_output(self, prompt: str, response_text: str) -> dict:
"""Moderacja odpowiedzi w kontekście."""
response = client.classifiers.moderate_chat(
model="mistral-moderation-2603",
inputs=[[
{"role": "user", "content": prompt},
{"role": "assistant", "content": response_text}
]]
)
scores = response.results[0].category_scores or {}
violations = self._check_thresholds(scores)
return {
"allowed": len(violations) == 0,
"scores": scores,
"violations": violations
}
# --- Warstwa 5: Logowanie ---
def log_decision(self, decision: Decision, data: dict):
"""Rejestruje decyzję do celów audytowych."""
self.stats[decision.value] += 1
entry = {
"timestamp": datetime.now(timezone.utc).isoformat(),
"decision": decision.value,
"policy": self.policy["name"],
**data
}
logger.info(json.dumps(entry, ensure_ascii=False))
# --- Główny potok (Pipeline) ---
def process(self, user_message: str,
system_prompt: str | None = None) -> dict:
"""Kompletny bezpieczny potok przetwarzania."""
# Warstwa 1: Walidacja
validation = self.validate_input(user_message)
if not validation["valid"]:
self.log_decision(Decision.BLOCKED_INPUT, {
"reason": validation["reason"]
})
return {
"status": Decision.BLOCKED_INPUT.value,
"message": "Twoja wiadomość nie może zostać przetworzona."
}
# Warstwa 2: Moderacja wejścia
check_input = self.moderate_input(user_message)
if not check_input["allowed"]:
self.log_decision(Decision.BLOCKED_INPUT, {
"violations": check_input["violations"]
})
return {
"status": Decision.BLOCKED_INPUT.value,
"message": "Ta treść narusza naszą politykę."
}
# Warstwa 3: Generowanie
messages = []
if system_prompt:
messages.append({"role": "system",
"content": system_prompt})
messages.append({"role": "user",
"content": user_message})
try:
response_text = self.generate(messages)
except SDKError as e:
if e.status_code == 403:
self.log_decision(Decision.BLOCKED_GUARDRAIL, {})
return {
"status": Decision.BLOCKED_GUARDRAIL.value,
"message": "Żądanie zablokowane przez guardrails."
}
raise
# Warstwa 4: Moderacja wyjścia
check_output = self.moderate_output(user_message, response_text)
if not check_output["allowed"]:
self.log_decision(Decision.BLOCKED_OUTPUT, {
"violations": check_output["violations"]
})
return {
"status": Decision.BLOCKED_OUTPUT.value,
"message": "Odpowiedź została przefiltrowana."
}
# Sukces
self.log_decision(Decision.ALLOWED, {
"input_max_score": max(check_input["scores"].values(), default=0.0),
"output_max_score": max(check_output["scores"].values(), default=0.0),
})
return {
"status": Decision.ALLOWED.value,
"content": response_text,
"moderation": {
"input": check_input["scores"],
"output": check_output["scores"]
}
}
# --- Narzędzia pomocnicze ---
def _check_thresholds(self, scores: dict) -> list:
"""Sprawdza wyniki względem progów polityki."""
violations = []
for cat, threshold in self.policy["thresholds"].items():
score = scores.get(cat, 0)
if score > threshold:
violations.append({
"category": cat,
"score": round(score, 3),
"threshold": threshold
})
return violations
def report(self) -> dict:
"""Generuje raport statystyk."""
total = sum(self.stats.values())
return {
"policy": self.policy["name"],
"total_requests": total,
"decisions": self.stats,
"block_rate": round(
(self.stats["blocked_input"] +
self.stats["blocked_guardrail"] +
self.stats["blocked_output"]) / max(total, 1),
3
)
}
Użycie produkcyjne
# Definicja polityki
prod_policy = {
"name": "Produkcja v1.2",
"thresholds": {
"sexual": 0.15, "hate_and_discrimination": 0.1, "violence_and_threats": 0.2,
"dangerous": 0.1, "criminal": 0.1, "selfharm": 0.1, "health": 0.4,
"financial": 0.4, "law": 0.4, "pii": 0.15,
"jailbreaking": 0.1
}
}
# Instancjonowanie architektury
arch = SecureArchitecture(prod_policy)
# Przetwarzanie żądań
result = arch.process(
"Wyjaśnij, jak działają transformatory",
system_prompt="Jesteś instruktorem AI."
)
print(result["status"]) # oczekiwane: "allowed"
print(result["content"])
# Konsultacja statystyk
print(arch.report())
Monitorowanie i alerty
Wystarczą dwie metryki, aby kierować systemem moderacji, i musisz obserwować je w przeciwnych kierunkach. Wskaźnik blokad (block rate) powinien pozostać stabilny: nagły skok sygnalizuje albo atak, albo próg, który jest zbyt rygorystyczny i zaczyna utrudniać działanie legalnym użytkownikom. Rozkład wyników (score distribution) jest równie ważny – jeśli Twoje treści grupują się tuż poniżej progu, oznacza to, że próg jest źle ustawiony, a kolejna zmiana dokonana przez użytkowników go złamie.
def configure_alerts(arch: SecureArchitecture):
"""Konfiguruje alerty do monitorowania."""
report = arch.report()
# Alert, jeśli wskaźnik blokad jest nieprawidłowy
if report["block_rate"] > 0.15:
logger.warning(
f"Wysoki wskaźnik blokad: "
f"{report['block_rate']:.1%}"
)
# Alert w przypadku skoków jailbreaków
# Integracja z Prometheus, Grafana, Datadog itp.
Podsumowanie kursu
Do końca tego kursu opanowałeś:
- Niestandardowe Guardrails: Blokuj niebezpieczne prompty przed generowaniem, konfiguruj progi dla każdej kategorii, stosuj do agentów
- API Moderation: Klasyfikuj treści za pomocą Mistral Moderation 2, interpretuj wyniki w 11 kategoriach, podejmuj zautomatyzowane decyzje
- Bezpieczeństwo produkcyjne: Definiuj polityki treści, wykrywaj iniekcje promptów, zapewnij zgodność z RODO
- Kompletna architektura: Połącz guardrails + moderację + monitorowanie w solidny potok
Masz teraz cały kod potrzebny do wdrożenia kompletnego systemu moderacji AI z wykorzystaniem API Mistral.
Kluczowe wnioski
- Architektura bezpieczeństwa obejmuje 5 warstw: walidację, guardrails, generowanie, moderację, logowanie
- Każda warstwa kompensuje słabości innych – to obrona wielowarstwowa (defense in depth)
- Monitoruj wskaźnik blokad i wyniki w środowisku produkcyjnym
- Utrzymuj swoją politykę w aktualności dzięki regularnym przeglądom
- Kompletny kod z tej lekcji to punkt wyjścia – dostosuj go do swojego kontekstu
Sprawdź swoją wiedzę
Guardrails, moderacja, iniekcja: czy architektura obronna jest jasna?
1. Gdzie interweniują niestandardowe guardrails?
Odpowiedź: Przed modelem: filtrują dane wejściowe zgodnie z Twoimi regułami (zakazane tematy, formaty) – to pierwsza warstwa, która pozwala uniknąć wykonania wywołania, gdy żądanie wykracza poza zakres.
2. Co obejmuje API Mistral Moderation?
Odpowiedź: Jedenaście kategorii ryzykownych treści, z wynikiem dla każdej kategorii: Twoje progi decydują, czy zablokować, oznaczyć flagą, czy zezwolić – zamieniając politykę treści w kod.
3. Jak definiuje się dobrą politykę treści?
Odpowiedź: Przez przypadek użycia: co jest akceptowalne dla aplikacji, progi dla każdej kategorii, powiązane działania (blokowanie, przepisywanie, eskalacja) – udokumentowane i przetestowane, a nie domniemane.
4. Jak wykrywa się próby iniekcji promptów?
Odpowiedź: Traktując wszystkie zewnętrzne treści jako podejrzane: wykrywając wzorce instrukcji w danych, izolując instrukcje od danych, walidując wyjścia – oraz przeprowadzając regularne testy ofensywne.
5. Jak wygląda kompletna architektura bezpieczeństwa?
Odpowiedź: Warstwy: guardrails wejścia, moderacja treści, kontrola wyjścia, zgodność z RODO (minimalizacja, prawa) i możliwość śledzenia (traceability) – żadna pojedyncza warstwa nie jest idealna, ale ich warstwowe stosowanie to kompensuje.
Obrona wielowarstwowa to nie slogan: każda warstwa w tym kursie wyłapuje to, co poprzednia przepuściła.